[發明專利]一種多核機器學習融合多尺度特征的高光譜地物分類方法

在審

• 申請號: 202010318446.4
• 申請日: 2020-04-21
• 公開（公告）號: CN111723838A
• 公開（公告）日: 2020-09-29
• 發明（設計）人: 汪洪橋;汪羚;蔡艷寧;付光遠;伍明;范青剛
• 申請（專利權）人: 中國人民解放軍火箭軍工程大學
• 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任公司 61200
• 代理人: 房鑫

本發明公開了一種多核機器學習融合多尺度特征的高光譜地物分類方法，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行二維空間非均勻濾波采樣，再將采樣得到的二維矩陣拉伸變換為一維向量，最后使用PCA對二維矩陣進行降維，以提取主成分波段，得高光譜圖像的特征；2)提取目標的多尺度特征，在多核學習框架式中對目標的多尺度特征與多尺度核進行有機融合，再進行加權映射，得融合核矩陣，然后通過訓練決策函數得到最優的多尺度核分類器，最后利用優化的多尺度核分類器對圖像進行分類，完成多核機器學習融合多尺度特征的高光譜地物分類，該方法能夠高精度高實時性的進行高光譜地物分類。

技術領域

本發明涉及一種高光譜地物分類方法，具體涉及一種多核機器學習 融合多尺度特征的高光譜地物分類方法。

背景技術

高光譜遙感作為一種結合了遙感成像和光譜細分的多維信息獲取技 術，極大地豐富了所獲取圖像目標的信息。對于高光譜圖像應用中最受 關注的分類技術而言，高光譜數據的圖譜合一、高維度特性以及如何對 高光譜圖像進行預處理、解混、有效特征提取、目標識別一直都是亟待 解決的難題。隨著高光譜圖像成像器的分辨率不斷提高，高光譜圖像廣 泛應用于資源調查、作物估產、災害預報、礦床勘探、地形測定、影像 地圖制作、有毒氣體監測、偽裝識別、軍事偵察和探測等方向。

將復雜、巨大的高光譜圖像數據轉化為能夠準確表達地表物質性質 的“地圖”并稱這一過程為高光譜圖像的分類。也就是說，正是由于不同 地物在不同波段光譜信號下的不同表現，可以據此對高光譜圖像中每個 像元分配一個類別標簽并將最終得到的分類結果稱為分類圖。獲取高精 確度的分類圖一直是研究人員關注的重中之重。但是在高光譜圖像中， 有些地物光譜特性曲線十分相似，對于高光譜圖像這種在空間、光譜特 征存在大量冗余信息且各波段間高相關性的數據而言，通常很難得到很 高的分類精度，給分類帶來了挑戰。

從高光譜圖像分類所利用的信息類型來看可以分為譜分類和譜-空 聯合分類。前者直接根據高光譜圖像中的光譜信息而忽略了高光譜圖像 圖譜合一的特性利用分類器對目標像元進行分類。而譜-空聯合分類將高 光譜圖像中的空間信息和光譜信息一起考慮在內，利用分類器對目標像 元進行分類。隨著成像器的分辨率的不斷提高，高光譜圖像中的空間相 鄰像元也包含了大量相關信息，這就使得譜-空聯合分類相對于譜分類來 說，優勢更加突出，在一定程度上消除了分類圖中的空間不均勻性，對 像元所屬結構的尺度、形狀都能較好地表達。隨著深度學習的發展，越 來越多的學者開始將深度學習方法運用到大規模高光譜圖像分類領域， 并取得了較好的分類效果。如Chen等將目標像元周圍空間鄰域信息經 過PCA降維后的空間鄰域信息和目標像元的光譜信息一起作為SAE 的輸入進行訓練。但由于深度網絡結構過于復雜，所需訓練參數太多， 網絡收斂速度過慢，無法保證高實時性；僅僅將高光譜圖像原始數據作 為輸入訓練網絡，沒有考慮到不同高光譜圖像的自身特點，無法保證有 效性；此外，影響分類精度的窗口大小也很少受到關注。綜上分析，這 些問題使得高光譜圖像高精度高實時性目標識別還缺乏成熟的理論和實 用性方法，需要加大基礎研究力度。

發明內容

本發明的目的在于克服上述現有技術的缺點，提供了一種多核機器 學習融合多尺度特征的高光譜地物分類方法，該方法能夠高精度高實時 性的進行高光譜地物分類。

為達到上述目的，本發明所述的多核機器學習融合多尺度特征的高 光譜地物分類方法包括以下步驟：

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 譜圖像進行二維空間非均勻濾波采樣，再將采樣得到的二維矩陣拉伸變 換為一維向量，其中，每一個維度均采樣拉伸為一個一維向量，從而將 原始的高光譜數據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對二維矩陣進行降維， 以提取主成分波段，得高光譜圖像的特征；