一种面向高空间分辨率遥感图像专题信息提取的半监督诊断性特征选择方法
【技术领域】
[0001] 本发明涉及半监督诊断性特征选择方法，特别涉及一种面向高空间分辨率遥感图 像专题信息提取的半监督诊断性特征选择方法。
【背景技术】
[0002] 近十几年来，IKONOS、QuickBird和Worldview II等高分辨率卫星影像广泛与专 题信息提取，例如道路提取，建筑物提取和滑坡制图。在这些应用中，面向对象的图像分析 方法（object-based image analysis, 0ΒΙΑ)已经成为专题信息提取的最有效的方法。OBIA 可以提取大量的特征，这些特征可能会恶化专题信息提取的性能。
[0003] 针对上述问题，可以根据经验选择对专题类敏感的特征子集。然而，这种经验性的 方法难以客观评价特征对专题类的有效性。而且，随着传感器的不同和时间的变化，同一专 题类的诊断性特征可能会有所不同。因此，有必要度量特征对专题类的有效性并自动选择 出合适的诊断性特征。传统特征选择方法的目标是找到一个最优的特征子集以区别所有类 另Ij，这些方法很少量化评价特征对提取专题类的贡献。因此，提取专题信息时缺乏指导性 原则或者自动的特征选择方法。
[0004] 另一方面，专题信息提取之前常常要先标记大量样本，标记样本的过程极大地增 加了人力成本和时间开销，而且有时还很难获取足够的标记样本。因此，在需求紧迫的时候 往往需要更加用少量的标记样本，然后基于大量的未标记样本信息选择诊断性特征，以提 高专题信息提取的精度。然而现有的诊断性特征选择方法还没有注意到这一问题。
【发明内容】
[0005] 本发明的目的是为了解决标记样本的工作量大且难以量化评价特征对提取专题 类的贡献的问题，提出一种面向高空间分辨率遥感图像专题信息提取的半监督诊断性特征 选择方法。
[0006] 上述的发明目的是通过以下技术方案实现的：
[0007] 步骤一：将图像分割成对象即样本，将对象进行特征提取，提取出对象特征值；根 据对象特征值获得对象特征矩阵为X = P11X25^Xmf cl(v+4)xm;其中，特征矩阵为v+q 行，m列；从所有样本任意选出V个样本进行标记，得到标记样本X1= (X1, x2, ...，xv)τ，剩下 q个样本为无标记样本Xu= (X v+1，xv+2, . . .，xv+(i)τ;
[0008] 步骤二：构造样本权重矩阵Se iTXn;在S中，度量样本对样本空间的局部几何信 息和样本空间的判别结构的保持能力；
[0009] 步骤三：根据步骤一中的对象特征矩阵具有内在稀疏性；根据对象特征矩阵内在 稀疏性将损失函数设定为基于I 2il范数最小化样本重构误差，并在样本重构误差中引入权 重矩阵S，得到损失函数j||SXW-X||21;将损失函数与正则项I |w| I21求和构建目标函数， 其中，β为正则化参数;W在步骤三中是未知的优化变量矩阵；
[0010] 步骤四：将步骤三得到的目标函数变换成简化的目标函数；
[0011] 步骤五：对简化的目标函数进行迭代优化输出矩阵U，选择U的后m行为优化变量 矩阵W ;
[0012] 步骤六：求各对象特征的W绝对值的和，选择出W绝对值的和最大的特征作为目标 类别的诊断性特征子集；即完成了一种面向高空间分辨率遥感图像专题信息提取的半监督 诊断性特征选择方法。
[0013] 发明效果
[0014] 本发明为了提出了一种面向高分辨率遥感图像专题信息提取的半监督诊断性特 征选择方法，该方法可以在只标记少量样本的情况下，联合利用少量的标记样本和大量的 未标记样本的内在信息，根据局部几何信息和判别结构处理标记样本少的问题，并在正则 项和损失函数上使得U:范数联合最小化，度量特征对专题信息敏感性的竞争力，为专题类 选择最优诊断性特征。获取对专题信息敏感的诊断性特征。实验结果表明：相比于传统特 征选择方法，诊断性特征选择方法的性能优于通过有效地选出诊断性特征，提升专题信息 提取的性能。
[0015] 本发明选择出的特征鲁棒性好、可解释性强以及专题信息提取精度大大提高，有 效解决了在标记少量样本的情况下，客观度量特征对特定地类诊断性能力的应用难题。
[0016] 由于本发明针对在标记样本少的情况下，基于l2，p范数最小化的目标函数计算出 的残差将极大地偏离真实值，模型的可靠性将大大降低这一问题，度量特征对局部几何信 息和判别结构的保持能力，并引入目标函数，增强了结果的鲁棒性。利用该方法可以有效地 解决标记样本数量不足对基于l 2，p范数最小化的目标函数建模不可靠的问题，准确地度量 特征对地类的诊断能力。
[0017] 本方法用于在标记样本不足的情况下，优化损失函数和正则项的l2，p范数最小化 目标函数。它将局部几何信息和判别结构引入损失函数，并对目标函数整体做了简化并迭 代求解。
[0018] 利用该方法可以在标记样本少的情况下，克服噪声的干扰，对高空间分辨率遥感 图像专题信息有效选择出诊断性特征，客观度量特征对特定地类诊断性能力，提高专题信 息提取的精度。
[0019] 表1是提取的特征及其数量；选择20个特征时因为选择20个特征的分类精度已 经近似或者由于采用所有特征的分类精度。限于篇幅，只展示每类选取10个标记样本的结 果，选取其他数量的标记样本的结果类似。表2是在悉尼图像上当取10个标记样本，每个 类别采用20个特征时的分类精度[%]、采用所有特征时所有类别的平均AUC[% ]。表3 是美国加州圣克莱门特图像上相应的结果。从表2~3中可以看出，新方法SCFS明显好于 对比方法。总的来看，在美国加州圣克莱门特图像上，所有类别所有特征的平均AUC可比其 他的尚2%。在悉尼图像上，可比其他的尚2. 8%。选用20个特征时，在两幅图像图像上， 采用SCFS时专题类别的精度可以比其他方法高10%。另外，由于每类只标记少量的标记样 本，很难处理实际的不平衡数据。随着特征数量的增加，尤其多于50个时，不平衡数据更难 处理。因此每个类别的平均AUC大约在50%。
[0020] 半监督特征选择方法Asymmetrically Local Discriminant Selection(ALDS)和 其他的采用一对多策略的诊断性特征选择方法没有表现出足够的优势。ALDS同样采用了局 部几何信息以弥补标记样本的不足带来的影响，但是受限于没有针对专题类别。采用一对 多策略的诊断性特征选择方法能度量特征对专题类别的依赖性，但是受限于标记样本不足 的影响。结果表明应该结合无标记样本信息和与专题类别相关的信息，才能提高性能。
[0021] 表4是悉尼图像上每类10个标记样本即Ii1= 10时，不同专题信息的前6个诊断 性特征及其对专题信息提取的相对贡献。表5是圣克莱门特图像上每类10个标记样本即 Ii1= 10时，不同专题信息的诊断性特征及其对专题信息提取的相对贡献。其中相对贡献为 每个特征的贡献与最大贡献的比值。一般来说，不同类别有不同的诊断性特征。另外，一个 类别在不同图像中也有不同的诊断性特征。例如，在悉尼图像中，水有5个GLCM纹理特征， 和一个形状特征和一个光谱特征。相反，圣克莱门特图像上，水有1个GLCM纹理特征，6个 光谱特征。原因在于：1)悉尼图像中水有相似的光谱特征，所以纹理和形状特征诊断性相 对较强；2)圣克莱门特图像上，不同部分的水有非常不同的光谱特征，所以纹理特征诊断 性相对较弱。再如，悉尼图像中道路有明显的形状，所以形状特征诊断性较强。然而圣克莱 门特图像上，道路的形状特征诊断性较弱在于标记样本太少。
[0022] 即使一个类别在不同的图像中有相同的诊断性特征，特征的贡献也不同。原因在 于不同图像的对象外表的相异性。
[0023] 一般来说，纹理和光谱是高分辨率遥感图像对象最好的诊断性特征，如图2澳洲 悉尼图像是第六波段的灰度共生矩阵同质性和对比度特征、第一波段的均值特征。圣克莱 门特图像是第八波段的灰度共生矩阵均值特征、第一波段的均值特征相邻像素标准差和第 七波段的圆周均值。
【附图说明】
[0024] 图1是【具体实施方式】一提出的一种面向高空间分辨率遥感图像专题信息提取的 半监督诊断性特征选择方法流程图；
[0025] 图2为【具体实施方式】一提出的Worldview-2高分辨率图像于2012年8月拍摄的 澳大利亚悉尼8波段1. 8米空间分辨率遥感图像，像素大小为2543X2543 ;
[0026] 图3为【具体实施方式】一提出的Worldview-2高分辨率图像于2012年9月拍摄的 美国圣克莱门特8波段1. 8米空间分辨率遥感图像，像素大小为3101X2086。
【具体实施方式】
【具体实施方式】 [0027] 一：本实施方式的一种面向高空间分辨率遥感图像专题信息提取的 半监督诊断性特征选择方法，具体是按照以下步骤制备的：
[0028] 步骤一：预处理，将图像分割成对象即样本，将对象进行特征提取，提取出对象 特征值；根据对象特征值获得对象特征矩阵为为了更好地 提取高分辨率遥感影像中的信息，采用面向对象的图像分析方法（Object-based Image Analysis, OBIA)对图像进行分析；其中，特征矩阵为v+q行，m列；从所有样本任意选出v 个样本进行标记，