[发明专利]一种高光谱图像的分类方法及系统

权利要求书

1.一种高光谱图像的分类方法，其特征在于，包括：

将高光谱图像分为训练集和测试集，分别从所述训练集和所述测试集中抽取训练集的局部特征点和测试集的待分类局部特征点，根据所述训练集的局部特征点和所述测试集的待分类局部特征点分别构成训练集特征点集和测试集待分类特征点集；

通过K-means算法对所述训练集的局部特征点进行计算，形成词典；

采用KNN算法，在所述词典中为所述测试集的待分类局部特征点形成最近邻单词；

采用KNN算法，为所述测试集的待分类局部特征点查找最近邻特征点；

在所述最近邻单词中查找出光谱维距离最短的近邻单词；

引入近邻特征点、近邻单词和光谱维距离三重约束，通过求解约束最小乘拟合问题，得到所述测试集待分类特征点集中的待分类局部特征点和词典单词的编码系数；

通过最大池化算法池化所述编码系数，并将池化后得到的编码系数作为所述高光谱图像的特征描述符，根据所述特征描述符对所述高光谱图像的测试集进行分类。

2.如权利要求1所述的分类方法，其特征在于，以Y表示所述测试集的一组待分类局部特征点集，以B表示所述词典，以y_i表示Y中的第i个待分类局部特征点，以Z表示所述编码系数，则：

其中，d_i是待分类局部特征点y_i和词典单词的欧式距离，d_ij是待分类局部特征点和最近邻特征点之间的欧式距离，h_i是y_i和词典单词之间光谱维上的欧式距离，λ₁、λ₂和λ₃为惩罚因子，N表示测试集的一组待分类局部特征点集总数，z_i表示第i个待分类局部特征点的编码系数，z_j表示第i个待分类局部特征点的编码系数。

3.如权利要求2所述的分类方法，其特征在于，所述通过求解约束最小乘拟合问题包括：

通过求解得到所述测试集待分类特征点集中的待分类局部特征点和词典单词的编码系数Z。

4.一种高光谱图像的分类系统，其特征在于，包括：

特征点抽取单元，用于将高光谱图像分为训练集和测试集，分别从所述训练集和所述测试集中抽取训练集的局部特征点和测试集的待分类局部特征点，根据所述训练集的局部特征点和所述测试集的待分类局部特征点分别构成训练集特征点集和测试集待分类特征点集；

特征点计算单元，用于通过K-means算法对所述训练集的局部特征点进行计算，形成词典，采用KNN算法，在所述词典中为所述测试集的待分类局部特征点形成最近邻单词，采用KNN算法，为所述测试集的待分类局部特征点查找最近邻特征点，在所述最近邻单词中查找出光谱维距离最短的近邻单词；

图像分类单元，用于引入近邻特征点、近邻单词和光谱维距离三重约束，通过求解约束最小乘拟合问题，得到所述测试集待分类特征点集中的待分类局部特征点和词典单词的编码系数，通过最大池化算法池化所述编码系数，并将池化后得到的编码系数作为所述高光谱图像的特征描述符，根据所述特征描述符对所述高光谱图像的测试集进行分类。

5.如权利要求4所述的分类系统，其特征在于，以Y表示所述测试集的一组待分类局部特征点集，以B表示所述词典，以y_i表示Y中的第i个待分类局部特征点，以Z表示所述编码系数，则：

其中，d_i是待分类局部特征点y_i和词典单词的欧式距离，d_ij是待分类局部特征点和最近邻特征点之间的欧式距离，h_i是y_i和词典单词之间光谱维上的欧式距离，λ₁、λ₂和λ₃为惩罚因子，N表示测试集的一组待分类局部特征点集总数，z_i表示第i个待分类局部特征点的编码系数，z_j表示第i个待分类局部特征点的编码系数。

6.如权利要求5所述的分类系统，其特征在于，所述图像分类单元求解约束最小乘拟合问题的步骤包括：

通过求解得到所述测试集待分类特征点集中的待分类局部特征点和词典单词的编码系数Z。