[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

说明书

本发明公开了一种多特征类子字典学习的高光谱图像分类方法，步骤为：提取高光谱图像的多种互补特征数据；对每类训练样本利用MFKCSDL模型学习得到相应的类子字典；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；将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；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。本发明能够有效提升字典的判别能力，进而提高高光谱图像的分类精度。

技术领域

本发明属于图像处理技术领域，特别涉及了一种多特征类子字典学习的高光谱图像分类方法。

背景技术

高光谱图像数据维度高、训练样本少及光谱波段间相似度高等问题给它的分类任务带来了诸多挑战。仅利用单个像素点光谱特征的分类模型易受“同物异谱，同谱异物”等因素的影响，分类精度较低。随着研究的不断深入，研究人员发现高光谱图像中刻画近邻间关系的空间信息有助于进一步提高分类精度，进而提出了大量光谱信息与空间信息同时使用的分类模型。该分类模型底层特征的利用以光谱特征为主，综合考虑了图像的纹理、形状及像素邻域等空间信息。但这些简单人工特征的表达能力有限且易受高光谱图像中噪声点的干扰。从有噪声的图像中获得鲁棒特征表示的稀疏表示和字典学习模型在高光谱图像分类领域得到广泛关注。

但目前大多稀疏表示和字典学习方法在利用空间邻域信息的基础上仅考虑了高光谱图像的光谱特征。一种特征仅能从一个角度来刻画图像，而不同类型的特征具有不同的判别力，可提供互补且相关的信息辅助分类。因此，如何有效地利用多种特征信息以提高编码系数的可区分性在高光谱图像分类领域仍需要进一步探索。并且，高光谱图像中还存在特征编码具有相似性的问题，这给高光谱图像的分类带来了挑战。

发明内容

为了解决上述背景技术提出的技术问题，本发明旨在提供一种多特征类子字典学习的高光谱图像分类方法，解决高光谱图像中存在的同物异谱、同谱异物等问题，提高高光谱图像分类精度。

为了实现上述技术目的，本发明的技术方案为：

一种多特征类子字典学习的高光谱图像分类方法，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。

进一步地，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。

进一步地，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：