[发明专利]基于相关熵原则的高光谱图像分类方法和系统

权利要求书

1.基于相关熵原则的高光谱图像分类方法，其特征在于，包括如下步骤：

步骤1，输入一副高光谱图像，并对图像进行归一化处理，使其范围在[0，1]之内；

步骤2，从该归一化的高光谱图像中选择p％的像素作为训练样本，剩余的(100-p)％的标记像素作为测试样本；

步骤3，通过线性判别分析和相关熵原则的交替进行构造具有L层的层次模型，利用训练样本的类别标签和空间信息对该模型进行训练，得到用于特征学习的层次模型；

步骤3的具体实现方式如下，

3a)确定层次模型的层数为L，令l＝{1,2,…L}；

3b)将归一化后的高光谱图像数据作为该层次模型第一层的输入；

3c)利用线性判别分析方法对训练样本进行维数约简，得到第1层上的投影方向；

3d)根据得到的第1层上的投影方向对输入数据立方中的每一个像素向量进行降维；

3e)在降维后的数据立方上采用相关熵原则进行多尺度滤波，该滤波过程是一迭代过程，迭代公式为，

其中，r为迭代次数，为第r+1次迭代结果，S_i,j为输入中坐标为(i,j)处的数据向量，S_m为局部邻域中第m个输入数据，M为邻域内输入数据的数目，为第m个输入数据第r次迭代的结果，β为模型中待设定参数，c为输入数据和滤波后数据的交叉熵与滤波后数据的信息势之比，G_σ为高斯核函数；

3f)将3e)得到的数据立方作为输入，循环执行步骤3c)-3f)，依次得到共L层的滤波数据；

3g)得到层次模型，并输出训练样本的空谱特征；

步骤4，将归一化图像输入到训练好的层次模型中，提取测试样本的空谱特征；

步骤5，将得到的测试样本的空谱特征输入到KNN分类器中，得到测试样本的类标签，完成分类。

2.如权利要求1所述的基于相关熵原则的高光谱图像分类方法，其特征在于：步骤1中对图像进行归一化处理的公式为，

其中，M_x＝max(I(:)),M_n＝min(I(:))分别为输入图像上像素值的最大值和最小值，并且是坐标为(i,j)的像素I_ij中第个谱带，为归一化的高光谱图像上坐标为(i,j)的像素中第个谱带。

3.基于相关熵原则的高光谱图像分类系统，其特征在于，包括如下模块：

归一化处理模块，用于输入一副高光谱图像，并对图像进行归一化处理，使其范围在[0，1]之内；

样本选取模型，用于从该归一化的高光谱图像中选择p％的像素作为训练样本，剩余的(100-p)％的标记像素作为测试样本；

层次模型构建模块，用于通过线性判别分析和相关熵原则的交替进行构造具有L层的层次模型，利用训练样本的类别标签和空间信息对该模型进行训练，得到用于特征学习的层次模型；

层次模型构建模块中获得层次模型的具体实现方式如下，

3a)确定层次模型的层数为L，令l＝{1,2,…L}；

3b)将归一化后的高光谱图像数据作为该层次模型第一层的输入；

3c)利用线性判别分析方法对训练样本进行维数约简，得到第1层上的投影方向；

3d)根据得到的第1层上的投影方向对输入数据立方中的每一个像素向量进行降维；

3e)在降维后的数据立方上采用相关熵原则进行多尺度滤波，该滤波过程是一迭代过程，迭代公式为，

其中，r为迭代次数，为第r+1次迭代结果，S_i,j为输入中坐标为(i,j)处的数据向量，S_m为局部邻域中第m个输入数据，M为邻域内输入数据的数目，为第m个输入数据第r次迭代的结果，β为模型中待设定参数，c为输入数据和滤波后数据的交叉熵与滤波后数据的信息势之比，G_σ为高斯核函数；

3f)将3e)得到的数据立方作为输入，循环执行步骤3c)-3f)，依次得到共L层的滤波数据；

3g)得到层次模型，并输出训练样本的空谱特征；

空谱特征提取模块，用于将归一化图像输入到训练好的层次模型中，提取测试样本的空谱特征；

KNN分类模块，将得到的测试样本的空谱特征输入到KNN分类器中，得到测试样本的类标签，完成分类。

4.如权利要求3所述的基于相关熵原则的高光谱图像分类系统，其特征在于：归一化处理模块中，对图像进行归一化处理的公式为，

其中，M_x＝max(I(:)),M_n＝min(I(:))分别为输入图像上像素值的最大值和最小值，并且是坐标为(i,j)的像素I_ij中第个谱带，为归一化的高光谱图像上坐标为(i,j)的像素中第个谱带。