[发明专利]一种基于混合度量的高光谱图像分类方法

权利要求书

1.一种基于混合度量的高光谱图像分类方法，其特征在于，包括如下步骤：

A.局部异常因子算法

该算法基于对象的邻域密度来判断对象的异常程度，首先，k_lof属于任意正整数，定义x的第k距离为x与某个对象o之间的距离，记为dis_k_lof(x)，其中对象x与对象o之间的距离记为d(x，o)；

B.二元光谱相似性度量

给定两个光谱向量x和y，x＝(x₁，x₂，…x_n)，y＝(y₁，y₂，…y_n)，n是光谱波段总数，包括光谱角度量(Spectral angle metric,SAM)、光谱梯度角(Spectral gradient angle,SGA)、光谱相关角(Spectral correlation angle,SCA)、光谱信息散度(Spectral informationdivergence,SID)；

C.基于k-NN和SVM的自训练算法

首先用有标记的数据集训练分类器，并使用该分类器对未标记样本分类；之后，通过某种策略，判断未标记样本的置信度，将高置信度的未标记样本添加到有标记样本集中；重复该过程，直到满足迭代终止条件；采用启发式的方法来选择高置信度的未标记样品；k-NN算法用于确定未标记样本的分类标记；SVM则用于加强自训练策略，以帮助k-NN标记未标记的样本；令L和U分别表示标记样本集和未标记样本集，基于k-NN和SVM的自训练过程可以描述如下：

输入:

L：标记样本集

U：未标记样本集

1使用L训练SVM分类器

2使用k-NN为U中的未标记样本指定标签

3使用SVM为U中的未标记样本指定标签

4确定其成员为2和3两步操作后具有相同标签的样本

5确定其成员为由SVM挑选的高置信度的样本

6U＝U-V

7L＝L+V

End while；

D.基于混合测量k-NNSVM的自训练分类器

使用k-NN选择最接近标记样本的k_knn未标记邻居样本，同时，引入空间距离和LOF距离，结合光谱距离来度量光谱样本的相似性，根据空间域平滑假设，标记样本周围的一定空间内，其邻居样本大概率与该标记样本属于同一类；

使用k-NN选择最接近标记样本的k_knn未标记邻居样本；并引入空间距离和LOF距离，结合光谱距离来度量光谱样本的相似性；根据空间域平滑假设，标记样本周围的一定空间内，其邻居样本大概率与该标记样本属于同一类；将空间距离定义为：

其中S_x,S_y为样本x和y的空间坐标，||·||_L1为L1范式； 将LOF距离定义为：

LOF′(x,y)＝|LOF(x)-LOF(y)|

dis_LOF(x,y)＝e^LOF′(x,y)

其中LOF′(x，y)是LOF(x)-LOF(y)的绝对值，而dis_LOF(x，y)是x和y之间的LOF距离；结合空间距离，光谱距离和LOF距离，可以将光谱数据混合度量定义为：

dis_MM(x,y)＝dis′_SIDSAM(x,y)×dis′_NB(x,y)×dis_LOF(x,y)

其中dis′_SIDSAM(x，y)和dis′_NB(x，y)分别是dis_SIDSAM(x，y)和dis_NB(x，y)的归一化值，以消除数据量纲的影响；

基于混合度量k-NNSVM的自训练分类器的性能取决于LOF和k-NN算法的性能；同时，LOF和k-NN的质量受参数k_lof和k_knn的影响；采用自适应方法来自动获取这两个参数:

其中Ni是通过SVM分类得到的第i类样本数，表示向上取整；是由SVM得到的属于第i类的未标记样本数量； 从公式中可以看出，k_lof和k_knn是由SVM算法确定的N_i和通过计算得到；算法的整体实现如下：

Inputs:

L：标记样本集

U：未标记样本集

iter_max:最大迭代次数

For(iter＝1；iter＜＝iter_max；iter++)

使用标记样本集L训练SVM分类器

L′为L的子集，代表L中被SVM正确分类的样本集

计算L和U的LOF

获得L′中的类别数目c

for(i＝1；i＜＝c；i++)

L′_i为L′的子集,其中的元素被SVM分为i类

U_i为U的子集,其中的元素被SVM分为i类

获得n_i,是L′_i中样本数

for(j＝1；j＜＝n_j；j++)

计算U和L′_ij之间的距离dis_SIDSAM,其中L′_ij是L′_i中的样本j计算U和L′_ij之间的距离dis_NB

将dis_SIDSAM,及d_NB归一化到[1,10]，得到dis′_SIDSAM和dis′_NB；

计算U和L′_ij之间的距离dis_LOF

计算dis_MM＝dis′_SIDSAM*dis′_NB*dis_LOF

end for

V_i为U的子集，其元素为k-NN混合相似度量dis_MM确定的可靠样本

end for

将高置信度样本集V_i合并得V

U＝U-V

L＝L+V

End For。