[发明专利]基于子空间核范数正则化回归模型的高光谱图像分类方法

说明书

本发明公开了一种基于子空间核范数正则化回归模型的高光谱图像分类方法，包括波段选择、样本表示、建立分类模型和设计优化算法、综合各波段分类结果输出最终分类结果，利用稀疏表示模型对波段进行选择，剔除非鉴别性的波段，能够提高后续分类精度和速度，通过建立子空间核范数正则化回归模型对高光谱图像进行分类，提高分类精度，可用于地质勘探、农业种植统计等领域，具有良好的应用前景。

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于子空间核范数正则化回归模型的高光谱图像分类方法。

背景技术

高光谱成像技术是通过搭载在不同平台上的成像光谱仪，在电磁波谱的紫外、可见光、近红外和中红外区域，以多个连续且细分的光谱波段对目标区域成像，在捕获地表图像信息的同时也获得其光谱信息。因此，光谱波段信息丰富有助于区分光谱相似的目标，从而高光谱图像在遥感中起着至关重要的作用。

目前，在生态科学中，高光谱图像常用于估计生物数量、生物多样性或研究土地覆盖变化等；在地质科学中，高光谱图像被用于检测矿物成分及其丰度，探测土壤中水分、有机物和矿化度等比例；在水文科学中，利用高光谱图像可以确定湿地特征的变化，也可以分析水质、河口环境和海岸带；在精准农业应用中，高光谱图像被用来对农作物进行分类，提取氮含量，识别植物种类等；在军事应用中，高光谱图像又被用于特定军事目标检测，得到了广泛的应用。

虽然，高光谱图像在各个领域的应用较多，但这些应用的前提条件是对高光谱图像进行准确分类，图像分类是指将图像中的像素点汇聚到不同的类别中，使得同一类的像素具有相似的性质。目前图像分类的方法较多，但是由于高光谱图像的高维度、标记样本量少、光谱特征的空间变异性都为高光谱图像的分类带来了挑战，此外，如何表示高光谱图像中的像素间的空间相关性以及图像上下文先验仍是值得深入研究。

近十年来，许多学者对高光谱图像分类问题进行了积极研究，提出了许多新的高光谱图像分类方法，主要包括如下几类：

(1)监督学习的高光谱图像分类方法，该类方法主要是利用已知样本训练分类模型，利用分类模型对待分类样本进行分类；

(2)无监督学习的高光谱图像分类方法，该类方法主要通过像素点的相似性，自动将图像中具有相似性质的像素点汇聚在一起达到分类的目的，但该方法在未知类别个数以及先验缺失的情况下分类精度比监督学习的高光谱图像分类方法低；

(3)半监督学习的高光谱图像分类方法，该方法主要是针对训练数据量较少时监督学习方法分类效果不佳的问题，利用自学习和协同学习的思想对高光谱图像进行分类。

在实际应用中，当训练样本充足时，对选择监督学习的分类方法，但该类方法如何解决高光谱图像中存在的空间相关性以及上下文先验，以进一步提高高光谱图像的分类准确性，也是当下需要解决的问题。

发明内容

本发明的目的是克服现有的高光谱图像分类方法所存在的不足。本发明的基于子空间核范数正则化回归模型的高光谱图像分类方法，利用稀疏表示模型对波段进行选择，剔除非鉴别性的波段，能够提高后续分类精度和速度，通过建立子空间核范数正则化回归模型对高光谱图像进行分类，提高分类精度，可用于地质勘探、农业种植统计等领域，具有良好的应用前景。

为了达到上述目的，本发明所采用的技术方案是：

一种基于子空间核范数正则化回归模型的高光谱图像分类方法，包括以下步骤，

步骤(A)，对已知的高光谱图像进行波段选择，构建新的待分类高光谱图像；

步骤(B)，根据新的待分类高光谱图像，将每个波段的该待分类高光谱图像上的二维图像取图像中每个像素点所在的图像块表示成该像素点在该波段上的特征；