[发明专利]一种基于加权邻域的多尺度高光谱图像分类方法

说明书

本发明提供一种基于加权邻域的多尺度高光谱图像分类方法，包括以下步骤：(1)、读入高光谱图像数据；(2)、根据高光谱数据选取训练样本，构建字典D；(3)、确定待处理测试样本的多尺度邻域信息；(4)、针对尺度为C_e的邻域集合，确定邻域元素所占的权重；(5)、求解尺度为C_e邻域所对应的系数矩阵Ψ_e；(6)、重构样本，计算尺度为C_e邻域所对应的重构残差集合R_e；(7)、计算不同尺度邻域所对应的重构残差信息；(8)、通过重构残差集合，最终确定高光谱像元类别。本发明通过对邻域元素分配不同的权重，来考虑不同元素之间的差异性；采用多尺度邻域，使不同尺度邻域的丰富信息得到综合的利用；分类图视觉效果好，提高了分类的精度。

技术领域

本发明涉及遥感信息处理技术领域，特别涉及一种基于加权邻域的多尺度高光谱图像分类方法。

背景技术

高光谱图像通过光学传感器所采集，通常高光谱图像具有维数高、信息海量等特点。高光谱图像分类是将每个像元所包含的所有波谱信息作为一个整体，不同类别所对应的波谱信息由于地物反射电磁能量不同而存在一定的差异性，依据这种差异性将每个像元赋予样本类别标号。联合协作表达分类(Joint collaborative representationclassification,JCRC)被成功的引入高光谱图像分类中，并具有一定的优势。

JCRC：假设高光谱图像含有j个不同类别的样本，每个类别中选取出一定的训练样本构成训练数据D。采用一个固定尺寸的正方形窗口作为邻域窗口，其中测试像元x作为中心元素，将邻域中所有像元组成联合矩阵XJ来参与系数ψ的求解。ψ可用获取，||·||_F表示Frobenius范数，λ为大于零的数，为平衡因子。最终JCRC通过选取最小残差的类别来标记测试像元x。

JCRC分类方法存在的问题：1、邻域内元素在分类中所占比重相同，没有考虑到元素的差别性。2、邻域尺度单一，没有有效的利用多尺度邻域的丰富信息。

上述问题导致高光谱图像不能得到较好的表达致使分类精度不高。

发明内容

本发明针对现有技术的缺陷，提供了一种基于加权邻域的多尺度高光谱图像分类方法，能有效的解决上述现有技术存在的问题。

为了实现以上发明目的，本发明采取的技术方案如下：

一种基于加权邻域的多尺度高光谱图像分类方法，包括以下步骤：

(1)、读入高光谱图像数据；

(2)、根据高光谱数据选取训练样本，构建字典D；

(3)、确定待处理测试样本的多尺度邻域信息；

(4)、针对尺度为C_e的邻域集合，确定邻域元素所占的权重；

(5)、求解尺度为C_e邻域所对应的系数矩阵Ψ_e；

(6)、重构样本,计算尺度为C_e邻域所对应的重构残差集合R_e；

(7)、计算不同尺度邻域所对应的重构残差信息；

(8)、通过重构残差集合，最终确定高光谱像元类别。

优选的，步骤(1)包括以下过程：

读入三维高光谱数据维数为b*L*q，其中图像大小为b*L，具有q个波段。

优选的，步骤(2)包括以下过程：