[发明专利]一种非局部加权联合稀疏表示的高光谱图像分类方法

说明书

本发明实施例公开了一种非局部加权联合稀疏表示的高光谱图像分类方法，首先，根据训练样本来获得一个自适应的阈值。然后，利用已得到的阈值和十字窗相似法进行类间差异较大点的排除和其余点权重的计算。接着利用得到的权重对搜索窗内的点进行加权获得联合信号矩阵。最后，将联合稀疏信号矩阵进行联合稀疏表示分类方法的操作，得出中心待测点的类别。采用本发明，通过使用像素间光谱角取代欧氏距离来衡量像素间的相似性，充分地利用高光谱遥感数据的数据信息，克服其维数过高导致的一系列问题，且稀疏表示分类效果理想，很好地减少异类点对中心待测点的干扰。

技术领域

本发明涉及遥感图像处理领域，尤其涉及一种基于自适应阈值的非局部加权联合稀疏表示的高光谱图像分类方法。

背景技术

高光谱成像技术自上世纪80年代被提出以来，对其研究便从不间断。当前高光谱遥感数据一般拥有几十甚至几百个光谱波段的信息，丰富的光谱信息使得它在识别和区分各类地物中具有得天独厚的优势。不仅如此，当前高光谱传感器空间分辨率的不断提高，即使空间结构较小的地物特征也可以通过高光谱遥感图像进行分析。由于具有多时相等、丰富光谱信息的特点，且覆盖范围广泛，其应用技术也不断提高，使得高光谱遥感图像得以被应用到生态科学、地质科学、水文科学、军事应用、精细农业等诸多方面。在对高光谱图像信息进行提取的诸多途径中，分类是目前高光谱图像处理领域的一个研究热点，它一般是通过对高光谱遥感图像数据进行光谱维上的分析，将高光谱图像中的每个像素划分为不同的地物类别。一旦对高光谱图像进行分类后，便可从分类后的图像中了解到实际场景中各类地物的分布情况，达到自动识别地物的目的，并可进一步服务于相关应用部门的产品化。

近年来高光谱图像分类算法虽然取得了一定的进展，但由于高光谱图像具有维数高、谱间冗余度大、训练样本有限以及存在噪声等特点，使得分类的速度和精度有待提高，不能满足实际应用的需要。特别是在光谱分辨率提高的情况下，数据维数也必定增加，这导致在采用高光谱图像进行精细分类的同时也将产生“维数灾难”。“维数灾难”问题不仅会对数据的处理带来巨大的计算压力，同时也有可能导致分类和识别无法正常进行。因而如何充分地利用高光谱遥感数据丰富的光谱信息，克服其维数过高导致的一系列问题，以及如何解决小样本问题，成为研究的重点。

发明内容

本发明实施例所要解决的技术问题在于，提供一种非局部加权联合稀疏表示的高光谱图像分类方法。可充分使用高光谱遥感数据解决其维数过高导致的一系列问题。

为了解决上述技术问题，本发明实施例提供了一种非局部加权联合稀疏表示的高光谱图像分类方法，包括以下步骤：

S1：将高光谱图像数据集分成训练样本数据集和测试样本数据集；

S2：使用各类训练样本光谱角并选择中间值作为后续操作的自适应阈值；

S3：利用所述自适应阈值对以每一个测试样本为中心的搜索窗内的邻点进行预排除；

S4：对搜索窗内剩余的点采用十字相似窗来进行与中心测试点相似性的度量，找出最相似的相似结构并计算与中心相似块的光谱角；

S5：利用步骤4)得到的光谱角，使用巴托沃斯函数进行权重计算，最终得到搜索窗内各点的权重；

S6：将得到的权重赋权给搜索窗内的每一点形成联合信号矩阵，并将利用稀疏表示方法得到稀疏系数矩阵；

S7：进行各类子字典和对应稀疏系数重建误差比较，并最终得到分类结果。

进一步地，所述步骤S2中的自适应阈值通过以下方法得出：

通过随机选取的训练样本分别求均值并计算它们之间两两的光谱角，最后选择中间值。

更进一步地，所述步骤S3中所述预排除的步骤包括：