[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

说明书

本发明涉及一种基于稀疏图正则化的高光谱遥感影像分类方法，在稀疏图正则化方法SGR中，首先对字典使用有效的稀疏表示算法获得分数矩阵，然后通过优化一个典型的基于图的正则化问题来估计预测函数，最后基于分数矩阵和预测函数传播大量未知数据的标签，实现分类；此外，引入总变差稀疏图正则化方法和加权联合稀疏图正则化方法，总变差稀疏表示分类TV‑SGR是SGR在模型方面的扩展，它在稀疏表示过程中引入了利用总变差建模的空间信息，加权稀疏图正则化分类WSGR是SGR在特征方面的扩增，它把基于高斯核的自适应加权方法引入到SGR模型中；本发明设计方法在计算效率、分类准确性和对噪声的鲁棒性方面，都有非常突出的表现。

技术领域

本发明涉及一种基于稀疏图正则化的高光谱遥感影像分类方法，属于遥感影像分类技术领域。

背景技术

高光谱传感器能够捕获大量电磁波段中的连续光谱曲线，所谓高光谱指得就是其具有纳米级的光谱分辨率，范围可以覆盖紫外光，可见光，近红外，中红外和热红外。高光谱遥感影像(Hyperspectral Remote Sensing Image,HSI)是具有“立方体”结构的数据。与传统的遥感影像不同，高光谱遥感具有①波段小而众多，②光谱精细连续，③谱像合一，④数据量大等优点。因此，结合光谱学和成像技术的高光谱遥感影像能通过光谱空间、影像空间和特征空间三种方式进行信息表达，在准确描述地表物体方面具有强大能力。

然而，随着高光谱遥感技术的发展，高光谱数据的高维、数据量大、信息冗余和非线性数据结构等特性将进一步凸显，这将对特征提取和分类方法的稳健性、有效性和计算效率提出新的要求。同时，高光谱遥感影像处理技术的发展跟不上高光谱数据获取技术的发展，使得目前大部分高光谱遥感影像数据尚未得到有效处理和应用，造成资源浪费。因此，有必要针对行业应用的迫切需求和高光谱遥感影像分类的难题发展新的更有效的特征提取和分类方法。

近年来，基于图半监督学习受到很多研究学者的关注，它能够捕获隐藏在高维数据空间中的流形结构，同时将标签从有限的标记样本传播到大量的未标记样本，这非常适用于高光谱遥感影像。图半监督学习首先通过将标记和未标记的样本视为顶点并将点之间的成对相似性视为边来构建无向加权图，然后用少数带有类标签信息的顶点通过标签传播来预测其他顶点的标签。通常，经典的图半监督学习模型分为两类：归纳模型和归纳模型。

前者因为没有开发出明确的分类器，通常无法预测未知数据，例如图最小切、图转导和基于图的随机游走等。后者由于可以训练显式分类器，可以预测未知数据，例如非参数函数归纳、谐波混合、流形正则化和锚图正则化等。

尽管图半监督学习方法获得了很好的分类性能，但也存在计算复杂度高，大多数模型的数据规模伸缩性差等问题，制约其在高光谱遥感影像上的使用。

优化图半监督分类的可扩展性和计算效率对于大型数据集的分类非常重要。Liu等构造了具有数据点和锚点的新型图，提出了锚图正则化方法(Anchor GraphRegularization,AGR)，降低计算成本。Wang等又在AGR基础上进行了改进，提出了高效的锚图正则化(Efficient AGR,EAGR)和具有层次结构的锚图正则化(Hierarchical AGR,HAGR)两种方法，进一步提高了分类精度，但AGR方法尚且没有直接用于高光谱分类的研究。

发明内容

本发明所要解决的技术问题是提供一种基于稀疏图正则化的高光谱遥感影像分类方法，执行全新设计策略，在计算效率、分类准确性和对噪声的鲁棒性方面，都有非常突出的表现。

本发明为了解决上述技术问题采用以下技术方案：本发明设计了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，包括如下步骤：