一种基于稀疏异构分组的高光谱遥感影像的分类器构建方法
【专利摘要】一种基于稀疏异构分组的高光谱遥感影像的分类器构建方法，本发明涉及基于稀疏异构分组的高光谱遥感影像的分类器构建方法。本发明为了解决技术需要大量的训练样本及分类精度降低的问题。本发明步骤为：一、输入一个待分类的高光谱遥感影像；二、构造样本集L；三、获得稀疏描述矢量集合V；四、获得异构组列表GL；五、获得待训练波段列表TBList；六、根据TBList和有分类标签的训练样本集合LS构造训练样本子集，通过支持向量机算法学习获得高光谱遥感影像的分类器。本发明利用较少样本选取到一组有足够差异性的高光谱遥感影像波段，构造分类器，获得较好的高光谱遥感影像分类质量。本发明应用于遥感影像分析与处理技术领域。
【专利说明】
一种基于稀疏异构分组的高光谱遥感影像的分类器构建方法
技术领域
[0001 ]本发明涉及基于稀疏异构分组的高光谱遥感影像的分类器构建方法。
【背景技术】
[0002] 高光谱遥感影像是通过高光谱传感器，在电磁波谱的紫外、可见光、近红外和中红 外区域，以数十至数百个连续且细分的光谱波段对目标区域同时成像产生的。利用高光谱 影像可以在更深层次上反应地物的特征，对于识别较难区分的地物具有很重要的作用，目 前已经广泛的应用于地表分类、农业监测、环境管理等领域。
[0003] 要利用高光谱遥感影像需要对每个像元进行分类，获得每个像元对应的土地利用 类型。构建分类器可以对高光谱影像进行自动分类可对影像中的每一个像元赋予对应的类 目，因此构建分类器对于高光谱影像应用十分重要。由于高光谱遥感影像包含数百个波段， 数据维度较高，直接构造分类模型会引起过渡拟合现象，所以目前采用的技术主要是先利 用主成分分析、基于决策能力的属性选取、基于遗传算法的染色体选取等技术进行高光谱 波段的选取，然后根据选取到的波段利用神经网、支持向量机、决策树等算法构造分类器， 进而利用该分类器进行自动化分类。此类方法具有以下两个局限性，一是，此类方法需要大 量的训练样本，而某些地区可获得的训练样本数量非常少，难以保证选取到有价值波段;二 是，较难保证选取到的波段具有足够的差异性来全面的反应待分类的目标，使得获得的分 类模型与分类目标之间存在较大偏差。两种局限性均会导致分类精度降低，使得高光谱遥 感影像分类质量下降。
【发明内容】
[0004] 本发明是为了解决现有技术需要大量的训练样本及分类精度降低的问题，而提出 的一种基于稀疏异构分组的高光谱遥感影像的分类器构建方法。
[0005] -种基于稀疏异构分组的高光谱遥感影像的分类器构建方法按以下步骤实现：
[0006] 步骤一:输入一个待分类的高光谱遥感影像；
[0007] 步骤二:输入高光谱遥感影像分类的类目个数M，输入有分类标签的训练样本集合 LC，在一个高光谱遥感影像中随机选取获得无分类标签的训练样本集合LUC，整合有分类标 签的训练样本集合和无分类标签的训练样本集合构造样本集L;
[0008] 步骤三:高光谱遥感影像包含波段集合Band，对每一个波段构造稀疏描述矢量，构 成稀疏描述矢量集合V:
[0009] V=(Vi,V2,---,Vi,---,VBN)
[0010] VdBancU的描述矢量，V2为Band2的描述矢量，Vi为Bandi的描述矢量，VBN为BandBN 的描述矢量；
[0011 ] Band = (Bandi，Bancb，…，Bandi，…，BandBN)
[0012] Bandl为第1个波段，Band2为第2个波段，Bandi为第i个波段，BandBN为第BN个波段；
[0013] 步骤四：根据稀疏描述矢量集合V，将高光谱遥感影像的所有波段分为Μ个异构组， 构成异构组列表GL;
[0014] 步骤五:在异构组列表GL中，每个组取出组内的第一个和最后一个波段，构成待训 练波段列表TBList;
[0015] 步骤六:根据TBLi st和有分类标签的训练样本集合LS构造训练样本子集，通过支 持向量机算法学习获得高光谱遥感影像的分类器。
[0016] 发明效果：
[0017] 本发明提供一种基于稀疏异构分组的高光谱遥感影像的分类器构建方法，利用本 方法可以利用较少样本选取到一组有足够的差异性的高光谱遥感影像的波段，并利用这些 波段构建一个分类模型。通过该方法可以实现较高精度的高光谱遥感影像分类。可以广泛 的应用于地表分类、农业监测、环境管理等领域，尤其是对于训练样本获取困难、地物类型 混杂难于确定样本的地区具有较好的应用价值。
【附图说明】
[0018] 图1为本发明流程图；
[0019] 图2为构造样本集L的流程图；
[0020] 图3为获得稀疏描述矢量集合V的流程图；
[0021 ]图4为获得异构组列表GL的流程图；
[0022]图5为获得待训练波段列表TBList的流程图；
[0023] 图6为获得高光谱遥感影像的分类器的流程图。
【具体实施方式】
【具体实施方式】 [0024] 一:如图1所示，一种基于稀疏异构分组的高光谱遥感影像的分类器 构建方法包括以下步骤：
[0025] 步骤一:输入一个待分类的高光谱遥感影像；
[0026] 步骤二:如图2所示，输入高光谱遥感影像分类的类目个数Μ，输入有分类标签的训 练样本集合LC，在一个高光谱遥感影像中随机选取获得无分类标签的训练样本集合LUC，整 合有分类标签的训练样本集合和无分类标签的训练样本集合构造样本集L;
[0027]步骤三:高光谱遥感影像包含波段集合Band，对每一个波段构造稀疏描述矢量，构 成稀疏描述矢量集合V:
[0028] V=(Vi,V2,---,Vi,---,VBN)
[0029] ViSBancU的描述矢量，V2为Band2的描述矢量，Vi为Bandi的描述矢量，V BN为Band? 的描述矢量；
[0030] Band = (Bandi，Bancb，…，Bandi，…，BandBN)
[0031] Bandl为第1个波段，Band2为第2个波段，Bandi为第i个波段，Band?为第BN个波段；
[0032] 步骤四：根据稀疏描述矢量集合V，将高光谱遥感影像的所有波段分为Μ个异构组， 构成异构组列表GL;
[0033]步骤五:在异构组列表GL中，每个组取出组内的第一个和最后一个波段，构成待训 练波段列表TBList;
[0034]步骤六:根据TBLi st和有分类标签的训练样本集合LS构造训练样本子集，通过支 持向量机算法学习获得高光谱遥感影像的分类器。
【具体实施方式】 [0035] 二:本实施方式与一不同的是:所述步骤一中的高光 谱遥感影像的宽度为Width，高度为Height，包含BN个波段，所有波段的构成波段的集合 Band〇
[0036] 其它步骤及参数与【具体实施方式】一相同。
【具体实施方式】 [0037] 三:本实施方式与一或二不同的是:所述步骤二中LC 为一个包含N个样本的集合；
[0038] LC = (LCi，LC2，…LCi，…LCn)
[0039] 在LC中LCi是第1个样本，LC2是第2个样本，IX〗是第I个样本，1 < I <N，LCn是第N个 样本；
[0040] 对于每个样本LC: = (X，Y，C)，其中，X为该样本在高光谱遥感影像中的X坐标，Y为 该样本在高光谱遥感影像中的Y坐标;C为类目编号，取值范围为1到M。
[0041 ]其它步骤及参数与【具体实施方式】一或二相同。
[0042]【具体实施方式】四：本实施方式与【具体实施方式】一至三之一不同的是:所述步骤二 中LUC包含U个样本；
[0043] LUC = (LUCi，LUC2，…LUCj，…LUCu)
[0044] 在LUC中LU&是第1个样本，LUC2是第2个样本，LUCj是第J个类目，1彡J彡N，LUCu是 第 U 个类目；LUC〗=(UX，UY，UC);
[0045] 其中，UX = Random( 1~Width)为1到Width之间的随机整数，为该样本在高光谱遥 感影像中的X坐标;UY = Random (1~He i ght)为1到He i ght之间的随机整数，为该样本在高光 谱遥感影像中的Y坐标;UC = -1表示对应的样本所属类别未知。
[0046] 其它步骤及参数与【具体实施方式】一至三之一相同。
【具体实施方式】 [0047] 五:本实施方式与一至四之一不同的是:所述步骤二 中构造样本集L具体为：
[0048] L = LCULUC
[0049] 样本集L为分类标签的训练样本集合LC与无分类标签的训练样本集和LUC的并集， L表不为：
[0050] L = (Li, L2, ·'', Lu+n)
[0051 ] 在L中共包含U+N个样本，U为第1个样本，L2为第2个样本，LU+N为第U+N个样本；
[0052]其中任意一个元素 Lk= (SX，SY，SC)，SX为其横坐标，SY为其纵坐标，SC为其对应类 目；若该样本来自IX，则SX = X，SY = Y，SC = C;若该样本来自于LUC，则SX = UX，SY = UY，SC = UCo
[0053]其它步骤及参数与【具体实施方式】一至四之一相同。
[0054]【具体实施方式】六:本实施方式与【具体实施方式】一至五之一不同的是：如图3所示， 所述步骤三中Bandi的描述矢量Vi的构造过程为：
[0055] 步骤三一:初始化Bandi的描述矢量Vi;
[0056] Vi = zeros(M)
[0057] 其中，zer〇S(M)表示生成一个Μ个元素的矢量，该矢量所有元素值为0;
[0058] 步骤三二:计算Bandi中的最大值Max和最小值Min;
[0059] 步骤三三:描述矢量计数器Counter = l，即将描述矢量计数器Counter置为1;
[0060]步骤三四：初始化计数矢量C1和计数矢量C2;
[0061 ] Cl = zeros(10)，其中zeros(10)表示初始化一个10个元素，且值全为0的矢量； [0062] C2 = zeros(10)，其中zeros(10)表示初始化一个10个元素，且值全为0的矢量； [0063] 步骤三五：分段计数器SCounter = l，即将分段计数器SCounter置为1;
[0064] 步骤三六：构造值域区间[Lower, Upper];其中，[Lower, Upper]通过如下公式计 算：
[0065] Lower=Min+(SCounter-l) X (Max-Min)/10
[0066] Upper=Min+SCounterX(Max-Min)/10
[0067] 步骤三七:对于样本集L，每一个样本根据其SX和SY坐标取出第i个波段对应的值 value，统计数量落入区间[Lower，Upper ]的样本个数计入C1和C2之中；
[0068] 01[5&3111^61']=在样本集1^中，样本的￥31116在区间[1^0￥61'，1^口61']内，且所属类别 SC等于Counter的样本个数；
[0069] C2[SCounter]=在样本集L中，样本的value在区间[Lower，Upper]内，且所属类别 SC等于-1的样本个数；
[0070] 步骤三八：SCounter = SCounter+l，分段计数器SCounter的数值增加1;
[0071] 步骤三九:若SCounter>10，转到步骤三十，否则转至步骤三六；
[0072]步骤三十:根据C1和C2计算有标记样本对于第Counter个类目的稀疏程度;计算公 式为：
[0074]其中Cl[t]为C1中的第t个元素，C2[t]为C2中的第t个元素；
[0075] 步骤三^ :将Vi的第Counter个元素赋值为Sparse;
[0076] Vi[Counter] = Sparse
[0077] 步骤三十二:Counter = Counter+l，描述矢量计数器Counter的数值增加1;
[0078] 步骤三十三:若Counter>M，则转到步骤三十四，否则转到步骤三四；
[0079]步骤三十四：计算Vi的过程结束。
[0080]其它步骤及参数与【具体实施方式】一至五之一相同。
【具体实施方式】 [0081] 七:本实施方式与一至六之一不同的是:所述步骤四 中GL具体为：
[0082] GL=(GLi，GL2，...，GLi，· ·，GLm)
[0083]其中，GLi为第1个类目对应的分组，GL2为第2个类目对应的分组，GLi为第i个类目 对应的分组，1 <M，GLm为第Μ个类目对应的分组。
[0084] 其它步骤及参数与【具体实施方式】一至六之一相同。
【具体实施方式】 [0085] 八:本实施方式与一至七之一不同的是:如图4所示， 所述GU的构造过程为：
[0086] 步骤a:初始化GU，其内容为空，GU = 〇 ;
[0087] 步骤b:描述矢量列表V，根据每一个描述矢量的第i个元素的数值，找到数值最大 的矢量位置j，即第j个波段；
[0088] 步骤c:将第j个波段Band」并入GU中，GLi=GLi UBandj;
[0089]步骤d:将Vj的所有元素设置为-1;
[0090] 步骤e:若GLi中的元素个数〈(BN/M)，则转到步骤b，否则转到步骤f;BN/M为BN除以 Μ的商。
[0091] 步骤f:构造 GLi的过程结束。
[0092] 其它步骤及参数与【具体实施方式】一至七之一相同。
【具体实施方式】 [0093] 九:本实施方式与一至八之一不同的是:如图5所示， 所述步骤五中构成待训练波段列表TBList的具体过程为：
[0094] 步骤五一:初始化TBList，其内容为空，TBList = 〇;
[0095] 步骤五二:GCounter = l，将群组计数器GCounter置为1;
[0096] 步骤五三：CGroup = GL[GCounter]，取出GL中的第GCounter个元素放入当前群组 变量CGroup中；
[0097] 步骤五四：TBList = TBList U CGroup[l]，将当前群组变量CGroup的第一个元素加 入到TBList中；
[0098] 步骤五五：TBList = TBList U CGroup[last]，，将当前群组变量CGroup的最后一个 元素加入到TBList中，其中last代表CGroup的最后一个元素在集合中的位置；
[0099] 步骤五六:GCounter=GCounter+l，群组计数器GCounter的数值增加1;
[0? 00] 步骤五七:若GCounter〈M，则转至步骤五三，否则转至步骤五八；
[0101] 步骤五八:构造 TBList过程结束。
[0102] 其它步骤及参数与【具体实施方式】一至八之一相同。
【具体实施方式】 [0103] 十:本实施方式与一至九之一不同的是:如图6所示， 所述步骤六中获得高光谱遥感影像的分类器的具体过程为：
[0104] 步骤六一:SubCounter = 1，将样本构造计数器SubCounter置为1;
[0?05] 步骤六二:SubSamples =()，将训练样本子集SubSamples置为空集合；
[0106] 步骤六三：[X，Y，C] =LC[SubCounter]，取出LC中第SubCounter个样本的X，Y坐标 以及其所属类别C;
[0107] 步骤六四：取出TBList所有波段在Χ，Υ位置的数值和所属类别C构成一个样本放入 样本变量Sample中；
[0108] 步骤六五：SubSamples = SubSamples U Sample，将样本变量Sample所存储的内容 加入到训练样本子集SubSamples中；
[0109] 步骤六六：SubCounter = SubCounter+l，样本构造计数器SubCounter的数值增加 1；
[0?10] 步骤六七:若SubCounter〈 = N，则转到步骤六三，否则转至步骤六八；
[0111]步骤六八:利用支持向量机算法学习 SubSamples中的所有样本获得一个分类器；
[0112] 步骤六九:输出分类器，分类器对高光谱遥感影像进行自动分类。
[0113] 其它步骤及参数与【具体实施方式】一至九之一相同。
【主权项】
1. 一种基于稀疏异构分组的高光谱遥感影像的分类器构建方法，其特征在于，所述分 类器构建方法包括W下步骤： 步骤一:输入一个待分类的高光谱遥感影像； 步骤二:输入高光谱遥感影像分类的类目个数Μ，输入有分类标签的训练样本集合LC， 在一个高光谱遥感影像中随机选取获得无分类标签的训练样本集合LUC，整合有分类标签 的训练样本集合和无分类标签的训练样本集合构造样本集レ 步骤Ξ:高光谱遥感影像包含波段集合Band，对每一个波段构造稀疏描述矢量，构成稀 疏描述矢量集合V: V=(Vl，V2，...，Vi，...，VBN) Vi为Bandi的描述矢量，V2为Bands的描述矢量，Vi为Bandi的描述矢量，Vbn为BandBN的描述 矢量； B曰nd = (B曰ndi, B曰neb, ·.., B曰ndi, ·.., B曰ndBN) Bandl为第1个波段，Band2为第2个波段，Bandi为第i个波段，BandBN为第BN个波段； 步骤四：根据稀疏描述矢量集合V，将高光谱遥感影像的所有波段分为Μ个异构组，构成 异构组列表化； 步骤五:在异构组列表化中，每个组取出组内的第一个和最后一个波段，构成待训练波 段列表TBList; 步骤六:根据TBLi St和有分类标签的训练样本集合LS构造训练样本子集，通过支持向 量机算法学习获得高光谱遥感影像的分类器。2. 根据权利要求1所述的一种基于稀疏异构分组的高光谱遥感影像的分类器构建方 法，其特征在于，所述步骤一中的高光谱遥感影像的宽度为Width，高度为化ight，包含BN个 波段，所有波段的构成波段的集合Band。3. 根据权利要求2所述的一种基于稀疏异构分组的高光谱遥感影像的分类器构建方 法，其特征在于，所述步骤二中LC为一个包含N个样本的集合； LC=化。，LC2,.. .LCi,.. .LCn) 在LC中LCi是第1个样本，1X2是第2个样本，LCi是第I个样本，1《I《N，LCn是第N个样本； 对于每个样本LCi=(X，Y，C)，其中，X为该样本在高光谱遥感影像中的X坐标，Y为该样本 在高光谱遥感影像中的Y坐标;C为类目编号，取值范围为1到M。4. 根据权利要求3所述的一种基于稀疏异构分组的高光谱遥感影像的分类器构建方 法，其特征在于，所述步骤二中LUC包含U个样本； LUC = (LUCi, LUC2, · · · LUCj, · · · LUCu) 在LUC中LUCi是第1个样本，LUC2是第2个样本，LUCj是第J个类目，1《J《N，LUCu是第U个 类目；LUb=(UX，UY，UC); 其中，UX = Random(l~Width)为巧IjWidth之间的随机整数，为该样本在高光谱遥感影 像中的X坐标;UY = Random(l~化i曲t)为巧化ei曲t之间的随机整数，为该样本在高光谱遥 感影像中的Y坐标;UC = -1表示对应的样本所属类别未知。5. 根据权利要求4所述的一种基于稀疏异构分组的高光谱遥感影像的分类器构建方 法，其特征在于，所述步骤二中构造样本集L具体为： L = LCULUC 样本集L为分类标签的训练样本集合LC与无分类标签的训练样本集和LUC的并集，L表 示为： L=山山，...，Lu+n) 在L中共包含U+N个样本，Li为第1个样本，L2为第2个样本，Lu+n为第U+N个样本； 其中任意一个元素 Lk= (SX，SY，SC)，SX为其横坐标，SY为其纵坐标，SC为其对应类目；若 该样本来自LC，则SX = X，SY = Y，SC = C;若该样本来自于LUC，则SX = UX，SY = UY，SC = UC。6. 根据权利要求5所述的一种基于稀疏异构分组的高光谱遥感影像的分类器构建方 法，其特征在于，所述步骤Ξ中Bandi的描述矢量Vi的构造过程为： 步骤Ξ-:初始化Bandi的描述矢量Vi; Vi = zeros(M) 其中，zeros (Μ)表示生成一个Μ个元素的矢量，该矢量所有元素值为Ο; 步骤Ξ二:计算Bandi中的最大值Max和最小值Min; 步骤ΞΞ:将描述矢量计数器Counter置为1; 步骤Ξ四：初始化计数矢量C1和计数矢量C2; Cl = ze;ros(10)，其中zerosdO)表示初始化一个10个元素，且值全为0的矢量； C2 = zeros (10 )，其中zeros (10)表示初始化一个10个元素，且值全为0的矢量； 步骤Ξ五:分段计数器SCounter置为1; 步骤Ξ六:构造值域区间[Lower,Upper];其中，[Lower,Upper]通过如下公式计算： Lower=Min+(SCounter-l) X (Max-Min)/10 Upper=Min+SCounter X (Max-Min)/10 步骤Ξ屯：对于样本集L，每一个样本根据其SX和SY坐标取出第i个波段对应的值 value，统计数量落入区间[Lower,化per ]的样本个数计入C1和C2之中； Cl[SCounte;r]=在样本集L中，样本的value在区间[Lower ,Uppe;r]内，且所属类别SC等 于Counter的样本个数； C2[SCounte;r]=在样本集L中，样本的value在区间[Lower ,Uppe;r]内，且所属类别SC等 于-1的样本个数； 步骤Ξ八:分段计数器SCounter的数值增加1; 步骤Ξ九:若SCounter〉10，转到步骤Ξ十，否则转至步骤Ξ六； 步骤Ξ十：根据C1和C2计算有标记样本对于第Counter个类目的稀疏程度；计算公式 为：其中Cl[t]为C1中的第t个元素，C2[t]为C2中的第t个元素； 步骤^^ :将Vi的第Counter个元素赋值为Sparse; Vi [Counter]= Sparse 步骤Ξ十二:描述矢量计数器Counter的数值增加1; 步骤Ξ十Ξ:若Counter〉M，则转到步骤Ξ十四，否则转到步骤Ξ四； 步骤Ξ十四：计算Vi的过程结束。7. 根据权利要求6所述的一种基于稀疏异构分组的高光谱遥感影像的分类器构建方 法，其特征在于，所述步骤四中化具体为： GL 二（Gl^i, GL2,…，Gl^i,. . , GLm) 其中，为第1个类目对应的分组，GL2为第2个类目对应的分组，为第i个类目对应 的分组，1《i《M，GLm为第Μ个类目对应的分组。8. 根据权利要求7所述的一种基于稀疏异构分组的高光谱遥感影像的分类器构建方 法，其特征在于，所述Gk的构造过程为： 步骤a:初始化化i，其内容为空，Gk =(); 步骤b:描述矢量列表V，根据每一个描述矢量的第i个元素的数值，找到数值最大的矢 量位置j，即第j个波段； 步骤C:将第j个波段Ban山并入化1中； 步骤d:将Vj的所有元素设置为-1; 步骤e:若化1中的元素个数<(BN/M)，则转到步骤b，否则转到步骤f; 步骤f:构造化1的过程结束。9. 根据权利要求8所述的一种基于稀疏异构分组的高光谱遥感影像的分类器构建方 法，其特征在于，所述步骤五中构成待训练波段列表TBList的具体过程为： 步骤五一:初始化TBLiSt，其内容为空，TOLiSt =(); 步骤五二:将群组计数器GCounter置为1; 步骤五Ξ:取出化中的第GCount er个元素放入当前群组变量CGroup中； 步骤五四：将当前群组变量CGroup的第一个元素加入到TBList中； 步骤五五:将当前群组变量CGroup的最后一个元素加入到TBList中； 步骤五六:群组计数器GCounter的数值增加1; 步骤五屯:若GCounteKM，则转至步骤五Ξ，否则转至步骤五八； 步骤五八:构造 TBLi St过程结束。10. 根据权利要求9所述的一种基于稀疏异构分组的高光谱遥感影像的分类器构建方 法，其特征在于，所述步骤六中获得高光谱遥感影像的分类器的具体过程为： 步骤六一:将样本构造计数器SubCounter置为1; 步骤六二:将训练样本子集SubSamples置为空集合； 步骤六Ξ:取出LC中第SubCounter个样本的X，Y坐标W及其所属类别C; 步骤六四：取出TBList所有波段在Χ，Υ位置的数值和所属类别C构成一个样本放入样本 变量Sample中； 步骤六五:将样本变量Sample所存储的内容加入到训练样本子集SubSamples中； 步骤六六:样本构造计数器SubCounter的数值增加1; 步骤六屯:若如bCounteK = N，则转到步骤六Ξ，否则转至步骤六八； 步骤六八:利用支持向量机算法学习 SubSamples中的所有样本获得一个分类器； 步骤六九:输出分类器，分类器对高光谱遥感影像进行自动分类。
【文档编号】G06K9/00GK106096663SQ201610472840
【公开日】2016年11月9日
【申请日】2016年6月24日
【发明人】潘欣, 赵健, 徐宏年, 任斌
【申请人】长春工程学院