[发明专利]基于局部自适应字典的多尺度协作表达高光谱分类方法

摘要

本发明公开了一种基于局部自适应字典的多尺度协作表达高光谱分类方法，包括步骤如下：读入三维的高光谱高维数据；确定邻域的多个尺度；根据高光谱数据构建联合信号矩阵；根据高光谱数据构建局部自适应字典；求解对应的系数矩阵；重构样本,计算对应的残差；计算不同尺度邻域所对应的残差信息；多尺度邻域残差融合；确定高光谱像元类别得到分类结果。本发明的优点在于：应用多尺度邻域对图像中的空间信息充分利用，使用局部自适应字典避免不相关信息，本发明具有分类图视觉效果好，提高了分类的精度等优点。

主权项

一种基于局部自适应字典的多尺度协作表达高光谱分类方法，其特征在于包括如下步骤：S1、读入三维的高光谱高维数据，对其进行维数转换使其从三维转换为二维数据以方便后续的处理，二维数据中每一列对应着高光谱图像中的一个像元数据，对所得的二维数据作归一化处理，确定要处理的样本类别数为j；S2、确定邻域的多个尺度；根据高光谱图像给出所需邻域的M个尺度W，得到所有领域的尺度，设有M个领域的尺度，设We为尺度的大小,设e的初始值为1，e满足1≤e≤M；S3、根据高光谱数据构建联合信号矩阵XJ；使用尺度为We的邻域，待处理的测试像元x，以该测试像元所处的位置为中心构建一个尺寸为We×We的方形邻域，邻域窗口大小为We；高光谱图像邻域中所有的像元构建成该待处理像元的联合信号矩阵XJe，XJe中上标e表示的为所对应的邻域尺寸为We；S4、根据高光谱数据构建局部自适应字典DL；从各个类别各选取一部分像元样本来构成训练集字典D；使用尺度为We的邻域，计算出字典D中的每个原子与矩阵XJe的相关性，并且按照相关性的降序排列，从D中选择相关性最大的前K个对应原子来构成测试测试像元x所对应的局部自适应子字典DLe；DLe中上标L表示局部性，上标e表示的为所对应的邻域尺寸为We；S5、求解对应的系数矩阵ψ；使用尺度为We的邻域，通过步骤3至步骤4所构建的相关矩阵，通过式(1)求解高光谱图像中所对应的测试像元x的系数矩阵：ψe=argminψe||XJe-DLeψe||F2+λ||ψe1||F2---(1)]]>其中，ψe中上标e表示的为所对应的邻域尺寸为We；λ为平衡因子，对数据的重构精度和协同度进行平衡，满足λ＞0；||·||F表示Frobenious范数,上标2表示平方；S6、重构样本,计算对应的残差；首先将字典与所其对应的系数矩阵相乘得到重构样本；针对重构的样本，计算并保存每类对应所对应的重构残差；第i类的残差计算如式(2)：rie1(x)=||XJe1-DiLeψie||F2,i=1,2,...,j---(2)]]>上式中下标i表示对应的为i类，重构残差rie(x)上标e表示的为所对应的邻域尺寸为We；S7、计算不同尺度邻域所对应的残差信息；执行判断，若e小于M则执行e+1的操作，读入对应尺度，再重新执行步骤S3至S6；若e等于或者大于M，跳转至步骤S8；S8、多尺度邻域残差融合；对步骤3至步骤7得到的不同邻域尺度残差通过式子(3)进行融合，得到测试像元x所对应的第i类的多尺度邻域融合残差；rirong(x)=Σe=1Mrie(x)/(We)2,i=1,2,...,j---(3)]]>rirong(x)中上标rong代表M个多尺度邻域残差融合后的结果；S9、确定高光谱像元类别；依据式子(4)，根据融合的多尺度邻域残差来确定测试像元x的类别，x的类别被确定具有最小多尺度邻域残差所对应的那一类；class(x)=mini=1,...,jrirong(x),i=1,2,...,j---(4)]]>最终输出基于局部自适应字典的多尺度协作表达高光谱分类方法的分类结果。