专利名称：基于局部协同表示和邻域信息约束的高光谱图像分类方法
基于局部协同表示和邻域信息约束的高光谱图像分类方法技术领域
本发明属于图像处理技术领域，涉及高光谱图像的分类，可用于目标的识别。
背景技术：
随着航空航天高光谱遥感技术的发展，高光谱遥感数据也越来越普及并为人们广泛使用。高光谱图像处理的一个重要特点就是从光谱维去理解地物在空间维的特性、展布与变化。其中，基于高光谱数据的地物精细分类和目标探测始终是高光谱遥感技术应用的核心内容之一。高光谱图像目标检测在民用和军事上都具有重要的理论价值和应用前景， 是当前目标识别及遥感信息处理研究领域中的一个热点研究问题。
目前高光谱图像分类技术主要分为三种类型基于支撑矢量机的方法、基于降维的方法和基于稀疏字典的方法；其中基于支撑矢量机的方法主要是利用支撑矢量机可以将样本投影到高维空间中，从而很好地处理线性不可分问题。由于该方法计算复杂度较高，对大量训练样本问题效果并不明显。基于降维的方法，常见的有无监督降维的主成分分析法和有监督降维的线性判别法。但是，这两种方法在降维的过程中，对样本特征维数的取舍问题并没有很好地采用对分类有利的措施，效果不明显。2010年，Yi Chen等人提出了基于冗余字典稀疏表示的高光谱图像分类方法，该方法假设每类地物别样本处于一个较低维的子空间中，而且每个测试样本可以很好地用属于同类的少量的样本进行线性表示。该方法将分类问题转化为求解测试样本通过训练样本组成的字典稀疏编码的问题，取得了较好的分类结果。但是，稀疏系数的求解是一个非凸求解的问题，不能很好地满足高光谱图像大量样本进行实时分类的要求。发明内容
本发明的目的在于针对上述已有技术的不足，提出一种基于局部协同表示和邻域信息约束的高光谱图像分类方法，一方面，避免支撑矢量机方法由于训练样本数目过大造成训练时间较长的问题；另一方面，克服稀疏字典方法的Itl范数或1工范数求解的困难，减少字典原子的数目，更有利于快速地对高光谱图像的样本进行分类。
实现本发明的技术思路是通过利用高光谱图像的邻域相似性来约束测试样本和训练样本之间的线性相关性，求解测试样本通过字典协同表示的系数；结合该系数的能量大小，选择N个贡献程度最大的原子构成新的字典，利用新的字典对测试样本进行第二次协同表示。通过计算测试样本和第二次协同表示重构各部分之间的残差，得到最后的分类结果。其具体步骤包括如下
(1)从高光谱图像的参考图中选择测试样本
权利要求
1.一种基于局部协同表示和邻域信息约束的高光谱图像分类方法，包括如下步骤(1)从高光谱图像的参考图中选择测试样本yteste Rd，然后取该测试样本邻域内的M 个样本共同构成该测试样本的邻域矩阵T=[ytest，Ny] e Rdx(M+1)，其中，d是样本向量的维数，Ny表示该测试样本的邻域内M个样本组成的矩阵，即
2.根据权利要求1所述的基于局部协同表示和邻域信息约束的高光谱图像分类方法， 其中步骤(2)所述的计算协同表示的系数矩阵β，通过如下公式进行β= (DtD+λ D^1T其中，D是所有训练样本组成的字典，参数λ设置为O. 01，I是单位矩阵，T是测试样本ytest的邻域矩阵，(·)τ表示矩阵的转置，(· Γ1表示矩阵的逆。
3.根据权利要求1所述的基于局部协同表示和邻域信息约束的高光谱图像分类方法， 其中步骤(3)所述计算测试样本ytest的协同表示系数向量α，通过如下公式进行
全文摘要
本发明公开一种基于局部协同表示和邻域信息约束的高光谱图像分类方法。主要解决现有技术计算复杂度高的问题。其实现步骤为(1)取高光谱图像测试样本邻域内的M个样本与该测试样本构成邻域矩阵；(2)用所有训练样本构成字典，通过该字典计算邻域矩阵的协同表示系数矩阵；(3)计算系数矩阵每行的l2范数，根据l2范数较大的N个行标记，从字典中选择N个原子组成子字典，通过该子字典计算测试样本的协同表示系数；(4)根据每类训练样本的数目，将协同表示系数和子字典分成n部分；(5)计算并比较测试样本和n部分重构之间的残差，测试样本的类标对应于最小残差的下标。本发明使用局部协同表示，减少了原子的数目，降低了计算复杂度，可用于高光谱图像分类问题。
文档编号G06K9/62GK103065160SQ20131002524
公开日2013年4月24日 申请日期2013年1月23日 优先权日2013年1月23日
发明者张小华, 焦李成, 朱文杰, 王爽, 田小林, 代坤鹏, 马文萍, 马晶晶 申请人:西安电子科技大学