[發明專利]一種面向大場景遙感圖像分類的類指定多模聯合表示方法

有效

• 申請號: 202111160930.X
• 申請日: 2021-09-30
• 公開（公告）號: CN113850216B
• 公開（公告）日: 2022-05-17
• 發明（設計）人: 劉天竹;谷延鋒
• 申請（專利權）人: 哈爾濱工業大學
• 主分類號: G06V20/13
• 分類號: G06V20/13;G06V10/774;G06V10/764;G06K9/62;G06N20/00
• 代理公司: 哈爾濱華夏松花江知識產權代理有限公司 23213
• 代理人: 時起磊

1.一種面向大場景遙感圖像分類的類指定多模聯合表示方法，其特征在于：所述方法具體過程為：

步驟一、輸入覆蓋區域相同的多模遙感圖像，以及相應的地物標簽圖，構造多模遙感圖像的類指定多模聯合表示模型；

所述多模遙感圖像包括多光譜遙感圖像和高光譜遙感圖像；

步驟二、采用乘數交替方向法求解步驟一構造的多模遙感圖像的類指定多模聯合表示模型，得到類指定跨模字典；

所述類指定的跨模字典包括多光譜字典和高光譜字典；

步驟三、輸入大場景多光譜遙感圖像，利用步驟二得到的多光譜字典對輸入的大場景多光譜遙感圖像進行稀疏表示，學習得到一致稀疏表示系數矩陣；

所述輸入的大場景多光譜遙感圖像的覆蓋區域包含步驟一中多光譜遙感圖像的覆蓋區域；

步驟四、利用步驟二得到的高光譜字典和步驟三得到的一致稀疏表示系數矩陣，重構得到大場景的高判別性高光譜圖像；

所述步驟一中構造多模遙感圖像的類指定多模聯合表示模型；具體過程為：

令和分別表示輸入的覆蓋區域相同高光譜和多光譜遙感圖像中有標簽樣本的集合；

令和分別表示高光譜字典和多光譜字典；

令X表示跨模稀疏表示系數矩陣；

其中，表示高光譜圖像中的有標簽樣本，表示多光譜圖像中的有標簽樣本，d^H表示高光譜圖像中樣本的光譜維度，d^M表示多光譜圖像中樣本的光譜維度，P表示有標簽樣本的個數，表示高光譜字典中的原子，表示多光譜字典中的原子，N表示字典中原子的個數；

多模遙感圖像的類指定多模聯合表示模型的目標函數可表示為：

前兩項代表重構誤差，第三項α||X||_1,1為跨模稀疏表示系數的稀疏性約束，第四項β(||D^H||_*+||D^M||_*)為跨模字典的低秩約束，第五項為判別性約束，第六項為分類約束；

其中，表示Frobenius范數的平方；||·||_1,1表示矩陣每列的L1范數；||·||_*表示核范數；表示L2范數的平方；表示輸入樣本的稀疏表示系數對于分類的判別性；A是將原始的稀疏表示系數變換到最具判別性稀疏特征空間的線性映射；是輸入樣本Y^H和Y^M公共的標簽，C表示類別總數；當或屬于第c類時，h_c,p＝1；W是線性分類器的參數；α，β，γ和χ為平衡各約束項重要性的懲罰系數；

所述輸入樣本的稀疏表示系數對于分類的判別性由輸入樣本的標簽和字典的標簽所決定：

所述步驟二中采用乘數交替方向法求解步驟一構造的多模遙感圖像的類指定多模聯合表示模型，得到類指定跨模字典；具體過程為：

為采用乘數交替方向法，需要引入參數B＝X,J＝D^H,K＝D^M，將多模遙感圖像的類指定多模聯合表示模型改寫成如下形式：

s.t.B＝X,J＝D^H,K＝D^M

其中，B、J、K為參數；

多模遙感圖像的類指定多模聯合表示模型的拉格朗日增廣函數為：

其中是拉爾朗日乘子，η是懲罰系數，T為轉置；

迭代優化過程如下：

優化X：

X←Γ₁^-1Γ₂

Γ₁＝(D^H)^TD^H+(D^M)^TD^M+A^TA+W^TW+ηI_N×N

Γ₂＝(D^H)^TY^H+(D^M)^TY^M+γA^TG+χW^TH+Φ₁+ηB

其中，Γ₁、Γ₂為中間變量，I_N×N表示大小為N×N的單位矩陣，←表示在迭代優化過程中對當前優化的參數賦值；

優化D^H和D^M：

D^H←(Y^HX^T+ηJ+Φ₂)(XX^T+ηI_N×N)^-1

D^M←(Y^MX^T+ηK+Φ₃)(XX^T+ηI_N×N)^-1

優化A和W：

A＝GX^T(XX^T+I_N×N)^-1

W＝HX^T(XX^T+I_N×N)^-1

優化B：

其中，⊙為矩陣的Hadamard積；

優化J和K：

其中，為軟閾值算子，ξ＝β/η；

優化

Φ₁←Φ₁+η(B-X)

Φ₂←Φ₂+η(J-D^H)

Φ₃←Φ₃+η(K-D^M)

當||B-X||₂≤ε且||J-D^H||₂≤ε且||K-D^M||₂≤ε時，停止迭代，此時的和即為學習得到的類指定跨模字典；ε為預先設定的殘差閾值；

所述類指定跨模字典包括多光譜字典和高光譜字典；

所述軟閾值算子定義如下：對于秩為r的矩陣E，基于奇異值分解，E被表示為：E＝UΣV^T，U為EE^T的特征向量，V為E^TE的特征向量，Σ為E的奇異值矩陣，Σ＝diag({σ_i}_1≤i≤r)；σ_i為奇異值，是Σ對角線上的元素；

對于任何ξ≥0，

所述步驟三中輸入大場景多光譜遙感圖像，利用步驟二得到的多光譜字典對輸入的大場景多光譜遙感圖像進行稀疏表示，學習得到一致稀疏表示系數矩陣；具體過程為：

令為大場景多光譜遙感圖像，Z^M的稀疏表示系數矩陣為S；

利用步驟二得到的多光譜字典對大場景多光譜遙感圖像Z^M進行稀疏表示的目標函數為：

其中，δ為懲罰系數，為大場景多光譜遙感圖像中的樣本， Q為大場景多光譜遙感圖像中的樣本個數；

為了采用乘數交替方向法，需要引入參數R＝S，得到拉格朗日增廣函數：

其中，Ω是拉格朗日乘子，κ是懲罰系數，R為參數；

優化過程如下：

優化S：

優化R：

優化Ω：

Ω←Ω+κ(R-S)

當||R-S||₂≤ε時，停止迭代，此時的即為學習得到的一致稀疏表示系數矩陣。

2.根據權利要求1所述一種面向大場景遙感圖像分類的類指定多模聯合表示方法，其特征在于：所述步驟四中利用步驟二得到的高光譜字典和步驟三得到的一致稀疏表示系數矩陣，重構得到大場景的高判別性高光譜圖像；具體過程為:

重構的高判別性高光譜圖像由下式得到：