[发明专利]高光谱遥感图像分类与识别方法

摘要

本发明公开了一种高光谱遥感图像分类与识别方法，用于解决现有基于稀疏表示及光谱信息的高光谱遥感图像分类方法分类精度低的技术问题。技术方案是利用词袋模型结合高光谱遥感图像数据集生成各类别专业字典，进而构造稀疏表示字典，然后根据字典计算每个像元的稀疏表示特征，并在空间维上，利用空间连续性约束像元的稀疏表示系数，最后通过求解最优化问题实现高光谱图像分类。由于生成的字典表征能力较强，并且充分考虑了高光谱图像的空间结构信息，因此提高了分类精度。对AVIRIS高光谱图像进行分类，总体分类精度由背景技术的82.58%提高到86.87%；处理时间由背景技术的97.469秒缩短到35.539秒，效率提高了近3倍。

主权项

1.一种高光谱遥感图像分类与识别方法，其特征在于包括以下步骤：步骤一、设高光谱图像中地物类别数为C，类别标号为c的地物对应的样本数为n_c，分别针对每类地物生成一个样本集合，设D_c代表第c类地物对应的样本集合，则D_c表示为Dc=[d1c,d2c,...dic,...,dncc],c=1,2,..,C---(1)]]>其中，i代表第c类地物的第i个样本，表示第c类的第i个样本的光谱向量；根据词袋模型，利用K-means聚类为每类地物分别生成相应的专业字典，对应第c类地物的专业字典表示为再由专业字典合并得到最终用于高光谱遥感图像地物分类的稀疏表示字典D~′=[D~1,D~2,...,D~c,...,D~C]---(2)]]>对矩阵中的每一列进行2－范数归一化得到过完备稀疏表示字典步骤二、依据稀疏表示理论，高光谱图像中的测试样本x表示为x=D~α+ϵ---(3)]]>式中，误差ε是一个极小的常量；通过求解最小优化问题得到测试样本x在稀疏表示字典上的稀疏表示系数α~(x)=argminα||α||1s.t.||x-Dα~||22≤ϵ---(4)]]>即为测试像元在训练样本上的线性表示；步骤三、对于测试样本x，其8邻域像元集合表示为对邻域集合x_邻中的每个像元分别求解其在稀疏表示字典上的稀疏表示系数，记为其中，表示像元在字典上的稀疏分解系数；则像元x最终的稀疏分解系数由其本身及其邻域像元的稀疏分解系数决定，即α~new(x)=ω0*α~(x)+Σj=18ωj*α~(x^j)---(6)]]>其中，ω₀和ω_j,j＝1,...,8代表权重因子；步骤四、得到稀疏表示系数后，根据第c类地物的专业字典重构出的像元表示为x~c=D~c*α~c(x)---(7)]]>其中，为系数向量中对应第c类样本的向量子集；步骤五、利用下式Class(x)=argminc=1,...,C||x-x~c||2=argminc||x-D~cα~c(x)||2---(8)]]>计算x与各个之间的残差，根据最小残差值所对应的类别确定测试样本的归属，即测试样本属于重构残差最小的系数所对应的类别。