[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

说明书

本发明公开了一种基于置信度构造类属字典的高光谱图像无监督分类方法，该方法首先构造二维光谱—像元矩阵；行和列规范化处理；特征抽取与选择，得到各像元的降维特征；粗分类和置信度评估，即利用降维特征对各像元进行分类计算各光谱像元与其粗分类类别中心的欧氏距离，作为置信度水平，得到高置信度分类样本和低置信度分类样本；最后，基于核化稀疏表示进行二次分类，即由高置信度分类样本构成类属字典，对低置信度分类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的分类标签。本发明克服了直接利用全部光谱数据构造字典所带来的分类子空间刻画精度不足和计算复杂度过高的问题，提高了字典子空间鉴别性，降低了误分类错误率。

技术领域

本发明属于高光谱图像无监督技术领域，，特别是一种基于置信度构造类属字典的高光谱无监督分类方法。

背景技术

高光谱图像数据按照光谱区间内的几十甚至几百个连续的窄波段的波长进行分解，具有丰富的地物光谱特征信息，可广泛应用于地物精细分类、矿产调查等领域。如何利用高光谱的海量数据以及高维特点，将高光谱图像的各种特征相结合，研究快速、高效的目标识别与分类算法一直是高光谱图像处理研究的一个热点。

高光谱图像无监督分类方法，由于没有人工标记样本，经典方法往往分类精度较低。例如，常见的K均值分类和谱聚类方法在高光谱图像无监督分类应用中，其总体分类精度很难达到70％以上。由于高光谱图像在由原始训练样本组成的字典表示下的稀疏特性，不同类的地物光谱特征位于不同的低维子空间，即某一光谱特征仅能被该类地物光谱特征组成的字典稀疏表示，从而利用稀疏表示模型来抽取稀疏表示特征，建立鉴别性子空间来实现分类。稀疏表示分类方法中，构建具有鉴别性的稀疏子空间是其关键问题[M.Yang，F.de Hoog，Y.Fan and W.Hu，Adaptive Sampling by Dictionary Learning forHyperspectral Imaging，in IEEE Journal of Selected Topics in Applied EarthObservations and RemoteSensing，vol.9，no.9，pp.4501-4509，Sept.2016.]。

通常，构建稀疏表示的字典有两种方法：(1)采取图像光谱像元样本直接构造；(2)字典学习方法[练秋生,石保顺,陈书贞.字典学习模型、算法及其应用研究进展[J].自动化学报,2015,(02):240-260.]。通过利用图像原始数据样本，用部分或者所有光谱像元来构造稀疏表示的字典，该方法虽然构造形式简单且计算复杂度低，但是稀疏子空间的鉴别性不足，导致此方法构建字典进行稀疏表示的误分类率比较高。字典学习的方法，通过样本学习获得表示字典能更好地与图像本身结构匹配，具有更稀疏的表示，但计算复杂度很高。

发明内容

本发明的目的在于提供一种基于置信度构造类属字典的高光谱无监督分类方法，利用基于置信度构造的类属字典对样本进行核化稀疏表示，进而进行二次分类。

实现本发明目的的技术解决方案：一种基于置信度构造类属字典的高光谱无监督分类方法，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；