[发明专利]一种基于空谱局部性低秩超图学习的高光谱图像分类方法

说明书

本发明公开了一种基于空谱局部性低秩超图学习的高光谱图像分类方法，属于图像信息处理技术领域。本发明方法包括以下步骤：输入高光谱数据集，组成光谱特征矩阵X；设置相关参数，融入空谱局部性约束，构建空谱局部性约束的低秩表示模型；设置相关参数，使用交替方向乘子算法开始迭代求解；根据低秩表示模型中系数矩阵Z构建空谱局部性低秩超图；设置相关参数，建立半监督超图学习模型；设置相关参数，迭代求解半监督超图模型，输出光谱特征数据集X的分类结果矩阵F^*。本发明设计了半监督超图学习算法应用于最后的高光谱图像分类。相对于其他较为先进的方法，本发明的分类效果更好，并且对噪声和图像退化的鲁棒性更高。

技术领域

本发明涉及图像信息处理技术领域，尤其涉及一种基于空谱局部性低秩超图学习的高光谱图像分类方法。

背景技术

遥感成像已经广泛应用于各个领域，包括环境监测、城市规划、重大灾害管理以及精准农业应用之中。大部分应用中，基于像素级别的遥感图像分类都是最先步骤。但是遥感图像自动分类仍然是极具挑战的问题。首先，在图像获取过程中，存在各种成像退化因素，比如由传感器，光子效应和校准误差引起的噪声干扰、条纹腐蚀和数据缺失。其次，由于电磁谱较窄的波段中进行了密集的光谱采样，所以高维度的光谱特征间会存在高度相关性。再次，遥感成像有很强的空谱一致性，这样光谱或空间域中邻近像素点很可能属于同一类。最后，样本集中通常既有一定数量的已标记类别的样本，又有很多未标记类别的样本。

现有的文献中存在很多针对上述问题的解决方法，但是大多数都是围绕特征表示方面的，独立成分分析(ICA)被用来提取独立的成分以表示遥感图像中的样本。作为一种非监督特征提取方法，ICA方法忽略了已标记样本所包含的信息。为了解决这个问题，Fisher线性判别分析(LDA)被用于学习样本具备识别力的表示。它的目的在于寻求一种具有判别力的向量，可以使得类间距离与类内距离比例最大化。非参数加权特征提取是LDA的创新点。它提出了强调类分布边界之间的可分性一个新的标准。而且，在没有足够的训练样本时，为了充分使用未标记样本，多个文献中同时提出了半监督的LDA方法。廖等人在使得已标记样本类别之间距离最大化时，设计了一种优化目标矩阵来保留未标记样本的局部邻近信息。最近，据观测知，属于同一类别的样本，大约都存在于同个低维子空间中，所以稀疏编码通过给定字典的一些原子被成功用于学习最初样本的稀疏表示。同样地，低秩表示(LRR)被应用于高光谱图像复原中。

还有一些关于分类器设计的工作。在过去的几十年中，核方法尤其是支持向量机(SVMs)介于多重优势，比如对数据维数敏感度较低以及对噪声数据的鲁棒性的优点，已被广泛应用于遥感图像的分类。最近，为了利用未标记样本的信息，半监督分类器已被广泛应用。一个主流方法是基于SVM分类器。为了同时最大化标记与未标记样本边界，一种直推式SVM方法由此提出。此外，一种复合半监督SVM方法将先进的半监督SVM方法和空谱混合核函数相结合，从而提高训练阶段只有少量训练样本时的可靠性。另一个主流的半监督分类器是基于图模型的。该方法中，每个样本将自己的标记信息传递给它的邻近样本直到整个数据集达到全局稳定状态。有的科研工作者采用k邻近方法(KNN)构建半监督图模型，并且使用复合核来计算图每边的权重。图模型也可以与SVM分类器相结合，有人把非正则图的拉普拉斯矩阵融入SVM中，产生拉普拉斯SVM方法。除了上述两种主流方法，还存在许多其他半监督分类器。比如经典的协同训练算法用标记样本训练了两个分类器，然后以高可靠度选择未标记样本来单独训练其他分类器。还有一种半监督自学习方法将已有的主动学习算法适应自学习框架，该框架中机器学习算法选择最有用和信息量最为丰富的未标记样本以实现分类的目的。

本发明针对高光谱图像分类，公开了一种基于空谱局部性低秩超图学习的方法。该方法为了保留局部流形结构，将局部性约束融入低秩表示模型(LRR)，鉴于空间信息在分类效果中起着重要作用，本发明通过空谱相似性引入局部性约束。同时为了充分利用未标记样本所包含的信息，本专利采用半监督分类器进行最后的分类。由于高光谱遥感图像的空谱信息联合的特点，二元关系不足以描述样本间的关系，不然会使得有用信息流失，因此本专利还采用了超图模型来描述样本间的空谱联合关系以获得更好的分类效果。