[发明专利]基于局部信息约束和稀疏表示的光谱图像分类方法及系统

说明书

本发明提供一种基于局部信息约束和稀疏表示的光谱图像分类方法及系统，包括对光谱图像中待分类像素光谱与已知标签像素光谱之间的欧几里得距离度量，根据距离大小确定字典集范围；基于类别信息建立光谱图像分类的数学模型，得到相应的优化问题；根据优化问题求解待分类光谱的丰度系数，根据令目标函数取最小值的解对光谱图像进行分类。本发明通过将欧几里得距离引入优化模型，对字典集形成局部约束，对光谱向量间的欧几里得距离与相关性差异的统一考虑增加了算法的鲁棒性。另外，在优化模型中利用光谱库的先验信息，保证最优解的准确性。本发明技术方案相对于传统方法具有计算量小，分类准确率高的优点。

技术领域

本发明涉及光谱图像分类领域，具体地说，本发明涉及一种基于局部信息约束和稀疏表示的光谱图像分类技术方案。

背景技术

高光谱图像可提供丰富的空间信息与光谱信息。光谱图像中每个像素包含紫外、可见光、近红外、中红外和热红外波段范围内近数百波段的光谱数据。近年来，物质分类已成为光谱图像的最基本技术需求，且被应用于城市规划、地质勘探、环境监测等领域。

在已经提出的分类方法中，最具代表性的方法之一是支持向量机(SVM)，即使在小样本的情况下，SVM也可以取得较为满意的分类结果[1]。近年来，基于稀疏表示的分类方法(SRC)在高光谱图像分类领域得到了越来越多的关注。稀疏表示假设每个测试像素可由给定标签数据集中尽可能少的原子线性组合而成，测试像素的最终标签由最小重构误差对应的类决定。为了解决SRC在高维数据中计算法复杂度高的问题，文献[2]中张等人提出了一种基于l₂范数的协作表示的分类框(CRC)，待测像素由字典中所有原子重构表示，取得了较好的分类效果。此外，为了将稀疏表示与协作表示方法的优点结合起来，李等人[3]提出了基于融合表示的分类方法(FRC)与基于弹性网络表示的分类方法(ENRC)。

尽管上述基于单像素分类的表示方法在高光谱图像中均取得了良好的效果，但没有同时考虑到测试数据与带标签训练集之间的多种差异指标。

[1]Fauvel,M.,Chanussot,J.,Benediktsson,J.A.,Sveinsson,J.R.,2007.Spectral and spatial classification of hyperspectral data using svms andmorphological profiles,in:2007IEEE International Geoscience and RemoteSensing Symposium,IEEE.pp.4834–4837.

[2]Li,W.,Du,Q.,2014.Joint within-class collaborative representationfor hyperspectral image classification.IEEE Journal of Selected Topics inApplied Earth Observations and Remote Sensing 7,2200–2208.

[3]Li,W.,Du,Q.,Zhang,F.,Hu,W.,2016b.Hyperspectral imageclassification by fusing collaborative and sparse representations.IEEEJournal of Selected Topics in Applied Earth Observations and Remote Sensing9,4178–4187.

发明内容

为克服相应技术缺陷，本发明提出了一种基于局部信息约束和稀疏表示的光谱图像分类技术方案。