[发明专利]一种基于信息熵的半监督高光谱遥感影像分类方法

说明书

技术领域

本发明涉及的是遥感图像处理技术领域，特别适用于高光谱遥感影像，提出一种基于信息熵的半监督高光谱遥感影像分类方法，可应用于高光谱遥感影像分类与识别以及土地利用/覆盖分类等多种应用中。

背景技术

高光谱遥感影像分类方法的研究是高光谱影像数据处理方法最核心、最关键的研究领域之一，它的总目标是将遥感影像中所有像元划分为不同类型，由此可以清晰反映出某类的空间分布以及各类地物的详细情况，无论是在军事还是民用领域都得了广泛的应用。但因为其维数高、数据量大、数据多义性、易受Hughes现象影响等因素共同造成了地物信息自动分类提取的困难，成为制约高光谱遥感应用推广的瓶颈之一。

模式识别和人工智能在上世纪得到了飞速的发展，并在遥感领域得到广泛应用，出现了许多有效的智能分类方法，为解决地物信息自动分类提供了强大的支持。目前常见的高光谱分类方法分为监督分类和非监督聚类方法两种，但这两种方法在高光谱图像实际分类中仍存在一些难以解决的问题。监督方法的主要问题是学习过程在很大程度上取决于训练集的质量和规模，因为标记训练样本类别的成本很高，训练数据集获得代价较大导致训练样本数量非常有限，而样本的获取在高光谱分类中往往是一项比较困难的工作，特别是采用高维特征向量时要求每类的样本数都要比特征维数高，因此在高维信息处理中的精度与效率和高光谱遥感信息精细光谱与大数据量之间就产生了极大的矛盾。非监督方法主要问题是只使用无标记数据，会产生聚类的类别不确定，分类精度低，无法达到预期的分类效果。

近年来发展的半监督学习(semi-supervised learning)分类方法是利用未标注的样本来训练分类器的一种新型机器学习方法，具有小样本学习、抗噪性能强、学习效率高、训练代价小等特点，已成为模式识别与机器学习领域一个新的研究热点。因此，随着成像光谱技术的飞速发展和高光谱影像的海量涌现，研究半监督机器学习的理论方法及在高光谱影像分类中的应用，对改善高光谱遥感影像的分类性能，提高高光谱影像处理的精度和效率，实现高光谱影像的充分利用具有重大理论价值和实际应用意义。

现阶段有一些高光谱遥感影像半监督分类方法，一种基于半监督稀疏鉴别嵌入的高光谱遥感影像分类方法(中华人民共和国知识产权局申请公开号CN103593676A)其采用半监督稀疏鉴别嵌入算法对高光谱遥感影像进行维数简约，结合了近邻流形结构及稀疏性的优点，不仅保留样本间的稀疏重构关系，同时利用少量有标记训练样本以及部分无标记训练样本来发现蕴藏在高维数据的内在属性以及低维流形结构，能够提高对高光谱遥感影像中地物类别的分类精度。而基于图的半监督高光谱遥感图像分类方法(中华人民共和国知识产权局申请公开号CN102096825A)中使用类概率距离计算样本点的近邻点，使用半监督推导实现对高光谱图像的准确分类，大大减小了计算复杂度。

本发明提出的一种基于信息熵的半监督高光谱遥感影像分类方法，针对高光谱数据的特点，在选取较少有标记的训练标签的基础上，通过多分类logistic算法，预测出初级分类结果，然后通过renyi熵来衡量影像的能量，选取包含信息最大的像元补充到训练样本中，再进行预测分类，最终实现高光谱遥感影像准确分类的目的。新的方法具有良好的分类效果，总体分类精度高，错分和漏分错误较少，对于多类密集的地区分类更加具有优势。

发明内容

针对现有技术上存在的不足，本发明目的是在于提供一种基于信息熵的半监督高光谱遥感影像分类方法，解决了高光谱遥感影像中大量存在的无标记标签利用不充足的问题，并提高了分类的精度和效果。

为了实现上述目的，本发明是通过如下的技术方案来实现：一种基于信息熵的半监督高光谱遥感影像分类方法，其包括以下步骤：

(1)输入高光谱遥感影像数据；

(2)输入步骤(1)中高光谱遥感影像数据的训练样本集合；

(3)输入步骤(2)中训练样本集所对应的分类类别集；

(4)依靠训练样本集和分类类别集，使用多分类线性回归的方法计算出高光谱遥感影像中各像元所代表的类别的概率；

(5)根据步骤(4)计算出的各像元类别概率输出各像元对应的类别；

(6)对本次分类结果进行输出，并判断输出结果的精度，如果是第一次迭代则进行步骤(7)，否则与前一次输出结果比较，当两者相差大于事先设定的阈值则继续进行步骤(7)，否则如果小于设定的阈值则输出最终结果；

(7)利用Renyi熵算法对遥感影像中各像元的概率转换为不确定性；