[發(fā)明專利]一種多核機(jī)器學(xué)習(xí)融合多尺度特征的高光譜地物分類方法

在審

• 申請?zhí)枺?/td>: 202010318446.4
• 申請日: 2020-04-21
• 公開（公告）號: CN111723838A
• 公開（公告）日: 2020-09-29
• 發(fā)明（設(shè)計）人: 汪洪橋;汪羚;蔡艷寧;付光遠(yuǎn);伍明;范青剛
• 申請（專利權(quán)）人: 中國人民解放軍火箭軍工程大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N20/00
• 代理公司: 西安通大專利代理有限責(zé)任公司 61200
• 代理人: 房鑫

1.一種多核機(jī)器學(xué)習(xí)融合多尺度特征的高光譜地物分類方法，其特征在于，包括以下步驟：

1)獲取高光譜圖像，再使用非均勻采樣濾波核在每一波段上對高光譜圖像進(jìn)行二維空間非均勻濾波采樣，再將采樣得到的二維矩陣?yán)熳儞Q為一維向量，其中，每一個維度均采樣拉伸為一個一維向量，從而將原始的高光譜數(shù)據(jù)集由一個三維矩陣變換為二維矩陣，其中，二維矩陣中的行表示像元，列表示波段維度，最后使用PCA對二維矩陣進(jìn)行降維，以提取主成分波段，得高光譜圖像的特征；

2)提取目標(biāo)的多尺度特征，在多核學(xué)習(xí)框架式中對目標(biāo)的多尺度特征與多尺度核進(jìn)行有機(jī)融合，再進(jìn)行加權(quán)映射，得融合核矩陣，然后通過訓(xùn)練決策函數(shù)得到最優(yōu)的多尺度核分類器，最后利用優(yōu)化的多尺度核分類器對圖像進(jìn)行分類，完成多核機(jī)器學(xué)習(xí)融合多尺度特征的高光譜地物分類。

2.根據(jù)權(quán)利要求1所述的多核機(jī)器學(xué)習(xí)融合多尺度特征的高光譜地物分類方法，其特征在于，獲取高光譜圖像的具體過程為：構(gòu)建基于非均勻采樣的多尺度空間，其中，在中央凹范圍內(nèi)均勻采樣，且采樣率最高為1，采樣率由外圍到中心點距離的2倍遞減。

3.根據(jù)權(quán)利要求1所述的多核機(jī)器學(xué)習(xí)融合多尺度特征的高光譜地物分類方法，其特征在于，非均勻采樣濾波核的表達(dá)式為：

其中，高光譜圖像的大小為N×N，N為2的整數(shù)次冪，δ表示中央凹范圍的半徑，當(dāng)位于δ內(nèi)時為均勻采樣，利用離散小波方法的采樣濾波方式實現(xiàn)非均勻采樣，其中，離散小波變換的相平面格點分布為非均勻，每次采樣都從視點中央向周圍擴(kuò)展，對于固定的尺度參數(shù)m，采樣率為1/b₀a₀^m，令：

1/b₀a₀^m＝c(x) (2)

m為整數(shù)，則有

濾波核中同一同心圓域中具有相同的m值，即二進(jìn)制小波濾波器的帶寬相同，中心區(qū)m＝0，且?guī)捵钫芍行南蛲鈳挐u增。

4.根據(jù)權(quán)利要求1所述的多核機(jī)器學(xué)習(xí)融合多尺度特征的高光譜地物分類方法，其特征在于，基于PCA進(jìn)行高光譜圖像特征降維的具體過程為：

使用PCA對高光譜圖像特征進(jìn)行白化，計算樣本的相關(guān)系數(shù)矩陣的特征值及特征向量，再按降序?qū)⑻卣髦颠M(jìn)行排序，并調(diào)整特征向量；計算各特征值的貢獻(xiàn)率，根據(jù)預(yù)設(shè)的提取率，以提取主成分特征向量，并在提取的主成分特征向量上對樣本進(jìn)行投影，以提取圖像的特征。

5.根據(jù)權(quán)利要求1所述的多核機(jī)器學(xué)習(xí)融合多尺度特征的高光譜地物分類方法，其特征在于，所述基核為高斯徑向基核，將高斯徑向基核的多尺度化表示為：

對各個尺度特征使用多個高斯徑向核進(jìn)行加權(quán)組合，使得每個尺度均基于多個尺度核映射，然后對多個尺度的合成核進(jìn)行多核融合，即

其中，M表示每個尺度特征使用的尺度基核的數(shù)目，N表示尺度特征的數(shù)目，l表示訓(xùn)練樣本的數(shù)目，f(x)為最終的決策函數(shù)。

6.根據(jù)權(quán)利要求1所述的多核機(jī)器學(xué)習(xí)融合多尺度特征的高光譜地物分類方法，其特征在于，采用基于梯度下降方法優(yōu)化得到的核函數(shù)的權(quán)系數(shù)。