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

本發(fā)明公開了一種基于混合度量的高光譜圖像分類方法，該算法基于對(duì)象的鄰域密度來(lái)判斷對(duì)象的異常程度，對(duì)于k_lof任意正整數(shù)，定義x的第k距離為x與某個(gè)對(duì)象o之間的距離，記為dis_k_lof(x)，其中對(duì)象x與對(duì)象o之間的距離記為d(x，o)，首先用有標(biāo)記的數(shù)據(jù)集訓(xùn)練分類器，并使用該分類器對(duì)未標(biāo)記樣本分類；判斷未標(biāo)記樣本的置信度，將高置信度的未標(biāo)記樣本添加到有標(biāo)記樣本集中；使用k?NN選擇最接近標(biāo)記樣本的k_knn未標(biāo)記鄰居樣本，計(jì)算樣本間光譜距離的同時(shí)引入空間距離和LOF距離。并利用自適應(yīng)方法確定k?NN和LOF的輸入?yún)?shù)，有效提高了算法的尋參效率，有效的提高了分類算法的分類精度。提出算法在這些數(shù)據(jù)集上的分類性能優(yōu)于同類算法。

技術(shù)領(lǐng)域

本發(fā)明涉及一種圖像分類方法，特別涉及一種基于混合度量的高光譜圖像分類方法。

背景技術(shù)

高光譜遙感技術(shù)起源于20世紀(jì)80年代初，是在多光譜遙感技術(shù)基礎(chǔ)之上發(fā)展起來(lái)的。高光譜遙感能夠通過(guò)成像光譜儀在可見光、近紅外、短波紅外、中紅外等電磁波譜范圍獲取近似連續(xù)的光譜曲線，將表征地物幾何位置關(guān)系的空間信息與表征地物屬性特征的光譜信息有機(jī)地融合在了一起，使得提取地物的細(xì)節(jié)信息成為可能。隨著新型成像光譜儀的光譜分辨率的提高，人們對(duì)相關(guān)地物的光譜屬性特征的了解也不斷深入，許多隱藏在狹窄光譜范圍內(nèi)的地物特性逐漸被人們所發(fā)現(xiàn)，這些因素大大加速了遙感技術(shù)的發(fā)展，使高光譜遙感成為21世紀(jì)遙感技術(shù)領(lǐng)域重要的研究方向之一。

高光譜圖像分類作為高光譜圖像的基礎(chǔ)研究，一直是高光譜圖像重要的信息獲取手段，它的主要目標(biāo)是根據(jù)待測(cè)地物的空間幾何信息與光譜信息將圖像中的每個(gè)像素劃分為不同的類別。高光譜圖像分類按照是否有已知類別的訓(xùn)練樣本的參與，高光譜圖像的分類方式分為監(jiān)督分類與非監(jiān)督分類。

目前，關(guān)于高光譜圖像分類采用單一的度量方法，算法的尋參效率以及分類算法的分類精度較低。

發(fā)明內(nèi)容

本發(fā)明的目的在于提供一種基于混合度量的高光譜圖像分類方法，以解決上述背景技術(shù)中提出的問(wèn)題。

為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：

一種基于混合度量的高光譜圖像分類方法，包括如下步驟：

A.局部異常因子算法

該算法基于對(duì)象的鄰域密度來(lái)判斷對(duì)象的異常程度，首先，對(duì)k_lof于任意正整數(shù)，定義x的第k距離為x與某個(gè)對(duì)象o之間的距離，記為dis_k_lof(x)，其中對(duì)象x與對(duì)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(gè)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(guān)角(Spectral correlation angle,SCA)、光譜信息散度(Spectralinformation divergence,SID)；

C.基于k-NN和SVM的自訓(xùn)練算法

首先用有標(biāo)記的數(shù)據(jù)集訓(xùn)練分類器，并使用該分類器對(duì)未標(biāo)記樣本分類；之后，通過(guò)某種策略，判斷未標(biāo)記樣本的置信度，將高置信度的未標(biāo)記樣本添加到有標(biāo)記樣本集中；重復(fù)該過(guò)程，直到滿足迭代終止條件；

D.基于混合測(cè)量k-NNSVM的自訓(xùn)練分類器