[发明专利]一种高光谱图像半监督分类方法及装置

说明书

技术领域

本发明涉及遥感高光谱图像的分类方法及装置，更具体地说，涉及一种聚类和支持向量机（Support vector machine，SVM）协同的高光谱图像半监督分类方法及装置。

背景技术

目前常用的高光谱图像分类算法可分为监督和非监督算法。传统的监督分类方法包括光谱角填图法、平行六面体方法、最大似然法、最小距离法、马氏距离法；传统的非监督分类方法包括IsoData方法、K-Means方法等。除了以上传统方法，还有新的分类方法，如神经网络、决策树、SVM和专家系统等。

然而高光谱图像波段多、数据量大，类标签样本获取代价大，少量的类标签样本很难准确估计出遥感地物类别的空间分布，导致传统的监督分类方法很难取得较好的分类效果。

半监督方法可以将少量类标签样本与大量无类标签样本结合提高学习的泛化能力。高光谱图像中，如果样本点位于同一聚类中，则它们类标签信息一致性可能较大。聚类在很大程度上反应了高光谱图像的内部数据结构，目前尚未出现能够有效地结合聚类信息的高光谱图像半监督分类方法。

发明内容

本发明要解决的技术问题在于，针对现有高光谱图像分类技术的上述缺陷，提出一种可行的、高精度的聚类和SVM协同的高光谱图像半监督分类方法及装置。

本发明解决其技术问题所采用的技术方案是：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。

作为优选，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＝{x_1,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二{v₁,v₂,…，v_K}旺武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。

作为优选，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：