[發明專利]一種基于矩陣群的KNN的場景分類方法和系統

在審

• 申請號: 202010002529.2
• 申請日: 2020-01-02
• 公開（公告）號: CN111191618A
• 公開（公告）日: 2020-05-22
• 發明（設計）人: 徐承俊;朱國賓;舒靜倩
• 申請（專利權）人: 武漢大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 王琪

本發明公開了一種基于矩陣群的KNN的場景分類方法和系統，獲取待處理的遙感數據集，按比例劃分為訓練數據文件和測試數據文件；將訓練樣本投影到李群流形空間；計算各個類別的李群樣本的內均值；隨機從測試數據中取樣本，進行投影計算其李群樣本內均值；計算其與所有已知類別內均值之間距離；按距離升序排列，取前K個最小距離對應的所屬類別樣本；取其中所屬類別樣本個數最多的類別，賦予測試樣本。本發明具有如下優點：(1)本發明既能滿足向量樣本的計算又能滿足矩陣樣本的計算，具有很好的拓展性。(2)本發明使用范式距離代替Euclid距離，具有很好的抗噪性。樣本的維度低，具有很好的計算性能。

技術領域

本發明涉及遙感影像處理、場景分類領域，尤其是涉及一種基于矩陣群的KNN的場景分類方法和系統。

背景技術

由于各種光學遙感成像技術的提升和各類傳感器的快速發展，使得我們能夠比以往更快更容易的獲得高分辨率遙感影像，更有助于我們了解生活的環境。高空間分辨率(HSR)遙感影像可以提供關于事務的結構、紋理、形狀、輪廓等大量有參考意義的信息，從而有助于提高遙感影像的識別準確度。與此同時，各類遙感影像數據集數量也在增多。但是，現有的遙感影像分類方法很難做到高準確率的同時保持良好的存儲、計算性能。因此，遙感影像的分類仍然是當前研究的一項重要任務。

遙感影像在城市土地覆蓋檢測、城市綠地檢測、目標檢測、環境監測和氣體污染等領域都起著非常突出的作用。常用的分類方法有：(1)KNN分類方法：該方法無需訓練，通過計算測試樣本與已知類別的K個樣本的歐氏距離，來判斷測試樣本所屬的類別。(2)深度學習方法，卷積神經網絡(CNN)由不同類型的層組成，例如卷積層，池化層和全連接層(FC)，并使用共享權重的方式。每一層將輸入量轉換為神經元激活的輸出量。

上述分類方法存在以下不足：(1)傳統KNN只適用于向量空間的樣本計算，無法完成矩陣樣本空間的計算。此外，傳統KNN使用Euclid(歐氏)空間計算測試樣本與已知樣本的距離，Euclid空間距離將每個樣本同等看待，對個噪聲樣本敏感，會造成錯誤分類。(2)深度學習方法需要大量的數據集進行復雜的計算，且計算非常耗時，具有大量參數并且訓練學習的過程我們無法進行干預，特征的提取、學習過程主要是由框架完成，解釋性和理解性都不強，影像的特征維度高，通常需要使用GPU輔助計算，對硬件的要求高。

發明內容

本發明提供了一種基于矩陣群的KNN的場景分類方法，用以解決上述背景技術中存在的影像向量空間表示和Euclid(歐氏)距離計算的局限性、特征維度高、理解性解釋性差、計算復雜等問題。

為了實現上述目標，本發明一種基于矩陣群的KNN的場景分類方法的技術方法的具體步驟如下：

Step1、獲取待處理的遙感影像數據集，將所需處理的遙感數據集分為訓練集和測試集。

Step2、將上述訓練集和測試集分別轉化為訓練數據文件和測試數據文件。

Step3、將所述訓練數據文件中影像集投影到李群流形空間，得到李群樣本集。

Step4、計算各個類別的李群樣本的內均值

Step5、隨機從測試數據文件中取一個樣本T_test，將T_test投影到李群流形空間并計算其李群樣本的內均值

Step6、計算與所有已知類別李群樣本的內均值之間的距離

Step7、根據上述的距離進行升序排列，取前K個最小的距離對應的所屬類別樣本。

Step8、取所屬類別樣本中所屬類別樣本個數最多的類別，賦予測試樣本。

進一步的，在本發明的基于矩陣群的KNN的場景分類方法中，所述步驟Step3具體包括：