专利名称：一种高光谱图像半监督分类方法及装置的制作方法
技术领域：
本发明涉及遥感高光谱图像的分类方法及装置，更具体地说，涉及一种聚类和支持向量机(Support vector machine, SVM)协同的高光谱图像半监督分类方法及装置。
背景技术：
目前常用的高光谱图像分类算法可分为监督和非监督算法。传统的监督分类方法包括光谱角填图法、平行六面体方法、最大似然法、最小距离法、马氏距离法；传统的非监督分类方法包括IsoData方法、K-Means方法等。除了以上传统方法，还有新的分类方法,如神经网络、决策树、SVM和专家系统等。然而高光谱图像波段多、数据量大，类标签样本获取代价大，少量的类标签样本很难准确估计出遥感地物类别的空间分布，导致传统的监督分类方法很难取得较好的分类效果O半监督方法可以将少量类标签样本与大量无类标签样本结合提高学习的泛化能力。高光谱图像中，如果样本点位于同一聚类中，则它们类标签信息一致性可能较大。聚类在很大程度上反应了高光谱图像的内部数据结构，目前尚未出现能够有效地结合聚类信息的高光谱图像半监督分类方法。
发明内容
本发明要解决的技术问题在于，针对现有高光谱图像分类技术的上述缺陷，提出一种可行的、高精度的聚类和SVM协同的高光谱图像半监督分类方法及装置。本发明解决其技术问题所采用的技术方案是:一种高光谱图像半监督分类方法，包括以下步骤:步骤1:对高光谱图像进行光谱角加权的基于核函数模糊C均值聚类得到聚类指示特征；步骤2:对高光谱图像进行支持向量机(SVM)半监督分类得到第一分类图像Imagel，对聚类指示特征进行支持向量机(SVM)半监督分类得到第二分类图像Image2 ；步骤3:构建聚类和SVM协同框架，将Imagel和Image2分类结果嵌入聚类和SVM协同框架进行协同分析得到最终高光谱分类图像。作为优选，所述的步骤I还包括以下步骤:步骤1.1:初始化聚类中心，设定样本与聚类中心的光谱角权值，得到光谱角权值矩阵；步骤1.2:假定高光谱样本 X = {x1;x2，...，xN}，X1=U11, X12,…，xlp}，P 为波段数；类标签为Y= {ypy2，…，yN}，对于类标签有71 e Y, Yi e {1，2，...，C}，其中C为类别数；K是聚类数，第K类的聚类中心为vk，矩阵V 二 Iv1, V2，…，νκ}旺武包含了所有的聚类中心；高光谱图像某一样本Xi属于某一类别j, i=l, 2，…，n, j e [I, 2,..., k],每一个高维特征空
间样本为根据光谱角权值矩阵得到样本对聚类类别j核聚类中心0( );
步骤1.3:定义光谱角加权的基于核函数模糊C均值聚类的拉格朗日函数LKsrcM，得到最小化式Lksfqi的隶属度函数Uij ；步骤1.4:根据隶属度函数uu，得到每一个样本Xi的聚类指示特征r”作为优选，所述的步骤2还包括以下步骤:步骤2.1:对高光谱图像进行支持向量机(SVM)半监督分类，利用SVM训练类标签样本得到两个分类器Cl和C2，Cl和C2分别对无类标签样本预测，得到置信度高的无类标签样本及其预测标签加入到类标签样本训练集中，直至样本分类结束，得到第一分类图像Imagel ；步骤2.2:选取聚类中心作为类标签样本，利用SVM建立两个分类器对聚类指示特征A进行半监督分类得到第二分类图像Image2 ；4.根据权利要求2所述的一种高光谱图像半监督分类方法，其特征在于:所述的光谱角权值矩阵利用光谱角角度大小决定权值大小；高光谱图像上每个像素η个波段的光谱响应作为η维空间的矢量，其光谱角可用反余弦表示为:
_0019]
权利要求
1.一种高光谱图像半监督分类方法，包括以下步骤: 步骤1:对高光谱图像进行光谱角加权的基于核函数模糊C均值聚类得到聚类指示特征； 步骤2:对高光谱图像进行支持向量机(SVM)半监督分类得到第一分类图像ImagelM聚类指示特征进行支持向量机(SVM)半监督分类得到第二分类图像Image2 ； 步骤3:构建聚类和SVM协同框架，将Imagel和Image2分类结果嵌入聚类和SVM协同框架进行协同分析得到最终高光谱分类图像。
2.根据权利要求1所述的一种高光谱图像半监督分类方法，其特征在于:所述的步骤I还包括以下步骤: 步骤1.1:初始化聚类中心，设定样本与聚类中心的光谱角权值，得到光谱角权值矩阵； 步骤1.2:假定高光谱样本X= (X1, X2, “.，χΝ}，X1=U11, χ12,…，xlp}, P为波段数；类标签为Y={yi，y2，…，yN}，对于类标签有yi e Y，yi e {1,2,…，C}，其中C为类别数；K是聚类数，第K类的聚类中心为vk，矩阵V=Iv1, V2，…，νκ}包含了所有的聚类中心；高光谱图像某一样本Xi属于某一类别j，i=l，2,…，n，j e [1,2，…，k],每一个高维特征空间样本为0(xs)，根据光谱角权值矩阵得到样本对聚类类别j核聚类中心 步骤1.3:定义光谱角加权的基于核函数模糊C均值聚类的拉格朗日函数Lksfqi,得到最小化式Lksfqi的隶属度函数uij; 步骤1.4:根据隶属度函数uu，得到每一个样本Xi的聚类指示特征A。
3.根据权利要求1所述的一种高光谱图像半监督分类方法，其特征在于:所述的步骤2还包括以下步骤: 步骤2.1:对高光谱图像进行支持向量机(SVM)半监督分类，利用SVM训练类标签样本得到两个分类器Cl和C2，Cl和C2分别对无类标签样本预测，得到置信度高的无类标签样本及其预测标签加入到类标签样本训练集中，直至样本分类结束，得到第一分类图像Imagel ； 步骤2.2:选取聚类中心作为类标签样本，利用SVM建立两个分类器对聚类指示特征ri进行半监督分类得到第二分类图像Image2。
4.根据权利要求2所述的一种高光谱图像半监督分类方法，其特征在于:所述的光谱角权值矩阵利用光谱角角度大小决定权值大小；高光谱图像上每个像素η个波段的光谱响应作为η维空间的矢量，其光谱角可用反余弦表示为:
5.根据权利要求3所述的一种高光谱图像半监督分类方法，其特征在于:所述的支持向量机(SVM)半监督分类还包括以下步骤: 步骤2.1.1:设有样本集X={X1; XJ，其中X1为类标签样本集，Xu为无类标签样本集，输入类标签样本集X1，无类标签样本集Xu; 步骤2.1.2 =SVM对X1训练，得到分类器Cl、C2，其中Cl的参数为默认值，C2的参数为遗传算法优选的参数； 步骤2.1.3:利用分类器Cl对Xu进行预测，并得到标记结果pl，利用分类器C2对Xu进行预测，并得到标记结果P2; 步骤2.1.4:比较pl、p2，选择置信度高的无标签样本及其预测标签加入到训练集中，即将标记结果一致的样本加入到训练集X1中，并更新X1，直至满足迭代终止条件，则退出循环。
6.根据权利要求1所述的一种高光谱图像半监督分类方法，其特征在于:所述的聚类和SVM协同框架由聚类损耗函数(ClusterLoss，CuL)、分类一致函数(ClassConsistent，CaC)、分类差异性(classification difference，CD)、样本差异性(sample difference，SD)构建； 聚类损耗函数为:
7.一种高光谱图像半监督分类装置，包括聚类模块、分类模块、协同分析模块； 所述的聚类模块，用于对所述高光谱图像执行光谱角加权的基于核函数模糊C均值聚类以得到聚类指示特征； 所述的分类模块，用于对所述高光谱图像执行两次SVM分类器以得到第一分类图像Imagel和第二分类图像Image2,其中Imagel为SVM分类器对原始高光谱图像分类结果，Image2为SVM分类器对聚类指示特征分类结果； 所述的协同分析模块，用于将两次SVM分类器得到的第一分类图像Imagel和第二分类图像Image2协同分析构建聚类和SVM协同框架，以得到最终高光谱分类图像； 所述的聚类模块与所述的分类模块并联后与所述的协同分析模块串联连接。
全文摘要
本发明涉及遥感高光谱图像的分类方法及装置，所述的方法，包括以下步骤步骤1对高光谱图像进行光谱角加权的基于核函数模糊C均值聚类得到聚类指示特征；步骤2对高光谱图像进行支持向量机(SVM)半监督分类得到第一分类图像Image1，对聚类指示特征进行支持向量机(SVM)半监督分类得到第二分类图像Image2；步骤3构建聚类和SVM协同框架，将Image1和Image2分类结果嵌入聚类和SVM协同框架进行协同分析得到最终高光谱分类图像。所述的装置，包括聚类模块、分类模块、协同分析模块；本高光谱图像半监督分类方法及装置是一种可行的、高精度的聚类和SVM协同的高光谱图像半监督分类方法及装置。
文档编号G06K9/66GK103150580SQ201310085370
公开日2013年6月12日 申请日期2013年3月18日 优先权日2013年3月18日
发明者邵振峰, 张磊 申请人:武汉大学