一種基于正則化集合度量學(xué)習(xí)的遙感圖像分類方法及系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及遙感圖像處理技術(shù)領(lǐng)域，特別涉及一種基于正則化集合度量學(xué)習(xí)的遙 感圖像分類方法及系統(tǒng)。
【背景技術(shù)】
[0002] 高光譜遙感圖像分類廣泛應(yīng)用于農(nóng)作物分析、礦物辨識(shí)、湖泊濕地分類和土地利 用/覆蓋分類等領(lǐng)域。傳統(tǒng)的基于光譜分類方法，未考慮空間鄰域像素的相關(guān)性，應(yīng)用于高 光譜遙感圖像分類時(shí)，效果欠佳?；诠庾V一空間域聯(lián)合分類方法，是提升高光譜遙感圖像 分類性能的有效途徑。
[0003]目前，常用的光譜一空間域聯(lián)合分類方法，主要有以下三類：第一類，在光譜分類 之前利用空間域信息進(jìn)行特征提取，代表性方法為形態(tài)學(xué)輪廓方法；第二類，同時(shí)利用空間 域信息和光譜信息進(jìn)行聯(lián)合分類，代表性方法為組合核分類方法；第三類，在光譜分類之后 利用空域信息進(jìn)行后處理，代表性方法為基于圖像分割的方法。
[0004] 以上分類方法，其本質(zhì)都是尋求一種合理有效的相似性度量，實(shí)現(xiàn)準(zhǔn)確的目標(biāo)分 類。光譜分類方法是基于光譜相似性度量進(jìn)行分類；光譜一空間域聯(lián)合分類方法是同時(shí)考 慮光譜相似性和空間域相似性，其試圖描述鄰域像素所構(gòu)成的局部像素集合之間的某種相 似性；但，由于直接度量像素集合之間的相似性較困難，通?；谙袼攸c(diǎn)或特征向量進(jìn)行分 類，即用像素點(diǎn)替代像素集合，其不能充分地描述高光譜遙感圖像局部同源區(qū)域之間的結(jié) 構(gòu)相似性。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明目的是提供一種基于正則化集合度量學(xué)習(xí)的遙感圖像分類方法，解決現(xiàn)有 技術(shù)中存在的上述問題。
[0006] 本發(fā)明解決上述技術(shù)問題的技術(shù)方案如下：
[0007] -種基于正則化集合度量學(xué)習(xí)的遙感圖像分類方法，包括如下步驟：
[0008] 步驟1，輸入待分類的高光譜遙感圖像，劃分訓(xùn)練樣本和測(cè)試樣本；
[0009] 步驟2,基于訓(xùn)練樣本，學(xué)習(xí)得降維矩陣，并對(duì)所述高光譜遙感圖像進(jìn)行維數(shù)約簡， 得低維高光譜遙感圖像；
[0010] 步驟3,分別建立每個(gè)訓(xùn)練樣本和每個(gè)測(cè)試樣本在所述低維高光譜遙感圖像上的 訓(xùn)練像素集合和測(cè)試像素集合；
[0011] 步驟4,基于所述訓(xùn)練像素集合，學(xué)習(xí)得正則化集合度量矩陣；
[0012] 步驟5,基于所述正則化集合度量矩陣，計(jì)算每個(gè)測(cè)試像素集合與各訓(xùn)練像素集合 之間的集合距離，基于集合距離對(duì)每個(gè)測(cè)試像素集合對(duì)應(yīng)的測(cè)試樣本進(jìn)行分類。
[0013] 本發(fā)明的有益效果是：對(duì)待分類的高光譜遙感圖像進(jìn)行維數(shù)約簡，在降維的低維 高光譜遙感圖像上，構(gòu)建空間域局部訓(xùn)練像素集合和測(cè)試像素集合，基于訓(xùn)練像素集合，學(xué) 習(xí)得到描述集合到集合距離的正則化集合度量矩陣，并計(jì)算測(cè)試像素集合與各訓(xùn)練像素集 合之間的集合距離，實(shí)現(xiàn)對(duì)測(cè)試樣本的分類；面向高光譜遙感圖像光譜和空間域特征，構(gòu)建 具有更好目標(biāo)特征承載能力的局部同源像素集合，開展像素集合到像素集合的正則化集合 度量學(xué)習(xí)與分類，直接度量像素集合之間的相似性，有效利用高光譜遙感圖像數(shù)據(jù)的多重 空譜特征，即光譜、空間形狀和紋理特征等，得到準(zhǔn)確可靠的度量關(guān)系和分類結(jié)果。
[0014] 在上述技術(shù)方案的基礎(chǔ)上，本發(fā)明還可以做如下改進(jìn)。
[0015] 進(jìn)一步，所述步驟2包括如下步驟：
[0016] 步驟21，根據(jù)預(yù)設(shè)像素鄰域窗口，按如下第一公式計(jì)算每個(gè)訓(xùn)練樣本的局部像素 距離散度矩陣，按如下第二公式計(jì)算全部訓(xùn)練樣本的局部像素鄰域保持矩陣。
[0017] 所述第一公式如下：
[0018]
[0019] 所述第二公式如下：
[0020]
[0021] 其中，所述Xl為訓(xùn)練樣本i對(duì)應(yīng)的列向量，iG{1，2, 3……n}，n為訓(xùn)練樣本的總 數(shù)；xlk為訓(xùn)練樣本i的鄰域像素ik對(duì)應(yīng)的列向量，kG{1，2, 3......s}，s為訓(xùn)練樣本i的 鄰域像素的總數(shù)；所述為訓(xùn)練樣本i與其鄰域像素ik之間的光譜和空間域距離關(guān)系權(quán) 重。
[0022] 步驟22,按如下第三公式計(jì)算全部訓(xùn)練樣本的總散度矩陣。
[0023] 所述第三公式如下：
[0024]
[0025]其中，所述m=(Xi+xJ…+xn)/n。
[0026] 步驟23,按如下第四公式學(xué)習(xí)得降維矩陣。
[0027] 所述第四公式如下：
[0028] V = h v2 …vd]
[0029] 其中，所述d為所述低維高光譜遙感圖像的維數(shù)，所述Viv2…vd分別為Sv= 入Hv的前d個(gè)最大廣義特征值A(chǔ)所對(duì)應(yīng)的特征向量v。
[0030] 步驟24,將所述高光譜遙感圖像與所述降維矩陣相乘，得所述低維高光譜遙感圖 像。
[0031] 進(jìn)一步，所述步驟3的具體實(shí)現(xiàn)為在所述低維高光譜遙感圖像上，根據(jù)所述預(yù)設(shè) 像素鄰域窗口，確定每個(gè)訓(xùn)練樣本的鄰域像素和每個(gè)測(cè)試樣本的鄰域像素；每個(gè)訓(xùn)練樣本 和其對(duì)應(yīng)的鄰域像素組成訓(xùn)練像素集合；每個(gè)測(cè)試樣本和其對(duì)應(yīng)的鄰域像素組成測(cè)試像素 集合。
[0032] 進(jìn)一步，所述步驟4包括如下步驟：
[0033] 步驟41，初始化正則化集合度量矩陣為單位矩陣。
[0034] 步驟42,基于初始化的正則化集合度量矩陣，按如下第五公式，計(jì)算各訓(xùn)練像素集 合之間的正則化集合距離；對(duì)每個(gè)訓(xùn)練像素集合，獲得與其具有最小正則化集合距離的同 類的訓(xùn)練像素集合，構(gòu)造屬于同類的正樣本對(duì)；獲得與其具有最小正則化集合距離的異類 的訓(xùn)練像素集合，構(gòu)造屬于異類的負(fù)樣本對(duì)。
[0035] 所述第五公式如下：
[0036] = (Xia-X2b)TI(Xia-X2b)
[0037] 其中，所述XpX2為任意兩個(gè)訓(xùn)練像素集合的矩陣，d: X2)為所述任意兩個(gè)訓(xùn)練 像素集合之間的正則化集合距離，I為所述初始化的正則化集合度量矩陣，a為矩陣為&的 訓(xùn)練像素集合中各像素所對(duì)應(yīng)的凸包系數(shù)組成的向量，b為矩陣為&的訓(xùn)練像素集合中各 像素所對(duì)應(yīng)的凸包系數(shù)組成的向量。
[0038] 步驟43,根據(jù)構(gòu)造的正樣本對(duì)和負(fù)樣本對(duì)，按如下優(yōu)化模型計(jì)算更新的正則化集 合度量矩陣。
[0039] 所述優(yōu)化模型如下：
[0044] 其中，所述M為更新的正則化集合度量矩陣，&為任意一個(gè)訓(xùn)練像素集合的矩陣， Xk為所述任意一個(gè)訓(xùn)練像素集合的正樣本對(duì)中的另一訓(xùn)練像素集合的矩陣，X,為所述任意 一個(gè)訓(xùn)練像素集合的負(fù)樣本對(duì)中的另一訓(xùn)練像素集合的矩陣，€為所述任意一個(gè)訓(xùn)練像 素集合的正樣本對(duì)的松弛變量，為所述任意一個(gè)訓(xùn)練像素集合的負(fù)樣本對(duì)的松弛變量， cUXi，xk)為所述任意一個(gè)訓(xùn)練像素集合與其正樣本對(duì)中另一訓(xùn)練像素集合之間的集合距 離，(UXdX,)為所述任意一個(gè)訓(xùn)練像素集合與其負(fù)樣本對(duì)中另一訓(xùn)練像素集合之間的集合 距離，a為懲罰參數(shù)；所述P為偏移量，可由所述優(yōu)化模型求解出。
[0045] 進(jìn)一步，所述步驟5的具體實(shí)現(xiàn)為基于更新的正則化集合度量矩陣，按如下第六 公式，計(jì)算每個(gè)測(cè)試像素集合與各訓(xùn)練像素集合之間的集合距離，獲得與所述測(cè)試像素集 合具有最小集合距離的匹配的訓(xùn)練像素集合，并將所述測(cè)試像素集合對(duì)應(yīng)的測(cè)試樣本分類 到所述匹配的訓(xùn)練像素集合對(duì)應(yīng)的訓(xùn)練樣本的類別中。
[0046] 所述第六公式如下：
[0047] ^(Y.X,) = (Yc-X.b^^CYc-X.b,)
[0048] 其中，所述Y為所述測(cè)試像素集合的矩陣，&為任意一個(gè)訓(xùn)練像素集合的矩陣， cUH)為所述測(cè)試像素集合與所述任意一個(gè)訓(xùn)練像素集合之間的集合距離，M為所述更 新的正則化集合度量矩陣，c為所述測(cè)試像素集合中各像素所對(duì)應(yīng)的凸包系數(shù)組成的向量， 匕為所述任意一個(gè)訓(xùn)練像素集合中各像素所對(duì)應(yīng)的凸包系數(shù)組成的向量。
[0049] 本發(fā)明的另一技術(shù)方案如下：
[0050] -種基于正則化集合度量學(xué)習(xí)的遙感圖像分類系統(tǒng)，包括樣本劃分模塊、低維高 光譜遙感圖像生成模塊、像素集合生成模塊、正則化集合度量矩陣求解模塊和測(cè)試樣本分 類模塊。
[0051] 所述樣本劃分模塊，其用于輸入待分類的高光譜遙感圖像，劃分訓(xùn)練樣本和測(cè)試 樣本。
[0052] 所述低維高光譜遙感圖像生成模塊，其用于基于訓(xùn)練樣本，學(xué)習(xí)得降維矩陣，并對(duì) 所述高光譜遙感圖像進(jìn)行維數(shù)約簡，得低維高光譜遙感圖像。
[0053] 所述像素集合生成模塊，其用于分別建立每個(gè)訓(xùn)練樣本和每個(gè)測(cè)試樣本在所述低 維高光譜遙感圖像上的訓(xùn)練像素集合和測(cè)試像素集合。
[0054] 所述正則化集合度量矩陣求解模塊，其用于基于所述訓(xùn)練像素集合，學(xué)習(xí)得正則 化集合度量矩陣。
[0055] 所述測(cè)試樣本分類模塊，其用于基于所述正則化集合度量矩陣，計(jì)算每個(gè)測(cè)試像 素集合與各訓(xùn)練像素集合之間的集合距離，基于集合距離對(duì)每個(gè)測(cè)試像素集合對(duì)應(yīng)的測(cè)試 樣本進(jìn)行分類。
[0056] 在上述技術(shù)方案的基礎(chǔ)上，本發(fā)明還可以做如下改進(jìn)。
[0057] 進(jìn)一步，所述低維高光譜遙感圖像生成模塊包括局部像素鄰域保持矩陣求解單 元、總散度矩陣求解單元、降維矩陣求解單元和高光譜遙感圖像降維單元。
[0058] 所述局部像素鄰域保持矩陣求解單元，其用于根據(jù)預(yù)設(shè)像素鄰域窗口，按如下第 一公式計(jì)算每個(gè)訓(xùn)練樣本的局部像素距離散度矩陣，按如下第二公式計(jì)算全部訓(xùn)練樣本的 局部像素鄰域保持矩陣。
[0059] 所述第一公式如下：
[0060]
[0061] 所述第二公式如下：
[0062]
[0063] 其中，所述Xl為訓(xùn)練樣本i對(duì)應(yīng)的列向量，iG{1，2, 3……n}，n為訓(xùn)練樣本的總 數(shù)；xlk為訓(xùn)練樣本i的鄰域像素ik對(duì)應(yīng)的列向量，kG{1，2, 3......s}，s為訓(xùn)練樣本i的 鄰域像素的總數(shù)