[发明专利]一种多特征类子字典学习的高光谱图像分类方法

权利要求书

1.一种多特征类子字典学习的高光谱图像分类方法，其特征在于，包括以下步骤：

(1)提取高光谱图像的多种互补特征数据；

(2)对每类训练样本利用MFKCSDL模型学习得到相应的类子字典；

(3)利用基于分水岭的图像分割方法将高光谱图像划分成若干空间组；

(4)将步骤(2)学习得到的类子字典组合应用到MFKJSR模型，获得每个空间组像素点的多特征表示系数；

(5)通过空间组中所有像素点的多特征重构误差最小，预测空间组中像素点的类别标签。

2.根据权利要求1所述多特征类子字典学习的高光谱图像分类方法，其特征在于，在步骤(1)中，所述多种互补特征数据包括光谱、梯度、纹理和形状特征。

3.根据权利要求1所述多特征类子字典学习的高光谱图像分类方法，其特征在于，在步骤(2)中，所述MFKCSDL模型通过以下步骤得到：

(a)设高光谱图像中第k类特征数据表示的第c类训练样本矩阵为其中，k＝1,2,…,K，K为特征总数，n_c为第c类训练样本的个数，b^k为第k种特征的维度；对应在核空间中的表示为同一特征空间中的像素点能够由其他像素点进行线性表示，表示模型为：为第k种特征数据字典在核空间中的表示，为对应的编码系数矩阵；

(b)同类训练样本数据属于相同的地物，能够由相同的字典原子来表示，因此，设同类训练样本数据得到的相应编码系数矩阵中非零元素所在的行是相同的，即相应的编码系数矩阵具有行稀疏性，而非零元素值的大小有所不同；由于是对应于同类训练样本不同特征对应的像素点矩阵，设不同特征对应的稀疏系数共享相同的稀疏模式；

(c)结合步骤(a)和(b)，得到MFKCSDL模型：

其中，为字典的第i个原子，λ为正则化参数，下标“row,0”表示行稀疏。

4.根据权利要求1所述多特征类子字典学习的高光谱图像分类方法，其特征在于，在步骤(2)中，根据表示理论，字典能够调整为训练样本的表示：其中，为变换矩阵，N_c为第c类子字典的原子个数，令将MFKCSDL模型转变成以下等价形式：

5.根据权利要求4所述多特征类子字典学习的高光谱图像分类方法，其特征在于，步骤(2)的具体步骤如下：

(21)初始化图像矩阵Y，矩阵

(22)固定每类样本数据上的矩阵V_c，每类训练样本数据的稀疏表示系数矩阵Ψ_c通过下式求解：

其中，为核函数；

(23)固定第c类训练样本数据的多特征稀疏系数矩阵Ψ_c，该类数据的每种特征相应的变换矩阵都能够独立求解：

令该目标函数的梯度等于零，则可直接计算获得；

(24)重复步骤(22)-(23)，直至满足迭代终止条件，输出矩阵

6.根据权利要求3-4中任意一项所述多特征类子字典学习的高光谱图像分类方法，其特征在于，在步骤(3)中，首先获取高光谱图像的梯度图像，然后基于梯度图像利用分水岭分割算法进行高光谱图像分割，获得高光谱图像的分割图，将其划分成若干个空间组{g₁,g₂,…,g_i,…g_G}，G表示空间组总数。

7.根据权利要求6所述多特征类子字典学习的高光谱图像分类方法，其特征在于，在步骤(4)中，设高光谱图像中第k种特征数据表示的空间组g_i中像素点集合表示为其中，|g_i|表示空间组g_i中像素点个数；将学习得到的所有类别的类子字典进行组合，构成该对应总字典C表示高光谱图像中包含的样本种类总数；将Φ(D^k)应用于以下MFKJSR模型中，获得每个空间组像素点的多特征稀疏表示系数

其中，γ_gi为第i个空间组g_i的正则化参数。

8.根据权利要求7所述多特征类子字典学习的高光谱图像分类方法，其特征在于，在步骤(5)中，步骤(4)求得的多特征稀疏表示系数包含了与未知样本类别相关的信息，利用残差将空间组g_i中所有像素点划分到残差最小对应的类别当中，确定空间组中测试像素点的类别标签：

其中，表示中与第c类字典原子相关的稀疏表示系数，表示用第c类子字典对Y_gi进行重构的残差，