[发明专利]一种基于哈希学习的高光谱图像分类方法

权利要求书

1.一种基于哈希学习的高光谱图像分类方法，其特征在于，包括：

将高光谱图像做零均值化处理，得到高光谱数据均值；

根据所述高光谱数据均值和样本均值的确定真实图像中每一类地物的非目标地物的光谱特征；

根据所述光谱特征定义哈希函数，并计算所述哈希函数的偏移量、最大特征向量；

根据所述偏移量、最大特征向量提取哈希语义特征；

根据所述提取的哈希语义特征进行高光谱图像分类；

所述根据定义哈希函数计算矩阵M的最大特征向量，包括：

定义哈希函数h为

h(x)＝sgn(w^Tx+b) (1)

其中，w是子空间投影向量，b为偏移量，x为像元向量；

根据第i(1＝i＝p)类目标类别中心与非第i类类别中心之间的距离，

采用公式

计算单独类间的隶属度，cb1为单独类间的隶属度, 其中，d_i为目标类别的聚类中心,u_i为非第i类类别的聚类中心

根据第i类目标类别中心与第j类类别中心之间的距离，采用公式

计算所有目标地物类间隶属度，cb2为所有目标地物类间隶属度；

根据第i类样本像元之间的距离，采用公式

计算第i类样本的单独类内隶属度，cw1为第i类样本的单独类内隶属度，其中r_i为i类的像元；

根据第i类样本像元r_i与像元四邻域r_Ni之间的距离，采用公式

计算第i类样本的邻域类内隶属度，cw2为第i类样本的邻域类内隶属度；

根据第i类样本像元之间的距离，采用公式

计算第i类样本与其他类别之间的类内隶属度，cw3为第i类样本与其他类别之间的类内隶属度；

根据所述单独类间的隶属度、所有目标地物类间隶属度、单独类内隶属度、第i类样本的类内隶属度以及第i类样本与其他类别之间的邻域类内隶属度确定损失函数为：

其中，cB为目标地物的类内隶属度，cW为地物间的类间隶属度；

根据所述损失函数对所述单独类间的隶属度、所有目标地物类间隶属度、单独类内隶属度、第i类样本的类内隶属度以及第i类样本与其他类别之间的邻域类内隶属度进行哈希学习，得到

cw1＝w^Tcw1′w (8)

cw2＝w^Tcw2′w (9)

cw3＝w^Tcw3′w (10)

cb1＝w^Tcb1′w (11)

cb2＝w^Tcb2′w (12)

根据优化目标函数为

引入拉格朗日乘子

计算矩阵M的特征值集合{v}和特征向量集合{e}，其中将特征值集合中最大的特征值v_max对应的特征向量记为w_max，即所求的W的值为w_max，对所有的目标类别均采用相同的操作，得到w_max(i)，其中w_max(i)表示第i类的w_max值；

利用以下公式对参数b进行哈希学习，得到b

b＝mean(w^Tx) (15)。

2.根据权利要求1所述的方法，其特征在于，所述根据所述偏移量、最大特征向量提取哈希语义特征，包括：

采用公式：

计算第i类地物的哈希函数中的偏移量b_i，r_i是第i个像元，class(i)是第i个类别的像元集合；

根据所述偏移量、所述最大特征向量提取哈希语义特征为：

r_h＝sgn(r*w_max(i)+b_i) (17)

其中，r表示像元，r_h表示最大特征向量提取的哈希语义特征；

根据所述哈希语义特征提取其第i类地物对应的二进制哈希语义特征为：

其中，r_hash表示二进制哈希语义特征。