[發(fā)明專利]一種基于混合度量的高光譜圖像分類方法

有效

• 申請?zhí)枺?/td>: 202110486966.0
• 申請日: 2021-05-03
• 公開（公告）號: CN113111969B
• 公開（公告）日: 2022-05-06
• 發(fā)明（設計）人: 葛海淼;潘海珠;劉沫岐;馬卉宇
• 申請（專利權）人: 齊齊哈爾大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06V10/764;G06V10/74;G06V10/774
• 代理公司: 哈爾濱市文洋專利代理事務所(普通合伙) 23210
• 代理人: 何強

1.一種基于混合度量的高光譜圖像分類方法，其特征在于，包括如下步驟：

A.局部異常因子算法

該算法基于對象的鄰域密度來判斷對象的異常程度，首先，k_lof屬于任意正整數(shù)，定義x的第k距離為x與某個對象o之間的距離，記為dis_k_lof(x)，其中對象x與對象o之間的距離記為d(x，o)；

B.二元光譜相似性度量

給定兩個光譜向量x和y，x＝(x₁，x₂，…x_n)，y＝(y₁，y₂，…y_n)，n是光譜波段總數(shù)，包括光譜角度量(Spectral angle metric,SAM)、光譜梯度角(Spectral gradient angle,SGA)、光譜相關角(Spectral correlation angle,SCA)、光譜信息散度(Spectral informationdivergence,SID)；

C.基于k-NN和SVM的自訓練算法

首先用有標記的數(shù)據(jù)集訓練分類器，并使用該分類器對未標記樣本分類；之后，通過某種策略，判斷未標記樣本的置信度，將高置信度的未標記樣本添加到有標記樣本集中；重復該過程，直到滿足迭代終止條件；采用啟發(fā)式的方法來選擇高置信度的未標記樣品；k-NN算法用于確定未標記樣本的分類標記；SVM則用于加強自訓練策略，以幫助k-NN標記未標記的樣本；令L和U分別表示標記樣本集和未標記樣本集，基于k-NN和SVM的自訓練過程可以描述如下：

輸入:

L：標記樣本集

U：未標記樣本集

1使用L訓練SVM分類器

2使用k-NN為U中的未標記樣本指定標簽

3使用SVM為U中的未標記樣本指定標簽

4確定其成員為2和3兩步操作后具有相同標簽的樣本

5確定其成員為由SVM挑選的高置信度的樣本

6U＝U-V

7L＝L+V

End while；

D.基于混合測量k-NNSVM的自訓練分類器

使用k-NN選擇最接近標記樣本的k_knn未標記鄰居樣本，同時，引入空間距離和LOF距離，結合光譜距離來度量光譜樣本的相似性，根據(jù)空間域平滑假設，標記樣本周圍的一定空間內，其鄰居樣本大概率與該標記樣本屬于同一類；

使用k-NN選擇最接近標記樣本的k_knn未標記鄰居樣本；并引入空間距離和LOF距離，結合光譜距離來度量光譜樣本的相似性；根據(jù)空間域平滑假設，標記樣本周圍的一定空間內，其鄰居樣本大概率與該標記樣本屬于同一類；將空間距離定義為：

其中S_x,S_y為樣本x和y的空間坐標，||·||_L1為L1范式； 將LOF距離定義為：

LOF′(x,y)＝|LOF(x)-LOF(y)|

dis_LOF(x,y)＝e^LOF′(x,y)

其中LOF′(x，y)是LOF(x)-LOF(y)的絕對值，而dis_LOF(x，y)是x和y之間的LOF距離；結合空間距離，光譜距離和LOF距離，可以將光譜數(shù)據(jù)混合度量定義為：

dis_MM(x,y)＝dis′_SIDSAM(x,y)×dis′_NB(x,y)×dis_LOF(x,y)

其中dis′_SIDSAM(x，y)和dis′_NB(x，y)分別是dis_SIDSAM(x，y)和dis_NB(x，y)的歸一化值，以消除數(shù)據(jù)量綱的影響；

基于混合度量k-NNSVM的自訓練分類器的性能取決于LOF和k-NN算法的性能；同時，LOF和k-NN的質量受參數(shù)k_lof和k_knn的影響；采用自適應方法來自動獲取這兩個參數(shù):

其中Ni是通過SVM分類得到的第i類樣本數(shù)，表示向上取整；是由SVM得到的屬于第i類的未標記樣本數(shù)量； 從公式中可以看出，k_lof和k_knn是由SVM算法確定的N_i和通過計算得到；算法的整體實現(xiàn)如下：

Inputs:

L：標記樣本集

U：未標記樣本集

iter_max:最大迭代次數(shù)

For(iter＝1；iter＜＝iter_max；iter++)

使用標記樣本集L訓練SVM分類器

L′為L的子集，代表L中被SVM正確分類的樣本集

計算L和U的LOF

獲得L′中的類別數(shù)目c

for(i＝1；i＜＝c；i++)

L′_i為L′的子集,其中的元素被SVM分為i類

U_i為U的子集,其中的元素被SVM分為i類

獲得n_i,是L′_i中樣本數(shù)

for(j＝1；j＜＝n_j；j++)

計算U和L′_ij之間的距離dis_SIDSAM,其中L′_ij是L′_i中的樣本j計算U和L′_ij之間的距離dis_NB

將dis_SIDSAM,及d_NB歸一化到[1,10]，得到dis′_SIDSAM和dis′_NB；

計算U和L′_ij之間的距離dis_LOF

計算dis_MM＝dis′_SIDSAM*dis′_NB*dis_LOF

end for

V_i為U的子集，其元素為k-NN混合相似度量dis_MM確定的可靠樣本

end for

將高置信度樣本集V_i合并得V

U＝U-V

L＝L+V

End For。