本發(fā)明涉及遙感圖像處理領(lǐng)域，尤其涉及基于張量稀疏表示及聚類的基于張量稀疏表示及聚類的多光譜遙感圖像分類方法。

背景技術(shù)：

近年來，隨著電子波譜理論、測(cè)量技術(shù)及計(jì)算機(jī)技術(shù)的飛速發(fā)展，多光譜遙感技術(shù)得到了飛速的發(fā)展，人們所獲取的多光譜遙感圖像質(zhì)量越來越高，所需存儲(chǔ)器容量越來越大，對(duì)多光譜遙感數(shù)據(jù)進(jìn)行分析，可以發(fā)現(xiàn)非常豐富的光譜信息和地物細(xì)節(jié)。目前，多光譜遙感數(shù)據(jù)已成為資源勘探、環(huán)境調(diào)查、災(zāi)害分析、農(nóng)業(yè)普查等領(lǐng)域的重要數(shù)據(jù)源。

由于多光譜遙感圖像由一些能夠反映地物特征的像素組成，每個(gè)象素代表著某一個(gè)地表地物的幾十個(gè)甚至數(shù)百個(gè)個(gè)波段的太陽能輻射水平，可以表示為向量空間的一部分，由于多光譜傳感器的局限性，在獲取信號(hào)的過程中會(huì)忽略信號(hào)的空間及光譜的相關(guān)性，從而造成向量空間的冗余甚至維數(shù)災(zāi)難。近年來提出很多降維的方法。通過稀疏表示，將多光譜遙感圖像進(jìn)行降維是一種近年來出現(xiàn)的非常有效的方法。

通過對(duì)遙感圖像進(jìn)行分類，可以快速識(shí)別分類地物，為國家決策、農(nóng)業(yè)病蟲害分析、滑坡治理、土地執(zhí)法、測(cè)繪制圖、資源環(huán)境、交通建設(shè)、軍事解譯、國家安全和大眾服務(wù)等，對(duì)高分辨率遙感圖像的分類已成為當(dāng)前經(jīng)濟(jì)建設(shè)和社會(huì)發(fā)展不可或缺的重要手段。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題是：提供一種基于張量稀疏表示及聚類的基于張量稀疏表示及聚類的多光譜遙感圖像分類方法，提高多光譜遙感圖像總體分類精度和kappa系數(shù)。

為解決上述問題，本發(fā)明采用的技術(shù)方案是：基于張量稀疏表示及聚類的基于張量稀疏表示及聚類的多光譜遙感圖像分類方法，包括步驟：

利用聚類算法將多光譜遙感圖像劃分為不同的組；

將各組中的多光譜圖像由三維形式轉(zhuǎn)化為二維的矩陣；

對(duì)所述二維的矩陣進(jìn)行字典學(xué)習(xí)，獲得能夠用于各組多光譜遙感圖像進(jìn)行稀疏表示的字典、稀疏表示系數(shù)、每一種地物的標(biāo)記；

對(duì)獲得的稀疏表示系數(shù)及標(biāo)記進(jìn)行訓(xùn)練，獲得最優(yōu)的分類器；

對(duì)多光譜遙感圖像的像素，根據(jù)其稀疏表示系數(shù)，利用獲得的分類器，對(duì)其進(jìn)行分類，并標(biāo)記每一類地物。

進(jìn)一步的，通過kiers張量水平展開方法將多光譜圖像由三維形式轉(zhuǎn)化為二維的矩陣。

進(jìn)一步的，利用線性svm算法對(duì)稀疏表示系數(shù)及標(biāo)記進(jìn)行訓(xùn)練，獲得最優(yōu)的分類器。

本發(fā)明的有益效果是：本發(fā)明通過對(duì)多光譜遙感圖像進(jìn)行聚類，字典學(xué)習(xí)獲得一系列的原子，利用這些原子的線性組合實(shí)現(xiàn)了對(duì)多光譜遙感圖像的表示，利用支持向量機(jī)(svm)算法實(shí)現(xiàn)了對(duì)多光譜遙感圖像的分類，該方法在分類精度和kappa系數(shù)上相對(duì)于目前常見的多光譜分類方法有顯著的提高，并極大的提高了分類的時(shí)間。

附圖說明

圖1本發(fā)明聚類示意圖；

圖2本發(fā)明將多光譜圖像由三維形式轉(zhuǎn)化為二維的矩陣示意圖。

具體實(shí)施方式

實(shí)施例提供一種基于張量稀疏表示及聚類的多光譜遙感圖像分類方法，工作過程如下：

1.輸入多光譜遙感圖像，如圖1所示，利用聚類對(duì)根據(jù)多光譜遙感圖像波段之間的關(guān)系，利用聚類算法將多光譜遙感圖像劃分為不同的組，屬于同一像素組的像素可以認(rèn)為是同一種物質(zhì)，則可以學(xué)習(xí)得到一組通用的字典原子集，這樣屬于同一個(gè)像素組的像素稀疏表示就不再獨(dú)立，大大提高了后續(xù)分類的精度，縮短分類的時(shí)間。

稀疏表示的目標(biāo)函數(shù)為：

其中和的列向量分別表示對(duì)光譜采樣的稀疏表示系數(shù)及光譜稀疏表示后的殘余。

2.如圖2所示，通過kiers張量水平展開方法將各組中的多光譜圖像由三維形式轉(zhuǎn)化為二維的矩陣。

3.對(duì)多光譜圖像數(shù)據(jù)(即步驟2轉(zhuǎn)化的二維的矩陣)進(jìn)行字典學(xué)習(xí)，獲得能夠用于各組多光譜遙感圖像進(jìn)行稀疏表示的字典、稀疏表示系數(shù)、每一種地物的標(biāo)記。

為了學(xué)習(xí)得到字典和其稀疏表示形式，本發(fā)明采用了凸聯(lián)合稀疏及規(guī)范化，

其中第i組的歸一化參數(shù)，第y行的為范數(shù)，通過估計(jì)γh每一行的范數(shù)。其中x＝[x1,…xn],y＝[y1,…yn]，且||·||f表示矩陣的frobenius范數(shù)，第2部分為稀疏懲罰函數(shù)，表示正則化約束參數(shù),s(y)在處理中用稀疏表示，本發(fā)明中采用最小化問題進(jìn)行求解，即

通過字典學(xué)習(xí)求解字典d和稀疏表示系數(shù)y，實(shí)施例通過兩步進(jìn)行求解：

第一步：稀疏編碼。在這一步，通過固定d，本發(fā)明的特征為對(duì)y的最優(yōu)化問題，能獨(dú)立的求解每一個(gè)yi，即：

第二步：字典更新。在這一步，主要實(shí)現(xiàn)字典的更新，因此需滿足y是確定的，因此最優(yōu)化問題轉(zhuǎn)化

按照獲得的估計(jì)更新γh，目標(biāo)函數(shù)表示為：

式獲得：yh＝λd^t(dλd^t+γhi)xh

4.利用線性支持向量機(jī)(svm)算法對(duì)稀疏表示系數(shù)及標(biāo)記進(jìn)行訓(xùn)練，獲得最優(yōu)的分類器。

5.對(duì)多光譜遙感圖像的像素，根據(jù)其稀疏表示系數(shù)，利用獲得的分類器，對(duì)其進(jìn)行分類，并標(biāo)記每一類地物，最終完成分類。

為了對(duì)發(fā)明的性能進(jìn)行測(cè)試和評(píng)估，實(shí)施例對(duì)2組多光譜遙感圖像進(jìn)行了實(shí)驗(yàn)，與基本的支持向量機(jī)分類，字典學(xué)習(xí)后進(jìn)行分類及基于張量稀疏表示后進(jìn)行分類的方法進(jìn)行了比較，實(shí)驗(yàn)中采用了四種指標(biāo)進(jìn)行評(píng)價(jià)，分別為總精度(overallaccuracy,oa)，平均精度(averageaccuracy,aa)及kappa系數(shù)及運(yùn)行時(shí)間，空下表為具體的分類指標(biāo)。

(1)實(shí)驗(yàn)1

實(shí)驗(yàn)1對(duì)1992年6月美國印第安納州西北部的由aviris獲取的indianpines實(shí)驗(yàn)區(qū)圖像進(jìn)行了實(shí)驗(yàn)，該遙感圖像的大小為：145pixel×145pixel，包含220個(gè)波段，其分類的總精度(oa)和平均精度(aa)及kappa系數(shù)的對(duì)比如表1所示:

表1

(1)實(shí)驗(yàn)2

本實(shí)驗(yàn)選取了由rosis傳感器在2003年獲取的城市遙感圖像paviacenter的數(shù)據(jù)，該傳感器的分辨率達(dá)到了1.3m/pixel,具有從0.43μm～0.86μm的115個(gè)波段，該區(qū)域的真實(shí)地物為9類。其分類的總精度(oa)和平均精度(aa)及kappa系數(shù)的對(duì)比如表2所示：

表2

通過分析表1和表2可以得出，基于張量稀疏表示后進(jìn)行分類的方法的總精度，平均精度及kappa系數(shù)有明顯的提高。

需要指出的是，上面所述只是說明本發(fā)明的一些原理，由于對(duì)相同技術(shù)領(lǐng)域的普通技術(shù)人員來說是很容易在此基礎(chǔ)上進(jìn)行若干修改和改動(dòng)的。因此，本說明書并非是要將本發(fā)明局限在所示和所述的具體結(jié)構(gòu)和適用范圍內(nèi)，故凡是所有可能被利用的相應(yīng)修改以及等同物，均屬于本發(fā)明所申請(qǐng)的專利范圍。