一種基于相關(guān)向量機(jī)的高光譜圖像解混方法
【專利摘要】本發(fā)明公開了一種基于相關(guān)向量機(jī)的高光譜圖像解混方法，包括以下幾個(gè)步驟，步驟一，讀取高光譜圖像中k個(gè)數(shù)據(jù)類別的訓(xùn)練樣本，并且讀取高光譜圖像的k個(gè)數(shù)據(jù)類別測(cè)試樣本；步驟二，將具有監(jiān)督信息的訓(xùn)練樣本中屬于第i數(shù)據(jù)類別對(duì)應(yīng)的樣本標(biāo)號(hào)t值標(biāo)記為+1，其余k-1的數(shù)據(jù)類別對(duì)應(yīng)的樣本標(biāo)號(hào)t值標(biāo)記為0，其中1≤i≤k；步驟三，利用訓(xùn)練樣本訓(xùn)練相關(guān)向量機(jī)；步驟四，利用訓(xùn)練好的相關(guān)向量機(jī)模型對(duì)測(cè)試樣本進(jìn)行測(cè)試；步驟五，計(jì)算測(cè)試樣本屬于第i數(shù)據(jù)類別的概率值fi；步驟六，重復(fù)步驟二～步驟五，計(jì)算出測(cè)試樣本分別屬于k個(gè)數(shù)據(jù)類別的概率值fk；步驟七，將所求的k個(gè)概率值分別進(jìn)行歸一化操作，得到最終解混豐度值fi。本發(fā)明具有解混精度高，實(shí)時(shí)性好和統(tǒng)計(jì)性好的優(yōu)點(diǎn)。
【專利說(shuō)明】一種基于相關(guān)向量機(jī)的高光譜圖像解混方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種高光譜圖像的解混方法，屬于遙感信息處理【技術(shù)領(lǐng)域】。
【背景技術(shù)】
[0002]由于目前高光譜圖像的采集手段和光學(xué)儀器性能的限制，在一般的情況下，高光譜圖像擁有較低的空間分辨率，這就導(dǎo)致了觀測(cè)到的一個(gè)像元很可能包含不止一種類別的地物，這種像元稱之為混合像元?；旌舷裨獜V泛存在于高光譜圖像之中。對(duì)于這種情況，直接將混合像元判別到其所包含的一種地物中是不準(zhǔn)確的，因此繼續(xù)用傳統(tǒng)的統(tǒng)計(jì)模式識(shí)別方法通常會(huì)導(dǎo)致分類錯(cuò)誤?；旌舷裨拇嬖趪?yán)重影響到后續(xù)的高光譜圖像處理的效果和精度。因此，如何求解混合像元中所包含的各類地物分別所占的比例，即進(jìn)行高光譜解混已經(jīng)成為研究的熱點(diǎn)。
[0003]Daniel Heinz等人通過(guò)改進(jìn)經(jīng)典最小二乘方法提出了一種全約束最小二乘算法(Fully Constrained Least Squares, FCLS),并取得了比較好的混合像元分解效果,該算法是目前比較通用的解混算法，近幾年，基于支持向量機(jī)(Support Vector Machine, SVM)的高光譜圖像解混方法也是眾多學(xué)者研究的熱點(diǎn)，應(yīng)用也較為廣泛。這些高光譜數(shù)據(jù)解混方法中存在以下幾個(gè)問(wèn)題:1、解混精度不高。2、解混的處理時(shí)間較長(zhǎng)。3、求解出的豐度值不具有統(tǒng)計(jì)意義。

【發(fā)明內(nèi)容】

[0004]本發(fā)明的目的是提供一種具有高解混精度值的基于相關(guān)向量機(jī)的高光譜圖像解混方法。
[0005]本發(fā)明一種基于相關(guān)向量機(jī)的高光譜圖像解混方法，包括以下幾個(gè)步驟，
[0006]步驟一，讀取高光譜圖像中k個(gè)數(shù)據(jù)類別分別具有的監(jiān)督信息，其中N為監(jiān)督樣本數(shù)，Xn為訓(xùn)練樣本，tn e {O, 1}為訓(xùn)練樣本標(biāo)號(hào)，并且讀取高光譜圖像的k個(gè)數(shù)據(jù)類別測(cè)試樣本，其中M為測(cè)試樣本數(shù)；
[0007]步驟二，將具有監(jiān)督信息的訓(xùn)練樣本中屬于第i數(shù)據(jù)類別對(duì)應(yīng)的樣本標(biāo)號(hào)t值標(biāo)記為1，其余k-Ι的數(shù)據(jù)類別對(duì)應(yīng)的樣本標(biāo)號(hào)t值標(biāo)記為0，其中I < i < k ;
[0008]步驟三，利用訓(xùn)練樣本訓(xùn)練相關(guān)向量機(jī)，得到相關(guān)向量機(jī)的模型；
[0009]步驟四，利用訓(xùn)練好的相關(guān)向量機(jī)模型對(duì)測(cè)試樣本進(jìn)行測(cè)試，將測(cè)試樣本KU
輸入到訓(xùn)練好的相關(guān)向量機(jī)模型中，得到輸出預(yù)測(cè)值;
[0010]步驟五，計(jì)算測(cè)試樣本屬于第i數(shù)據(jù)類別的概率值fi ;
[0011]步驟六，重復(fù)步驟二?步驟五，計(jì)算出測(cè)試樣本分別屬于k個(gè)數(shù)據(jù)類別的概率值fk;[0012]步驟七，將所求的k個(gè)概率值分別進(jìn)行歸一化，
【權(quán)利要求】
1.一種基于相關(guān)向量機(jī)的高光譜圖像解混方法，其特征在于:包括以下幾個(gè)步驟，步驟一，讀取高光譜圖像中k個(gè)數(shù)據(jù)類別分別具有的監(jiān)督信息
2.根據(jù)權(quán)利要求1所述的一種基于相關(guān)向量機(jī)的高光譜圖像解混方法，其特征在于:所述的利用訓(xùn)練樣本訓(xùn)練相關(guān)向量機(jī)的過(guò)程是: (1)相關(guān)向量機(jī)的相關(guān)函數(shù)為:

3.根據(jù)權(quán)利要求1或2所述的一種基于相關(guān)向量機(jī)的高光譜圖像解混方法，其特征在于:所述的測(cè)試樣本屬于第i數(shù)據(jù)類別的概率值A(chǔ)等于p(t/ = Iiw), pa/ = iiw)為測(cè)試樣本標(biāo)號(hào)為I的概率值，因?yàn)闇y(cè)試樣本標(biāo)號(hào)
【文檔編號(hào)】G06K9/62GK103761530SQ201410003264
【公開日】2014年4月30日 申請(qǐng)日期:2014年1月3日 優(yōu)先權(quán)日:2014年1月3日
【發(fā)明者】王立國(guó), 楊京輝, 竇崢 申請(qǐng)人:哈爾濱工程大學(xué)