[发明专利]基于近邻传播聚类和稀疏多核学习的高光谱图像分类方法

摘要

本发明公开了一种基于近邻传播聚类和稀疏多核学习的高光谱分类方法，主要解决现有技术对高光谱图像分类性能不佳的问题。其实现方案是：首先，利用所有波段中的训练样本构造核矩阵集合；其次，利用近邻传播方法进行聚类，选择高辨别力低冗余性的核矩阵子集；再次，利用选择的核矩阵子集，通过稀疏约束的多核学习方法，学习出核权重和支撑矢量系数；最后，利用学习到的分类器，对未知高光谱图像进行分类。本发明采用的多核学习分类方法，利用不同函数不同参数的多种核，能够处理具有多变局部分布的复杂高光谱数据，获得高精度的高光谱图像分类结果，可用于农业监测、地质勘探、灾害环境评估等领域地物的区分和辨别。

主权项

1.一种基于近邻传播聚类和稀疏多核学习的高光谱图像分类方法，包括：(1)获取训练样本集X_p和测试样本集X_q：输入高光谱图像：该图像包含l个光谱波段，n个样本；随机取这些样本的10％组成初始训练样本集：1≤i≤l，其余样本组成初始测试样本集其中，pp，qq分别代表初始训练样本和初始测试样本的数量，满足pp+qq＝n；对训练样本集X_pp和测试样本集X_qq分别进行列归一化操作，得到列归一化后的训练样本集X_p和测试样本集X_q；(2)获取训练样本集X_p的核矩阵集合K：(2a)抽取初始训练样本集X_p中第i个波段p表示列归一化后初始训练样本的数量；(2b)利用中任意两个样本和计算高斯核矩阵其中σ_j是第j个核参数；通过m个不同核参数构成核矩阵表示第i样本的第m个核参数，m＝5，1≤j≤m；(2c)抽取训练样本集X_p中所有l个波段通过上述(2a)和(2b)步骤得出核矩阵集合为：共有m×l个核矩阵，将做变换，即则K表示为K＝{K₁,K₂,…,K_t,…,K_ml}，1≤t≤ml；(3)计算核矩阵集合K中任意两个核K_a,K_b基于核排列的相似度，得到一个m×l行m×l列的相似度矩阵S(K_a,K_b)，其中K_a和K_b是核矩阵集合K＝{K₁,K₂,…,K_t,…,K_ml}中第a个和第b个核矩阵，1≤a≤m×l，1≤b≤m×l；(4)通过近邻传播聚类算法，对K中包含的m×l个核进行聚类，得到c个核矩阵聚类中心序列{λ₁,λ₂,…,λ_γ,…,λ_c}，1≤γ≤c，并保留该聚类中心序列的核，对核矩阵集合K进行更新，得到更新后的核矩阵集合(5)对训练样本集和测试样本集进行更新：根据核矩阵聚类中心序列{λ₁,λ₂,…,λ_γ,…,λ_c}，1≤γ≤c，通过计算出选择的波段序列编号{β₁,β₂,…,β_γ,…,β_c}，并去掉重复的序列编号，得到最终的波段序列编号{β₁,β₂,…,β_s,…,β_d}，1≤s≤d≤c；根据最终的波段序列编号将训练样本集更新为：将测试样本集更新为：(6)将更新后的核矩阵集合K′、训练样本集X_p′、训练样本标签集Y_p＝{y_k＝±1，1≤k≤p}，通过多核学习方法，学习出核矩阵集合K′的核权重和SVM分类器的支撑向量系数；使用该SVM分类器，对测试样本集合X_q′进行分类，得到所有测试样本的类别标签Y_q，即为高光谱图像的分类结果。