[发明专利]一种基于Chernoff距离和SVM的高光谱数据多分类方法

权利要求书

1.一种基于Chernoff距离和SVM的高光谱数据多分类方法，其特征在于所述方法步骤如下：

一、对输入数据进行预处理，得到归一化数据；

二、计算任意两个类别之间的Chernoff距离，得到Chernoff距离矩阵，所述Chernoff距离计算方法如下：

其中，Ω^k_p，q为第p类和第q类之间的Chernoff距离，k为当前波段号，Mean_p与Mean_q分别为第p类和第q类在第k-1、k和k+1三个波段上的均值矩阵，Cov_p与Cov_q分别为第p类和第q类在第k-1、k和k+1三个波段上的协方差矩阵，β为Chernoff距离调节参数，且0＜β＜1；

Chernoff距离矩阵计算方法如下：

C_p，q为B×1的向量，B表示多光谱遥感图像的波段数目，p＝{1，2，...，L}，q＝{1，2，...，L}且p≠q；

三、确定多分类任务OAA策略下的执行顺序表，得到每个波段以及全波段的可分性度量；

四、构建基于Chernoff距离的子分类器指导系数，具体步骤如下：

1)对于最先分类的类别Class₁，若Class₁＝i，其中i∈{1，2，...，L}，L 是类别数目，即Class₁对应的类别为第i类，位于Chernoff矩阵中的第i行，则子分类器指导系数为

2)按照OAA策略下的执行顺序表<Class₁，Class₂，...，Class_l，...，Class_L>，进行到Class_l的时候，若Class_l＝j，其中j∈{1，2，...，L}，计算时把已分类类别的Chernoff距离向量C_p，q排除在外，则子分类器指导系数为

3)最后对CIass_L-1和Class_L分类，只需进行一次分类即可；

五、采用基于Chernoff距离的加权SVM分类器执行整个OAA策略所确定的分类任务，直到得到各个测试样本的最终单一类别属性。

2.根据权利要求1所述的基于Chernoff距离和SVM的高光谱数据多分类方法，其特征在于所述步骤一的具体步骤如下：

1)对于拍摄的多光谱遥感图像其中Row，Column表示多光谱遥感图像的宽和长，B表示多光谱遥感图像的波段数目，设x_z∈R^B，z＝1，2，...，N是B维样本，y_z∈{1，2，...，L}是与x_z相关的类别标签，其中N是样本数目，L是类别数目；

2)将同一类别的像素全部集中到一起，对所有像素中涉及到分类类别的像素都进行同样处理；

3)给分组系数Group赋值；

4)将原始样本分为训练样本与测试样本，分别用二维矩阵TrainSamples和TestSamples来表示，列向量对应单一像素的各波段的光谱信息数据；

5)对训练样本和测试样本进行归一化处理。

3.根据权利要求1所述的基于Chernoff距离和SVM的高光谱数据多分类方法，其特征在于所述β数值选择