[发明专利]一种高光谱图像半监督分类方法及装置

权利要求书

1.一种高光谱图像半监督分类方法，包括以下步骤： 

步骤1：对高光谱图像进行光谱角加权的基于核函数模糊C均值聚类得到聚类指示特征； 

步骤2：对高光谱图像进行支持向量机（SVM）半监督分类得到第一分类图像Image1，对聚类指示特征进行支持向量机（SVM）半监督分类得到第二分类图像Image2； 

步骤3：构建聚类和SVM协同框架，将Image1和Image2分类结果嵌入聚类和SVM协同框架进行协同分析得到最终高光谱分类图像。 

2.根据权利要求1所述的一种高光谱图像半监督分类方法，其特征在于：所述的步骤1还包括以下步骤： 

步骤1.1：初始化聚类中心，设定样本与聚类中心的光谱角权值，得到光谱角权值矩阵； 

步骤1.2：假定高光谱样本X={x₁,x₂,…，x_N},x₁={x₁₁,x₁₂,…,x_1p},p为波段数；类标签为Y={y₁,y₂,…,y_N}，对于类标签有y_i∈Y，y_i∈{1，2，…，C}，其中C为类别数；K是聚类数，第K类的聚类中心为v_k,矩阵V={v₁,v₂,…，v_K}包含了所有的聚类中心；高光谱图像某一样本x_i属于某一类别j，i=1，2，…，n,j∈[1，2,…，k]，每一个高维特征空间样本为根据光谱角权值矩阵得到样本对聚类类别j核聚类中心

步骤1.3：定义光谱角加权的基于核函数模糊C均值聚类的拉格朗日函数L_KSFCM,得到最小化式L_KSFCM的隶属度函数u_ij; 

步骤1.4：根据隶属度函数u_ij,得到每一个样本x_i的聚类指示特征r_i。 

3.根据权利要求1所述的一种高光谱图像半监督分类方法，其特征在于：所述的步骤2还包括以下步骤： 

步骤2.1：对高光谱图像进行支持向量机（SVM）半监督分类，利用SVM训练类标签样本得到两个分类器C1和C2，C1和C2分别对无类标签样本预测，得到置信度高的无类标签样本及其预测标签加入到类标签样本训练集中，直至样本分类结束，得到第一分类图像Image1； 

步骤2.2：选取聚类中心作为类标签样本，利用SVM建立两个分类器对聚类指示特征r_i进行半监督分类得到第二分类图像Image2。

4.根据权利要求2所述的一种高光谱图像半监督分类方法，其特征在于：所述的光谱角权值矩阵利用光谱角角度大小决定权值大小；高光谱图像上每个像素n个波段的光谱响应作为n维空间的矢量，其光谱角可用反余弦表示为： 

其中，n为波段数，t和r分别为聚类中心光谱与某一样本光谱，光谱角权值矩阵为： 

其中p为波段数，则核聚类中心为： 

光谱角加权的基于核函数模糊C均值聚类的拉格朗日函数： 

其最小化式L_KSFCM的隶属度函数为： 

其中， 

样本x_i的聚类指示特征r_i，即表示样本x_i对每一个聚类中心的隶属度为： 

r_i={u_1i,u_2i,…，u_ki} 

其中k为聚类数，r_i是样本x_i对每一聚类的隶属度矢量，因此，满足e^Tr_i=1，i∈{1,…,N},e为单位列向量，r_ik≥0,k∈{1,…,K}。