[发明专利]一种基于置信度构造类属字典的高光谱无监督分类方法

权利要求书

1.一种基于置信度构造类属字典的高光谱无监督分类方法，其特征在于步骤如下：

步骤S1：构造高光谱图像的二维光谱-像元矩阵，即对高光谱图像按照逐像元光谱向量排列形成光谱-像元矩阵；

步骤S2：行和列规范化处理，得到规范化光谱-像元矩阵；

步骤S3：奇异值特征抽取与选择，即对规范化后的光谱-像元矩阵进行奇异值SVD分解，选取左右奇异特征向量形成特征向量矩阵；

步骤S4：粗分类，即利用K均值方法对特征向量矩阵进行分类，得到各光谱像元的粗分类结果，即把Z中每一行看作待分类的各样本，对特征向量矩阵Z粗分类，得到B+N个类别标签，前B个为二维光谱-像元行对应的类别标签，后N个为列对应的类别标签，即N个像元对应的类别标签；此步粗分类得到类别集合C₁,C₂,...,C_m为粗分类结果，其中m≥2为指定类别数，B为高光谱图像的波段数，N为高光谱图像的像元数；

步骤S5：基于置信度构造类属字典，即由粗分类的结果，对每类的光谱像元与其类别中心欧氏距离作为置信度评价准则，通过置信度筛选进一步划分为低置信度光谱像元样本和高置信度分类样本，高置信度分类样本构成类属字典；

步骤S6：基于核化稀疏表示二次分类，即由类属子字典对低置信度光谱像元样本进行核化稀疏表示，通过最小类别重建误差确定低置信度光谱像元样本的类别标签；

所述步骤S5中的置信度构造类属字典的方法如下：

第一步，计算各类别均值向量：对类C_k中所有像元样本求均值向量且n_k为类C_k中像元个数，k＝1,2,...,m；

第二步，每类中各像元与均值向量求欧氏距离：如第k类中像元与μ_k作光谱维上的欧氏距离运算

第三步，选取高置信度分类样本作为字典：将类别C_k中各像元与类别中心的欧式距离值作升序排列，选取前个最小距离值对应的像元集合，作为类别C_k的子字典，记为D_k；依次对m个类别做上述操作，合并各类别子字典为字典D，即对粗分类结果的各像元类别标签，提取字典中各像元对应的类别标签，剩余的像元(X/D)称作低置信度分类样本，进行基于核化稀疏表示的二次分类，其中σ为控制参数，符号“∪”表示集合并运算，“/”表示集合减运算；

第四步，输出高置信度样本的分类结果，低置信度样本进行基于核化稀疏表示的二次分类。

2.根据权利要求1所述的方法，其特征在于步骤S1中二维光谱-像元矩阵构造方法如下：

输入一幅高光谱图像X₀∈R^W×H×B，构造此高光谱图像的二维光谱-像元矩阵，即对高光谱图像X₀按照逐像元光谱向量排列形成光谱-像元二维矩阵X∈R^B×N，且X＝[x₁,x₂,…,x_N]，其中x_i∈R^B表示X中第i个像元，i＝1,2,...,N，且x_i＝[x_i1,x_i2,...,x_iB]^T，其中x_ij∈R表示像元x_i中第j维的光谱值，j＝1,2,...,B，其中N＝W×H表示像元数，“T”为矩阵的转置符号，W和H分别表示空间维的宽度和长度，B表示波段数。