[发明专利]一种基于混合度量的高光谱图像分类方法

说明书

本发明公开了一种基于混合度量的高光谱图像分类方法，该算法基于对象的邻域密度来判断对象的异常程度，对于k_lof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)，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；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；使用k‑NN选择最接近标记样本的k_knn未标记邻居样本，计算样本间光谱距离的同时引入空间距离和LOF距离。并利用自适应方法确定k‑NN和LOF的输入参数，有效提高了算法的寻参效率，有效的提高了分类算法的分类精度。提出算法在这些数据集上的分类性能优于同类算法。

技术领域

本发明涉及一种图像分类方法，特别涉及一种基于混合度量的高光谱图像分类方法。

背景技术

高光谱遥感技术起源于20世纪80年代初，是在多光谱遥感技术基础之上发展起来的。高光谱遥感能够通过成像光谱仪在可见光、近红外、短波红外、中红外等电磁波谱范围获取近似连续的光谱曲线，将表征地物几何位置关系的空间信息与表征地物属性特征的光谱信息有机地融合在了一起，使得提取地物的细节信息成为可能。随着新型成像光谱仪的光谱分辨率的提高，人们对相关地物的光谱属性特征的了解也不断深入，许多隐藏在狭窄光谱范围内的地物特性逐渐被人们所发现，这些因素大大加速了遥感技术的发展，使高光谱遥感成为21世纪遥感技术领域重要的研究方向之一。

高光谱图像分类作为高光谱图像的基础研究，一直是高光谱图像重要的信息获取手段，它的主要目标是根据待测地物的空间几何信息与光谱信息将图像中的每个像素划分为不同的类别。高光谱图像分类按照是否有已知类别的训练样本的参与，高光谱图像的分类方式分为监督分类与非监督分类。

目前，关于高光谱图像分类采用单一的度量方法，算法的寻参效率以及分类算法的分类精度较低。

发明内容

本发明的目的在于提供一种基于混合度量的高光谱图像分类方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种基于混合度量的高光谱图像分类方法，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，对k_lof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(Spectralinformation divergence,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；

D.基于混合测量k-NNSVM的自训练分类器