[发明专利]一种多核机器学习融合多尺度特征的高光谱地物分类方法

说明书

本发明公开了一种多核机器学习融合多尺度特征的高光谱地物分类方法，包括以下步骤：1)获取高光谱图像，再使用非均匀采样滤波核在每一波段上对高光谱图像进行二维空间非均匀滤波采样，再将采样得到的二维矩阵拉伸变换为一维向量，最后使用PCA对二维矩阵进行降维，以提取主成分波段，得高光谱图像的特征；2)提取目标的多尺度特征，在多核学习框架式中对目标的多尺度特征与多尺度核进行有机融合，再进行加权映射，得融合核矩阵，然后通过训练决策函数得到最优的多尺度核分类器，最后利用优化的多尺度核分类器对图像进行分类，完成多核机器学习融合多尺度特征的高光谱地物分类，该方法能够高精度高实时性的进行高光谱地物分类。

技术领域

本发明涉及一种高光谱地物分类方法，具体涉及一种多核机器学习 融合多尺度特征的高光谱地物分类方法。

背景技术

高光谱遥感作为一种结合了遥感成像和光谱细分的多维信息获取技 术，极大地丰富了所获取图像目标的信息。对于高光谱图像应用中最受 关注的分类技术而言，高光谱数据的图谱合一、高维度特性以及如何对 高光谱图像进行预处理、解混、有效特征提取、目标识别一直都是亟待 解决的难题。随着高光谱图像成像器的分辨率不断提高，高光谱图像广 泛应用于资源调查、作物估产、灾害预报、矿床勘探、地形测定、影像 地图制作、有毒气体监测、伪装识别、军事侦察和探测等方向。

将复杂、巨大的高光谱图像数据转化为能够准确表达地表物质性质 的“地图”并称这一过程为高光谱图像的分类。也就是说，正是由于不同 地物在不同波段光谱信号下的不同表现，可以据此对高光谱图像中每个 像元分配一个类别标签并将最终得到的分类结果称为分类图。获取高精 确度的分类图一直是研究人员关注的重中之重。但是在高光谱图像中， 有些地物光谱特性曲线十分相似，对于高光谱图像这种在空间、光谱特 征存在大量冗余信息且各波段间高相关性的数据而言，通常很难得到很 高的分类精度，给分类带来了挑战。

从高光谱图像分类所利用的信息类型来看可以分为谱分类和谱-空 联合分类。前者直接根据高光谱图像中的光谱信息而忽略了高光谱图像 图谱合一的特性利用分类器对目标像元进行分类。而谱-空联合分类将高 光谱图像中的空间信息和光谱信息一起考虑在内，利用分类器对目标像 元进行分类。随着成像器的分辨率的不断提高，高光谱图像中的空间相 邻像元也包含了大量相关信息，这就使得谱-空联合分类相对于谱分类来 说，优势更加突出，在一定程度上消除了分类图中的空间不均匀性，对 像元所属结构的尺度、形状都能较好地表达。随着深度学习的发展，越 来越多的学者开始将深度学习方法运用到大规模高光谱图像分类领域， 并取得了较好的分类效果。如Chen等将目标像元周围空间邻域信息经 过PCA降维后的空间邻域信息和目标像元的光谱信息一起作为SAE 的输入进行训练。但由于深度网络结构过于复杂，所需训练参数太多， 网络收敛速度过慢，无法保证高实时性；仅仅将高光谱图像原始数据作 为输入训练网络，没有考虑到不同高光谱图像的自身特点，无法保证有 效性；此外，影响分类精度的窗口大小也很少受到关注。综上分析，这 些问题使得高光谱图像高精度高实时性目标识别还缺乏成熟的理论和实 用性方法，需要加大基础研究力度。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供了一种多核机器 学习融合多尺度特征的高光谱地物分类方法，该方法能够高精度高实时 性的进行高光谱地物分类。

为达到上述目的，本发明所述的多核机器学习融合多尺度特征的高 光谱地物分类方法包括以下步骤：

1)获取高光谱图像，再使用非均匀采样滤波核在每一波段上对高光 谱图像进行二维空间非均匀滤波采样，再将采样得到的二维矩阵拉伸变 换为一维向量，其中，每一个维度均采样拉伸为一个一维向量，从而将 原始的高光谱数据集由一个三维矩阵变换为二维矩阵，其中，二维矩阵 中的行表示像元，列表示波段维度，最后使用PCA对二维矩阵进行降维， 以提取主成分波段，得高光谱图像的特征；