[发明专利]一种基于自适应核稀疏表示及多特征的高光谱图像分类方法

说明书

本发明公开了一种基于自适应核稀疏表示及多特征的高光谱图像分类方法，该方法包括：(1)采集原始高光谱图像，对所述原始高光谱图像Xsubgt;0/subgt;进行多个特征提取，得到联合组成特征空间X；(2)从X中随机选取部分像素点作为训练样本集D，剩余的像素点作为测试样本集；(3)分别为每个特征构建基础核，根据各个基础核及其权重值计算复合核；(4)每一个测试样本x进行分类，得到分类结果。发明将多核学习方法融入到自适应核稀疏表示分类器中，基于不同特征描述构建基础核，并且计算基础核的权重值，不仅可以利用不同特征间的相关性，同时还能保留各种特征的差异性，有利于改善分类精度。

技术领域

本发明涉及高光谱数据处理技术领域，具体涉及一种基于自适应核稀疏表示及多特征的高光谱图像分类方法，可应用于航天遥感和物质探测等实际工程领域。

背景技术

高光谱图像分类技术是遥感领域的研究热点，它的目标是基于光谱信息和学习到的空间信息，将每一个光谱像素分到特定的类别。为了实现这个目标，很多分类方法被提出，包括SVM，MLR，神经网络，自适应人工免疫网络等等。但是这些方法都只利用了高光谱图像的光谱信息，忽略了其空间信息，因此会产生有噪声的分类结果。

充分利用高光谱图像的空间信息是提高分类精度的有效方法。国内外很多学者分别从不同方面提取了有用的空间信息，与光谱信息相结合，在很大程度上提高了分类精度。并且，一些基于提取多样的特征描述的高光谱图像分类方法被相继提出，例如提取光谱特征，形状特征，纹理特征和滤波特征等。然而，一种特征只能从一个方面来描述光谱像素点，不能完全描述所有类的像素。所以，结合多种特征来描述像素点是高光谱图像分类方法的一个趋势。但是这些基于多特征的分类器也存在一些问题，其中最值得研究的问题是：这些多特征分类器没有充分考虑不同特征之间的相似性和多样差异性。

发明内容

发明目的：为了克服现有技术的不足，本发明提供一种基于自适应核稀疏表示及多特征的高光谱图像分类方法，该方法解决了在多特征空间的像素点趋于线性不可分，并且不能充分考虑多特征之间的相似性和差异性，分类结果较差的问题。

技术方案：本发明所述的基于自适应核稀疏表示及多特征的高光谱图像分类方法，该方法包括：

(1)采集原始高光谱图像，对所述原始高光谱图像X₀进行多个特征提取，得到联合组成特征空间X；

(2)从X中随机选取部分像素点作为训练样本集D，剩余的像素点作为测试样本集；

(3)分别为每个特征构建基础核，根据各个基础核及其权重值计算复合核；

(4)采用形状自适应算法为每一个测试样本x构建自适应区域，并根据所述自适应区域以及复合核分别对每一个测试样本x进行分类，得到分类结果。

进一步地，包括：

所述步骤(3)中，分别为每个特征构建基础核，根据各个基础核及其权重值计算复合核，具体包括：

(31)构建基础核矩阵：

其中，D_ij，j＝1，2，...，C是对角块，N为提取特征的总个数；

(32)计算基础核矩阵K_i和理想核矩阵之间的相似性：

其中，S(D_ij)表示对角块D_ij所有元素的加和，S(K_i)表示矩阵K_i所有元素的加和；

(33)计算基础核的权重值：