[發明專利]基于多核學習的遙感圖像稀疏表達分類方法

有效

• 申請號: 201910833071.2
• 申請日: 2019-09-04
• 公開（公告）號: CN110533118B
• 公開（公告）日: 2023-07-25
• 發明（設計）人: 甘樂;詹德川
• 申請（專利權）人: 南京大學
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/77;G06V10/764;G06V10/772
• 代理公司: 南京樂羽知行專利代理事務所(普通合伙) 32326
• 代理人: 李玉平

本發明公開一種基于多核學習的遙感圖像稀疏表達分類方法，主要解決遙感圖像空?譜特征的樣本分布不平坦、數據不規則等問題，提高對空?譜特征中蘊含豐富且復雜非線性結構信息的表達能力。主要步驟包括：(1)對遙感圖像進行空?譜特征提取操作，提取遙感圖像的形態學特征；(2)結合遙感圖像數據分布特點根據不同準則選取一組基核函數并構建多核稀疏表示模型；(3)利用一組訓練數據通過兩步交替優化策略學習得到基核函數的最優線性組合；(4)根據訓練得到的基核函數最優線性組合將未標注像元映射到集成核特征空間，并利用基于稀疏表達方法進行分類。本發明能充分挖掘遙感圖像空?譜特征中蘊含豐富的非線性結構特征，可用于不同遙感圖像場景下土地覆蓋精細化解譯任務。

技術領域

本發明涉及一種基于多核學習的遙感圖像稀疏表達分類方法，可應用于復雜遙感圖像場景下地表覆蓋精細化解譯任務中，本發明屬于高維信息處理與模式識別技術領域。

背景技術

隨著地理國情監測與第三次全國土地調查應用對全面細化和完善土地利用基礎數據的迫切需求，傳統遙感圖像處理技術難以實現對地觀測應用中對復雜場景更為精細的地物解譯與分析。近年來，隨著稀疏表達新技術的出現，基于稀疏表達的遙感圖像處理技術在方法上和性能上取得突破的進展，為其研究提供了新的契機。然而，在復雜的遙感圖像分類場景中，面向各向異性分布、高維特征和多類數據以及包含異質信息的遙感圖像，現有基于稀疏表達的遙感圖像分類方法通常難以對地表覆蓋實現精確的分類與識別。

發明內容

發明目的：鑒于遙感圖像空-譜特征中通常蘊含豐富的非線性判別信息，單一核方法與單一組合模式核方法通常無法有效地挖掘空-譜特征中蘊含的豐富非線性結構信息。借助多核學習技術，從訓練樣本中學習得到一組基核函數的最優線性組合，提升地物在集成核特征空間的可分性。

技術方案：一種基于多核學習的遙感圖像稀疏表達分類方法，包括多核學習分類模型訓練步驟和分類模型預測步驟：

(1)所述多核稀疏表達分類模型訓練步驟具體包括：

步驟1.1對原始遙感圖像進行空-譜特征信息提取操作。采用拓展形態學輪廓特征(EMPs)驗證多核稀疏表達分類模型對面向各向異性分布、高維特征和多類數據以及包含異質信息遙感圖像的捕獲能力，具體為：利用主成分分析算法獲取遙感圖像前p-主分量圖像，并利用不同尺寸結構化元素定義的形態學開閉算子對各主分量圖像進行濾波操作，并通過特征堆列方式得到拓展形態學特征。

步驟1.2從原始遙感圖像中選取部分標注像元構建訓練數據，根據訓練數據總重構誤差最小準則，將多核學習嵌入到稀疏表示模型構建多核稀疏表達模型，具體為：結合場景數據分布特點根據不同準則(不同核類型、不同核距離度量或不同核尺度)選取一組基核函數(其中M表示基核函數的數目)，利用該組核函數通過線性組合形式將形態學特征映射到集成核特征空間，并通過最小化一組訓練數據學習得到基核函數的最優線性組合以增強多核字典在多核特征空間中的稀疏表達能力，即同時學習稀疏編碼系數矩陣X和核權重系數β，多核稀疏表示模型具體實現公式如下：

其中，X為訓練數據Y在集成核特征空間的編碼系數矩陣，K_m(D,Y)為訓練數據Y在第m個基核空間中的特征表示，β_m表示與基核K_m關聯的核權重參數，G_m為訓練字典D同第m個基核關聯的核格拉姆矩陣。S(X)表示稀疏誘導正則化項，可以采用與其中⊙表示矩陣元素級相乘，可以將字典原子在稀疏重建過程中不同作用信息嵌入到多核稀疏表示學習模型中，λ為正則化參數。