基于张量稀疏表示及聚类的多光谱遥感图像分类方法与流程

本发明涉及遥感图像处理领域，尤其涉及基于张量稀疏表示及聚类的基于张量稀疏表示及聚类的多光谱遥感图像分类方法。

背景技术：

近年来，随着电子波谱理论、测量技术及计算机技术的飞速发展，多光谱遥感技术得到了飞速的发展，人们所获取的多光谱遥感图像质量越来越高，所需存储器容量越来越大，对多光谱遥感数据进行分析，可以发现非常丰富的光谱信息和地物细节。目前，多光谱遥感数据已成为资源勘探、环境调查、灾害分析、农业普查等领域的重要数据源。

由于多光谱遥感图像由一些能够反映地物特征的像素组成，每个象素代表着某一个地表地物的几十个甚至数百个个波段的太阳能辐射水平，可以表示为向量空间的一部分，由于多光谱传感器的局限性，在获取信号的过程中会忽略信号的空间及光谱的相关性，从而造成向量空间的冗余甚至维数灾难。近年来提出很多降维的方法。通过稀疏表示，将多光谱遥感图像进行降维是一种近年来出现的非常有效的方法。

通过对遥感图像进行分类，可以快速识别分类地物，为国家决策、农业病虫害分析、滑坡治理、土地执法、测绘制图、资源环境、交通建设、军事解译、国家安全和大众服务等，对高分辨率遥感图像的分类已成为当前经济建设和社会发展不可或缺的重要手段。

技术实现要素：

本发明要解决的技术问题是：提供一种基于张量稀疏表示及聚类的基于张量稀疏表示及聚类的多光谱遥感图像分类方法，提高多光谱遥感图像总体分类精度和kappa系数。

为解决上述问题，本发明采用的技术方案是：基于张量稀疏表示及聚类的基于张量稀疏表示及聚类的多光谱遥感图像分类方法，包括步骤：

利用聚类算法将多光谱遥感图像划分为不同的组；

将各组中的多光谱图像由三维形式转化为二维的矩阵；

对所述二维的矩阵进行字典学习，获得能够用于各组多光谱遥感图像进行稀疏表示的字典、稀疏表示系数、每一种地物的标记；

对获得的稀疏表示系数及标记进行训练，获得最优的分类器；

对多光谱遥感图像的像素，根据其稀疏表示系数，利用获得的分类器，对其进行分类，并标记每一类地物。

进一步的，通过kiers张量水平展开方法将多光谱图像由三维形式转化为二维的矩阵。

进一步的，利用线性svm算法对稀疏表示系数及标记进行训练，获得最优的分类器。

本发明的有益效果是：本发明通过对多光谱遥感图像进行聚类，字典学习获得一系列的原子，利用这些原子的线性组合实现了对多光谱遥感图像的表示，利用支持向量机(svm)算法实现了对多光谱遥感图像的分类，该方法在分类精度和kappa系数上相对于目前常见的多光谱分类方法有显著的提高，并极大的提高了分类的时间。

附图说明

图1本发明聚类示意图；

图2本发明将多光谱图像由三维形式转化为二维的矩阵示意图。

具体实施方式

实施例提供一种基于张量稀疏表示及聚类的多光谱遥感图像分类方法，工作过程如下：

1.输入多光谱遥感图像，如图1所示，利用聚类对根据多光谱遥感图像波段之间的关系，利用聚类算法将多光谱遥感图像划分为不同的组，属于同一像素组的像素可以认为是同一种物质，则可以学习得到一组通用的字典原子集，这样属于同一个像素组的像素稀疏表示就不再独立，大大提高了后续分类的精度，缩短分类的时间。

稀疏表示的目标函数为：

其中和的列向量分别表示对光谱采样的稀疏表示系数及光谱稀疏表示后的残余。

2.如图2所示，通过kiers张量水平展开方法将各组中的多光谱图像由三维形式转化为二维的矩阵。

3.对多光谱图像数据(即步骤2转化的二维的矩阵)进行字典学习，获得能够用于各组多光谱遥感图像进行稀疏表示的字典、稀疏表示系数、每一种地物的标记。

为了学习得到字典和其稀疏表示形式，本发明采用了凸联合稀疏及规范化，

其中第i组的归一化参数，第y行的为范数，通过估计γh每一行的范数。其中x＝[x1,…xn],y＝[y1,…yn]，且||·||f表示矩阵的frobenius范数，第2部分为稀疏惩罚函数，表示正则化约束参数,s(y)在处理中用稀疏表示，本发明中采用最小化问题进行求解，即

通过字典学习求解字典d和稀疏表示系数y，实施例通过两步进行求解：

第一步：稀疏编码。在这一步，通过固定d，本发明的特征为对y的最优化问题，能独立的求解每一个yi，即：

第二步：字典更新。在这一步，主要实现字典的更新，因此需满足y是确定的，因此最优化问题转化

按照获得的估计更新γh，目标函数表示为：

式获得：yh＝λd^t(dλd^t+γhi)xh

4.利用线性支持向量机(svm)算法对稀疏表示系数及标记进行训练，获得最优的分类器。

5.对多光谱遥感图像的像素，根据其稀疏表示系数，利用获得的分类器，对其进行分类，并标记每一类地物，最终完成分类。

为了对发明的性能进行测试和评估，实施例对2组多光谱遥感图像进行了实验，与基本的支持向量机分类，字典学习后进行分类及基于张量稀疏表示后进行分类的方法进行了比较，实验中采用了四种指标进行评价，分别为总精度(overallaccuracy,oa)，平均精度(averageaccuracy,aa)及kappa系数及运行时间，空下表为具体的分类指标。

(1)实验1

实验1对1992年6月美国印第安纳州西北部的由aviris获取的indianpines实验区图像进行了实验，该遥感图像的大小为：145pixel×145pixel，包含220个波段，其分类的总精度(oa)和平均精度(aa)及kappa系数的对比如表1所示:

表1

(1)实验2

本实验选取了由rosis传感器在2003年获取的城市遥感图像paviacenter的数据，该传感器的分辨率达到了1.3m/pixel,具有从0.43μm～0.86μm的115个波段，该区域的真实地物为9类。其分类的总精度(oa)和平均精度(aa)及kappa系数的对比如表2所示：

表2

通过分析表1和表2可以得出，基于张量稀疏表示后进行分类的方法的总精度，平均精度及kappa系数有明显的提高。

需要指出的是，上面所述只是说明本发明的一些原理，由于对相同技术领域的普通技术人员来说是很容易在此基础上进行若干修改和改动的。因此，本说明书并非是要将本发明局限在所示和所述的具体结构和适用范围内，故凡是所有可能被利用的相应修改以及等同物，均属于本发明所申请的专利范围。