[发明专利]一种面向大场景遥感图像分类的类指定多模联合表示方法

权利要求书

1.一种面向大场景遥感图像分类的类指定多模联合表示方法，其特征在于：所述方法具体过程为：

步骤一、输入覆盖区域相同的多模遥感图像，以及相应的地物标签图，构造多模遥感图像的类指定多模联合表示模型；

所述多模遥感图像包括多光谱遥感图像和高光谱遥感图像；

步骤二、采用乘数交替方向法求解步骤一构造的多模遥感图像的类指定多模联合表示模型，得到类指定跨模字典；

所述类指定的跨模字典包括多光谱字典和高光谱字典；

步骤三、输入大场景多光谱遥感图像，利用步骤二得到的多光谱字典对输入的大场景多光谱遥感图像进行稀疏表示，学习得到一致稀疏表示系数矩阵；

所述输入的大场景多光谱遥感图像的覆盖区域包含步骤一中多光谱遥感图像的覆盖区域；

步骤四、利用步骤二得到的高光谱字典和步骤三得到的一致稀疏表示系数矩阵，重构得到大场景的高判别性高光谱图像；

所述步骤一中构造多模遥感图像的类指定多模联合表示模型；具体过程为：

令和分别表示输入的覆盖区域相同高光谱和多光谱遥感图像中有标签样本的集合；

令和分别表示高光谱字典和多光谱字典；

令X表示跨模稀疏表示系数矩阵；

其中，表示高光谱图像中的有标签样本，表示多光谱图像中的有标签样本，d^H表示高光谱图像中样本的光谱维度，d^M表示多光谱图像中样本的光谱维度，P表示有标签样本的个数，表示高光谱字典中的原子，表示多光谱字典中的原子，N表示字典中原子的个数；

多模遥感图像的类指定多模联合表示模型的目标函数可表示为：

前两项代表重构误差，第三项α||X||_1,1为跨模稀疏表示系数的稀疏性约束，第四项β(||D^H||_*+||D^M||_*)为跨模字典的低秩约束，第五项为判别性约束，第六项为分类约束；

其中，表示Frobenius范数的平方；||·||_1,1表示矩阵每列的L1范数；||·||_*表示核范数；表示L2范数的平方；表示输入样本的稀疏表示系数对于分类的判别性；A是将原始的稀疏表示系数变换到最具判别性稀疏特征空间的线性映射；是输入样本Y^H和Y^M公共的标签，C表示类别总数；当或属于第c类时，h_c,p＝1；W是线性分类器的参数；α，β，γ和χ为平衡各约束项重要性的惩罚系数；

所述输入样本的稀疏表示系数对于分类的判别性由输入样本的标签和字典的标签所决定：

所述步骤二中采用乘数交替方向法求解步骤一构造的多模遥感图像的类指定多模联合表示模型，得到类指定跨模字典；具体过程为：

为采用乘数交替方向法，需要引入参数B＝X,J＝D^H,K＝D^M，将多模遥感图像的类指定多模联合表示模型改写成如下形式：

s.t.B＝X,J＝D^H,K＝D^M

其中，B、J、K为参数；

多模遥感图像的类指定多模联合表示模型的拉格朗日增广函数为：

其中是拉尔朗日乘子，η是惩罚系数，T为转置；

迭代优化过程如下：

优化X：

X←Γ₁^-1Γ₂

Γ₁＝(D^H)^TD^H+(D^M)^TD^M+A^TA+W^TW+ηI_N×N

Γ₂＝(D^H)^TY^H+(D^M)^TY^M+γA^TG+χW^TH+Φ₁+ηB

其中，Γ₁、Γ₂为中间变量，I_N×N表示大小为N×N的单位矩阵，←表示在迭代优化过程中对当前优化的参数赋值；

优化D^H和D^M：

D^H←(Y^HX^T+ηJ+Φ₂)(XX^T+ηI_N×N)^-1

D^M←(Y^MX^T+ηK+Φ₃)(XX^T+ηI_N×N)^-1

优化A和W：

A＝GX^T(XX^T+I_N×N)^-1

W＝HX^T(XX^T+I_N×N)^-1

优化B：

其中，⊙为矩阵的Hadamard积；

优化J和K：

其中，为软阈值算子，ξ＝β/η；

优化

Φ₁←Φ₁+η(B-X)

Φ₂←Φ₂+η(J-D^H)

Φ₃←Φ₃+η(K-D^M)

当||B-X||₂≤ε且||J-D^H||₂≤ε且||K-D^M||₂≤ε时，停止迭代，此时的和即为学习得到的类指定跨模字典；ε为预先设定的残差阈值；

所述类指定跨模字典包括多光谱字典和高光谱字典；

所述软阈值算子定义如下：对于秩为r的矩阵E，基于奇异值分解，E被表示为：E＝UΣV^T，U为EE^T的特征向量，V为E^TE的特征向量，Σ为E的奇异值矩阵，Σ＝diag({σ_i}_1≤i≤r)；σ_i为奇异值，是Σ对角线上的元素；

对于任何ξ≥0，

所述步骤三中输入大场景多光谱遥感图像，利用步骤二得到的多光谱字典对输入的大场景多光谱遥感图像进行稀疏表示，学习得到一致稀疏表示系数矩阵；具体过程为：

令为大场景多光谱遥感图像，Z^M的稀疏表示系数矩阵为S；

利用步骤二得到的多光谱字典对大场景多光谱遥感图像Z^M进行稀疏表示的目标函数为：

其中，δ为惩罚系数，为大场景多光谱遥感图像中的样本， Q为大场景多光谱遥感图像中的样本个数；

为了采用乘数交替方向法，需要引入参数R＝S，得到拉格朗日增广函数：

其中，Ω是拉格朗日乘子，κ是惩罚系数，R为参数；

优化过程如下：

优化S：

优化R：

优化Ω：

Ω←Ω+κ(R-S)

当||R-S||₂≤ε时，停止迭代，此时的即为学习得到的一致稀疏表示系数矩阵。

2.根据权利要求1所述一种面向大场景遥感图像分类的类指定多模联合表示方法，其特征在于：所述步骤四中利用步骤二得到的高光谱字典和步骤三得到的一致稀疏表示系数矩阵，重构得到大场景的高判别性高光谱图像；具体过程为:

重构的高判别性高光谱图像由下式得到：