[发明专利]基于局部自适应字典的多尺度协作表达高光谱分类方法

说明书

本发明公开了一种基于局部自适应字典的多尺度协作表达高光谱分类方法，包括步骤如下：读入三维的高光谱高维数据；确定邻域的多个尺度；根据高光谱数据构建联合信号矩阵；根据高光谱数据构建局部自适应字典；求解对应的系数矩阵；重构样本,计算对应的残差；计算不同尺度邻域所对应的残差信息；多尺度邻域残差融合；确定高光谱像元类别得到分类结果。本发明的优点在于：应用多尺度邻域对图像中的空间信息充分利用，使用局部自适应字典避免不相关信息，本发明具有分类图视觉效果好，提高了分类的精度等优点。

技术领域

本发明涉及遥感信息处理技术领域，特别涉及一种基于局部自适应字典的多尺度协作表达高光谱分类方法。

背景技术

高光谱图像包含成百上千个波段信息，能够反映地物的光谱特征。同时，高光谱图像的特点是数据量大、冗余多、维数较高，在波段之间存在着很强的相关性，这些特点对后续的处理带来了挑战。高光谱图像分类主要根据不同地物反射的电磁能量不同，从而表现出波谱的差异性来实现对不同地物的判别，其目标是将图像中的每个像元划分给一个类别。随着技术的发展，稀疏表达分类(Sparse representation classification,SRC)和协作表达分类(collaborative representation classification,CRC)被成功的引入高光谱图像分类中，并具有一定的优势。

现有的高光谱图像分类方法中主要存在以下问题：1、没有充分利用高光谱图像中的邻域信息，不同尺度的邻域信息没有得到综合全面的考虑。2、分类过程中，针对特定像元，不相关信息没有得到有效剔除。上述问题导致高光谱图像不能得到较好的表达致使分类精度不高。针对以上问题，本发明提出一种基于局部自适应字典的多尺度协作表达高光谱分类方法。

例如以下现有技术：

CRC：假设高光谱图像含有j个不同类别的样本，每个类别中选取出一定的训练样本构成训练数据D。在CRC中，采用基于l₂-范数约束表达式求解高光谱图像中所对应的测试像元x的系数α：其中，||·||₂表示l₂-范数，λ为大于零的数，为平衡因子。最终CRC通过选取具有最小正则化重建误差的所对应类别来确定测试像元x的类别。

现有技术的缺点

1、没有充分利用高光谱图像中的邻域信息，不同尺度的邻域信息没有得到综合全面的考虑。

2、分类过程中，针对特定像元，不相关信息没有得到有效剔除。

上述问题导致高光谱图像不能得到较好的表达致使分类精度不高。

发明内容

本发明针对现有技术的缺陷，提供了一种基于局部自适应字典的多尺度协作表达高光谱分类方法，能有效的解决上述现有技术存在的问题。

为了实现以上发明目的，本发明采取的技术方案如下：

一种基于局部自适应字典的多尺度协作表达高光谱分类方法，包括如下步骤：

S1、读入三维的高光谱高维数据，对其进行维数转换使其从三维转换为二维数据以方便后续的处理，二维数据中每一列对应着高光谱图像中的一个像元数据，对所得的二维数据作归一化处理，确定要处理的样本类别数为j；

S2、确定邻域的多个尺度；

根据高光谱图像给出所需邻域的M个尺度W，得到所有领域的尺度，设有M个领域的尺度，设W_e为尺度的大小,设e的初始值为1，e满足1≤e≤M；

S3、根据高光谱数据构建联合信号矩阵XJ；