[发明专利]一种基于稀疏图正则化的高光谱遥感影像分类方法

权利要求书

1.一种基于稀疏图正则化的高光谱遥感影像分类方法，用于获得高光谱遥感影像中全部像素对应目标数据集各类别的类别标记结果，其特征在于，包括如下步骤：

步骤a’.根据高光谱遥感影像中各像素分别对应的各波段光谱向量构建高光谱遥感影像所对应的像素波段光谱矩阵其中，N表示高光谱遥感影像中的像素数量，B表示高光谱遥感影像所具有的波段数，1≤b≤B，表示高光谱遥感影像中第n个像素对应第b波段的光谱值，x_n表示高光谱遥感影像中第n个像素对应各波段的光谱向量；

同时，定义高光谱遥感影像中各像素的类别标记向量并据此进一步定义高光谱遥感影像所对应的像素类别标记矩阵其中，L表示类别数，1≤l≤L，表示第n个像素对应第l个类别的标记，y_n表示第n个像素对应的标记向量；然后进入步骤b’；

步骤b’.分别针对各个类别，选取类别中预设数量m_l的训练样本，构成该类别所对应的字典子集，进而获得各类别分别所对应的字典子集，并对其顺序叠加获得字典D，其中，m_l表示第l个类别所对应字典子集中训练样本的数量，字典D中训练样本的数量为然后进入步骤c’；

步骤c’.根据X、D、以及预设第一正则化参数λ，构建分数矩阵求解模型，并求解获得分数矩阵Z，然后进入步骤d’；

步骤d’.根据分数矩阵Z，构建稀疏图的邻接矩阵W，然后进入步骤e’；

步骤e’.根据邻接矩阵W、以及分数矩阵Z关于字典D的稀疏表示系数矩阵Z^m，构建表示字典D类别标记概率的预测函数矩阵A模型，并求解获得预测函数矩阵A的解A^*，即字典D的类别标记概率A^*，然后进入步骤f’；

步骤f’.应用分数矩阵Z，将字典D的类别标记概率A^*传递给每个像素，得到全部像素的类别标记概率矩阵然后进入步骤g’；

步骤g’.针对全部像素的类别标记概率矩阵F进行归一化处理，然后针对归一化结果进行正则化处理，获得全部像素的平滑分类结果然后进入步骤h’；

步骤h’.针对各个像素分别对应各波段的光谱向量x_n，结合全部像素的平滑分类结果获得全部像素对应各类别的类别标记结果

2.根据权利要求1所述一种基于稀疏图正则化的高光谱遥感影像分类方法，其特征在于：所述步骤c’包括如下步骤c’1至步骤c’2；

步骤c’1.根据X、D、以及预设第一正则化参数λ，构建分数矩阵求解模型如下：

其中，λ用于平衡损失项和正则项，|| ||₂表示2-范数，|| ||₁表示1-范数，然后进入步骤c’2；

步骤c’2.通过交替方向乘子法针对分数矩阵Z求解模型进行优化求解，首先将分数矩阵Z求解模型转化为如下：

s.t.v₁＝Du；v₂＝u；v₃＝u；v₄＝u

然后迭代求解得到分数矩阵Z，u,v₁,v₂,v₃,v₄分别表示求解因子，l_R+()表示非负约束，l_{1}()表示和为1约束。

3.根据权利要求2所述一种基于稀疏图正则化的高光谱遥感影像分类方法，其特征在于：所述步骤c’1中，根据X、D、以及预设第一正则化参数λ，利用全约束的变量分离和增广拉格朗日SUnSAL算法，构建分数矩阵求解模型；

或者根据X、D、以及预设第一正则化参数λ，利用全约束的总变差的变量分离和增广拉格朗日SUnSAL-TV算法，构建分数矩阵求解模型。

4.根据权利要求1所述一种基于稀疏图正则化的高光谱遥感影像分类方法，其特征在于：所述步骤d’中，根据分数矩阵Z，按如下公式：

W＝Z^mTΔ^-1Z^m

构建目标高光谱遥感影像所对应稀疏图的邻接矩阵W，其中，Z^m表示分数矩阵Z关于字典D的稀疏表示系数矩阵，Δ^-1表示邻接矩阵W的行和矩阵的逆矩阵。