ff 距离向量Cp,q排除在外，则子分类器指导系数为
[0054] 3)最后对Class^i和Class1^分类，只需进行一次分类即可。
[0055] 步骤五：采用基于Chernoff距离的加权SVM分类器执行整个0ΑΑ策略所确定的分 类任务，直到得到各个测试样本的最终单一类别属性。
[0056] 1)首先选择合适的核函数。由于RBF核对于多种数据类型的适应性更强，且对0ΑΑ 策略下容易造成一种类别与多种类别的数量差异较大的分类问题有很好的计算结果，所以 本发明选择RBF核作为SVM分类器的核函数；同时，我们为了将之前采用Chernoff距离得 到的针对第P类的分类指导系数A引入到各子分类器当中，我们需要采用加权改进的RBF核函数：
[0057]
[0058] 其中〇为宽度常数，σ越小，函数越具有选择性。
[0059] 为了保证SVM子分类器的正确执行，在加权后还应对输入的样本数据进行归一化 处理。
[0060] 2)依照步骤三所确定的分类策略，每一步都采用步骤1)中所构建的基于 Chernoff距离的加权SVM分类器去完成训练和测试。
[0061] 3)反复执行步骤2)，直到所有0ΑΑ策略所确定的分类任务都完成后，也就是各个 测试样本都被最终决策为单一类别属性，这时整个针对测试样本的多分类任务即可终止。
【具体实施方式】 [0062] 二：本实施方式将改进的基于Chernoff距离的SVM方法运用到高光 谱图像数据分类过程中，结合0ΑΑ策略进一步提高分类精度。
[0063] 首先给出高光谱图像数据的描述：
[0064] 实验对象为高光谱图片数据。该数据包含520个连续波段，实验对象为高光 谱图片数据。该数据包括75x75个像素，每个像素包含520个连续波段，波长范围为 400nm-1000nm，光谱分辨率为8nm。
[0065] 本实施方式选取了拍摄图片中像素数最多的4类作为实验样本，详见表1。
[0066] 表1各类别所对应的实验样本数
[0067]
[0068] 图2为高光谱数-的i始图像，其中天空，树和云占据+绝大部分;飞机在整幅图 中仅仅占了几个像素点。图3为样本的标签图。在打标签的过程中，由于分辨率的关系，树 梢的一部分被标为了天空。但是由于树梢和天空的光谱差距较大且两类的样本点足够，所 以这一部分对分类的效果几乎没有影响，且可以作为分类结果的验证。
[0069] 本实施方式分别采取了两种核对高光谱数据集合进行4类的分类实验，它们是标 准RBF核和基于Chernoff距离的加权RBF核。这两种核函数皆通过0ΑΑ策略来构造多分 类器，针对4类地物的分类实验需要3个子分类器。
[0070] 执行步骤一：输入高光谱图像数据Μ?.和对应的标签，设需要计算Chernoff距 离的波段B为520个。实验分组系数选择Group= 2,即2折交叉验证。类别数目L= 4。 对输入数据进行归一化，给予训练样本与其类别对应的标签。
[0071] 执行步骤二：Chernoff距离计算中β数值一般选8
3对于更小 或者更大的β值，由于计算的复杂度以及可能存在的矩阵奇异问题不予考虑。本方法选择 夕=j。计算每个波段任意两个不同类别的Chernoff距离，得到矩阵Chernoff距离矩阵C。
[0072] 执行步骤三：计算各个类别的总体可分性度量< .将所有类别的总体可分性度量 (6,按数值大小递减的顺序排列作为0ΑΑ策略下的执行顺序。得到0ΑΑ策略下的执行顺序表<Class1?Class2?Class3?Class4>〇
[0073] 执行步骤四：计算基于Chernoff距离的各子分类器指导系数.?，ie{1，2,3,4}。
[0074] 执行步骤五：利用分类指导系数对各子分类器加权，接着对训练样本再次归一化 并对其进行SVM分类。由于RBF在高光谱数据处理领域具有较好的参数适应性，因此我们 取惩罚因子为100,参数σ为0.4即可。
[0075] 加入标准SVM核函数作为对比实验。保持输入样本不变，不对单个子分类器进行 加权，且0ΑΑ策略为按类别依次分类。
[0076] 结论：对比试验的结果见表2。基于Chernoff距离的多分类方法均较标准SVM 方法的平均分类精度有10%左右的提升，总体精度也有2%的提升，但后者相对于前者的 提升并不十分明显。从支持向量总数来看，改进的核方法的支持向量数略多于原本的核函 数，可见基于Chernoff距离的多分类方法会使得训练的过程略微复杂化，但训练时间和测 试时间减少。虽然改进核方法对核函数中的每个元素都增加了加权系数的乘积运算，但是 无论是训练还是分类，改进的核方法所消耗的时间都会比标准SVM方法更少。但是计算 Chernoff加权矩阵的时间远大于训练和分类的时间，而这一部分的时间是没有计入的。所 以综合这两方面因素，本方法实际消耗的时间是大于标准SVM方法的。
[0077] 表2采用RBF核时的分类精度、支持向量总数及时间消耗的比较
[0078]
[0079] 图4为标准SVM核函数的分类结果图，图5为CHernoff距离核函数的分类结果 图。由图中我们可以发现，对于天空，树和云三个类别来说，由于训练样本的数量足够，所以 分类的效果差别不大，仅仅是个别点的区别。然而对于飞机来说，由于样本点本身非常少， 所以训练的难度非常大。而相对于标准的SVM方法来说，本方法提出的基于Chernoff距离 的多分类方法的分类效果要更好。
【主权项】
1. 一种基于Chernoff距离和SVM的高光谱数据多分类方法，其特征在于所述方法步骤 如下： 一、 对输入数据进行预处理，得到归一化数据； 二、 计算任意两个类别之间的Chernoff距离，得到Chernoff距离矩阵； 三、 确定多分类任务OAA策略下的执行顺序表，得到每个波段以及全波段的可分性度 量； 四、 构建基于ChernofT距离的子分类器指导系数； 五、 采用基于Chernoff距离的加权SVM分类器执行整个OAA策略所确定的分类任务， 直到得到各个测试样本的最终单一类别属性。2. 根据权利要求1所述的基于Chernoff距离和SVM的高光谱数据多分类方法，其特征 在于所述步骤一的具体步骤如下： 1) 对于拍摄的多光谱遥感图像，其中Row，Column表示多光谱遥感图像的宽 和长，B表示多光谱遥感图像的波段数目，设XzeRB，z= 1，2,. . .，N是B维样本，yze{1， 2, ...，U是与\相关的类别标签，其中N是样本数目，L是类别数目； 2) 将同一类别的像素全部集中到一起，对所有像素中涉及到分类类别的像素都进行同 样处理； 3) 给分组系数Group赋值； 4) 将原始样本分为训练样本与测试样本，分别用二维矩阵TrainSamples和 TestSamples来表示，列向量对应单一像素的各波段的光谱信息数据； 5) 对训练样本和测试样本进行归一化处理。3. 根据权利要求2所述的基于Chernoff距离和SVM的高光谱数据多分类方法，其特征 在于所述训练样本占总样本的Ι/Group，其余（1-Group)/Group剩余样本为测试样本。4. 根据权利要求1所述的基于Chernoff距离和SVM的高光谱数据多分类方法，其特征 在于所述步骤二中，ChernofT距离计算方法如下：其中，fikP,q为第P类和第Q类之间的Chernoff距离，k为当前波段号，MeanMeanq 分别为第P类和第q类在第k-1、k和k+1三个波段上的均值矩阵，Covp与Covq分别为第p 类和第q类在第k_l、k和k+Ι三个波段上的协方差矩阵，β为ChernofT距离调节参数，且 0 <β< 1 ； ChernofT距离矩阵计算方法如下：2, · · ·，L}且p辛q。5. 根据权利要求4所述的基于Chernoff距离和SVM的高光谱数据多分类方法，其特征 在于所述β数值一般选择6. 根据权利要求1所述的基于Chernoff距离和SVM的高光谱数据多分类方法，其特征 在于所述步骤三的具体步骤如下： 1) 对第P类训练样本与其他类别的Chernoff距离向量求和，得到每个波段上对其他所 有类别的ChernofT距离向量，作为子分类器的指导系数，每个波段上第P类 训练样本与其他类别的Chernoff距离为2) 将€#中每个波段相加，得到第p类在所有波段上对其他所有类别的总体可分性度量3) 将所有类别的总体可分性度量按数值大小递减的顺序排列，则OAA策略下的执行 顺序表即为该排列顺序，用有序集<ClasSl，Class2, ...Class1, ...，Class，表示，其中 Clciss^ ^ {1，2，· · ·，L}，1 - 1，2，· · ·，L〇7. 根据权利要求1所述的基于Chernoff距离和SVM的高光谱数据多分类方法，其特征 在于所述步骤四的具体步骤如下： 1) 对于最先分类的类别Class1，若Class1=i，其中ie{1，2，. ..，L}，即Class1对应 的类别为第i类，位于ChernofT矩阵中的第i行，则子分类器指导系数为2) 按照OAA策略下的执行顺序表〈ClassyClass2, . . .，Class1, . . .，ClassJ，进行到 Classj^时候，若Class:=j，其中je{1，2，...，L}，计算时把已分类类别的Chernoff距 离向量Cp,q排除在外，则子分类器指导系数为3) 最后对Classl^i和Class1^分类，只需进行一次分类即可。8. 根据权利要求1所述的基于Chernoff距离和SVM的高光谱数据多分类方法，其特征 在于所述步骤五的具体步骤如下： 1) 选择加权改进的RBF核函数作为基于Chernoff距离的加权SVM分 类器的核函数，其中4为针对第P类的分类指导系数，且在加权后进行归一化处理； 2) 依照步骤三所确定的分类策略，采用步骤1)中所构建的基于Chernoff距离的加权 SVM分类器去完成训练和测试； 3) 反复执行步骤2)，直到所有OAA策略所确定的分类任务都完成后，这时整个针对测 试样本的多分类任务即可终止。9. 根据权利要求8所述的基于Chernoff距离和SVM的高光谱数据多分类方法，其特征 在于所述加权改进的RBF核函数的计算方法如下：其中，σ为宽度常数。
【专利摘要】本发明公开了一种基于Chernoff距离和SVM的高光谱数据多分类方法，其步骤如下：一、对输入数据进行预处理，得到归一化数据；二、计算任意两个类别之间的Chernoff距离，得到Chernoff距离矩阵；三、确定多分类任务OAA策略下的执行顺序表，得到每个波段以及全波段的可分性度量；四、构建基于Chernoff距离的子分类器指导系数；五、采用基于Chernoff距离的加权SVM分类器执行整个OAA策略所确定的分类任务，直到得到各个测试样本的最终单一类别属性。本发明不仅提高了传统的SVM方法的精确度，而且对小样本类别的分类精度有较大的提高，适用于基于OAA分类策略的高光谱图像模式识别应用。
【IPC分类】G06K9/62
【公开号】CN105389597
【申请号】CN201510969347
【发明人】张淼, 沈飞, 林喆祺, 沈毅
【申请人】哈尔滨工业大学
【公开日】2016年3月9日
【申请日】2015年12月22日