[发明专利]一种基于正则化集合度量学习的遥感图像分类方法及系统

摘要

本发明涉及一种基于正则化集合度量学习的遥感图像分类方法及系统，包括输入待分类的高光谱遥感图像，划分训练样本和测试样本；基于训练样本，学习得降维矩阵，并对所述高光谱遥感图像进行维数约简，得低维高光谱遥感图像；分别建立每个训练样本和每个测试样本在所述低维高光谱遥感图像上的训练像素集合和测试像素集合；基于所述训练像素集合，学习得正则化集合度量矩阵；基于所述正则化集合度量矩阵，计算每个测试像素集合与各训练像素集合之间的集合距离，基于集合距离对每个测试像素集合对应的测试样本进行分类；本发明实现了直接度量像素集合之间的相似性，有效利用高光谱遥感图像数据的多重空谱特征，得到准确可靠的度量关系和分类结果。

主权项

一种基于正则化集合度量学习的遥感图像分类方法，其特征在于，包括如下步骤：步骤1，输入待分类的高光谱遥感图像，划分训练样本和测试样本；步骤2，基于训练样本，学习得降维矩阵，并对所述高光谱遥感图像进行维数约简，得低维高光谱遥感图像；步骤3，分别建立每个训练样本和每个测试样本在所述低维高光谱遥感图像上的训练像素集合和测试像素集合；步骤4，基于所述训练像素集合，学习得正则化集合度量矩阵；所述步骤4包括如下步骤：步骤41，初始化正则化集合度量矩阵为单位矩阵；步骤42，基于初始化的正则化集合度量矩阵，按如下第五公式，计算各训练像素集合之间的正则化集合距离；对每个训练像素集合，获得与其具有最小正则化集合距离的同类的训练像素集合，构造属于同类的正样本对；获得与其具有最小正则化集合距离的异类的训练像素集合，构造属于异类的负样本对；所述第五公式如下：dI(X1,X2)＝(X1a‑X2b)TI(X1a‑X2b)其中，所述X1，X2为任意两个训练像素集合的矩阵，dI(X1,X2)为所述任意两个训练像素集合之间的正则化集合距离，I为所述初始化的正则化集合度量矩阵，a为矩阵为X1的训练像素集合中各像素所对应的凸包系数组成的向量，b为矩阵为X2的训练像素集合中各像素所对应的凸包系数组成的向量；步骤43，根据构造的正样本对和负样本对，按如下优化模型计算更新的正则化集合度量矩阵；所述优化模型如下：minM||M||F2+α(Σi,kξikP+Σi,jξijN)]]>其中，所述M为更新的正则化集合度量矩阵，Xi为任意一个训练像素集合的矩阵，Xk为所述任意一个训练像素集合的正样本对中的另一训练像素集合的矩阵，Xj为所述任意一个训练像素集合的负样本对中的另一训练像素集合的矩阵，为所述任意一个训练像素集合的正样本对的松弛变量，为所述任意一个训练像素集合的负样本对的松弛变量，dM(Xi,Xk)为所述任意一个训练像素集合与其正样本对中另一训练像素集合之间的集合距离，dM(Xi,Xj)为所述任意一个训练像素集合与其负样本对中另一训练像素集合之间的集合距离，α为惩罚参数；所述ρ为偏移量，由所述优化模型求解出；步骤5，基于所述正则化集合度量矩阵，计算每个测试像素集合与各训练像素集合之间的集合距离，基于集合距离对每个测试像素集合对应的测试样本进行分类。