一种基于稀疏特征和马尔科夫随机场的高光谱图像分类方法
【专利摘要】本发明属于遥感信息处理【技术领域】，具体涉及一种基于稀疏特征和马尔科夫随机场的高光谱图像分类方法。本发明包括：读入高光谱图像数据；求解字典；求解稀疏特征；用概率支持向量机求解概率输出，并确定初始分类结果：通过马尔科夫随机场来求解样本概率；确定高光谱图像最终分类结果。本发明应用稀疏特征使得图像得到很好的表述，能够对图像中的邻域信息充分的利用，优化了分类图的视觉效果，提高了分类的精度等优点。
【专利说明】-种基于稀疏特征和马尔科夫随机场的高光谱图像分类方 法
【技术领域】
[0001] 本发明属于遥感信息处理【技术领域】，具体设及一种基于稀疏特征和马尔科夫随机 场的高光谱图像分类方法。
【背景技术】
[0002] 高光谱图像分类是一种重要的获取信息的手段，W高光谱图像为对象，利用统计 模式识别技术，提取研究取识别模式的统计特征值，然后根据某种决策准则做出类别决策， 实现对不同地物的判别，其目标是将图像中的每个像元划分给一个类别。不同的地物由于 反射的电磁能量不同表现出波谱的差异性，该就是高光谱分类的理论依据。良好的高光谱 图像分类有助于充分挖掘高光谱图像信息，高光谱数据的特点是数据量大、冗余多，维数较 高，同时在波段之间存在着很强的相关性。传统高光谱处理中通常用到的信息为原始的光 谱（Original Spectral, 0巧特征和主成分分析（Principal Components Analysis, PCA)特 征信息，如何有效地利用丰富的光谱信息，并同时确保处理精度获得了越来越广泛的关注。
[0003] 传统的高光谱数据分类方法中存在W下几个问题；1、高光谱数据不能得到很好的 表达致使分类精度不高。2、没有充分利用邻域信息。针对W上问题，本发明提出一种稀疏 特征和马尔科夫随机场的高光谱图像分类方法。
【发明内容】
[0004] 本发明的目的是提供一种具有更优的分类效果，分类视觉效果好，分类精度高的 基于稀疏特征和和马尔科夫随机场的高光谱图像分类方法。
[0005] 本发明的目的是该样实现的：
[0006] (1)读入高光谱图像数据：
[0007] 读入=维的高光谱高维数据，进行维数转换从=维转换为二维数据，对所得的二 维数据作归一化处理得到高光谱遥感图像数据集X，确定要处理的样本类别数为S ;
[000引 似求解字典D ;
[0009] 高光谱遥感图像数据集义=^|义，￡巧"，1至P如}，W,表示n维实数集，其中n为高光 谱数据的行数，Xp表示X中的第P个列向量，h为其列总数，字典.D = R|f/_- e、?);".1 ^ W|，dz 表示D中的第z个列向量，W为其列总数，把稀疏表示表达为：
[0010] mini 义一Da " +义 a ,, s.t. ^ < 1 Vz e 1,? ? ,W, D.a 2 t -
[0011] 其中，ae纸wxA为系数矩阵，入>0,参数入平衡重构误差和稀疏性之间的折中关 系；得到高光谱数据所对应的字典D ;
[0012] (3)求解稀疏特征A :
[0013] 将像元X G X表示为字典D中原子的稀疏线性组合：
[0014]
【权利要求】
1. 一种基于稀疏特征和马尔科夫随机场的高光谱图像分类方法，其特征在于： (1) 读入高光谱图像数据： 读入三维的高光谱高维数据，进行维数转换从三维转换为二维数据，对所得的二维数 据作归一化处理得到高光谱遥感图像数据集X，确定要处理的样本类别数为S; (2) 求解字典D: 高光谱遥感图像数据集I=hpl'e,1S表示n维实数集，其中n为高光谱数 据的行数，Xp表示X中的第p个列向量，h为其列总数，字典D= {#/__GK"，1SMW，dz表示D中的第z个列向量，W为其列总数，把稀疏表示表达为：
其中，为系数矩阵，A>〇,参数A平衡重构误差和稀疏性之间的折中关系； 得到高光谱数据所对应的字典D; (3) 求解稀疏特征A: 将像元XeX表示为字典D中原子的稀疏线性组合：
则像元X在字典D上的稀疏表示特征即为<i(x)，J=d(x)，得到高光谱数据的稀疏特征A； (4) 用概率支持向量机求解概率输出，并确定初始分类结果： (4. 1)设定训练集和测试集： 从稀疏特征A中将s个类别各选取一样本来构成训练集E，整个稀疏特征A设定为测试 集； (4. 2)进行样本标号： 将具有监督信息的训练样本中属于第i(1 <i<s)类样本对应的样本标号标记为+1， 其余s-1的类别对应的样本标号标记为-1 ; (4. 3)概率支持向量机二分类： A中的元素e的分类决策函数为& (e)为：fi(e) = <w,e>+b
w=E0 其中，y为对应于E中第i类位置处的值为+1、其余元素值为-1的s维列向量，Iv为元
(4. 4)通过二分类结果为& (e)，求解出分类概率输出po(iIe)，并对结果进行存储，
其中，a和B分别为斜率和截距参数； (4.5)重复步骤（4. 1)-(4. 3)，直至分类概率输出po(S|e)求解完毕； (4. 6)对概率输出进行归一化，得到最终概率输出P(iIe):
(4. 7)确定初始分类结果： 由步骤（4. 1) - (4. 6)得s个概率输出，稀疏特征A中测试样本的归属类别取决于s个结 果中对应的最大值，样本就偏向于这个类别并且最终归属为这一类，得到初始分类结果Ytl; (5) 通过马尔科夫随机场来求解样本概率： (5.1)求解能量函数U(e): 初始分类结果Ytl为马尔科夫随机场，求解其能量总函数U(e):
其中C1为一阶邻域集团，C2为二阶邻域集团，e为目标像素，eni与enS邻域集团中的
和0。分别为一阶邻域势参数和二阶邻域势参数； (5. 2)求解样本e出现的概率P(e): 求解样本e出现的概率P(e):
这里设为1 ; (6) 确定高光谱图像最终分类结果； 通过最大后验概率准则确定样本的最终标号BH，最终输出最终分类结果Y:
【文档编号】G06K9/62GK104504391SQ201410734811
【公开日】2015年4月8日 申请日期:2014年12月4日 优先权日:2014年12月4日
【发明者】王立国, 杨京辉, 赵春晖 申请人:哈尔滨工程大学