基于线性回归与Fisher判别字典学习的高光谱图像分类方法
【专利摘要】本发明公开了一种基于线性回归与Fisher判别字典学习的高光谱图像分类方法，包含如下步骤：融合高光谱图像的纹理特征和光谱特征并归一化；运用线性回归与Fisher判别字典学习算法(LRFDDL)学习得到字典和线性分类器；模型预测；本发明将线性回归与Fisher判别字典学习算法应用于高光谱图像的分类，以此来提高高光谱图像的分类精度，此外，本发明中将高光谱图像的纹理特征加入到分类中，进一步提高高光谱图像的分类效果。
【专利说明】基于线性回归与Fisher判别字典学习的高光谱图像分类方法
【技术领域】
[0001]本发明属于高光谱图像处理领域，特别涉及基于线性回归与Fisher判别字典学习的高光谱图像分类方法。
【背景技术】
[0002]高光谱遥感图像(Hyperspectral Image, HSI)通常是指光谱分辨率在I(T2 λ (其中λ表示波长)数量级范围内的一组光谱图像，一般包括几十个甚至数百个光谱波段。在紫外到中红外光区域内，高光谱传感器利用波长连续并且间隔相等的电磁波对目标区域进行呈像，并获得地面目标的光谱信息以及相应的空间信息。高光谱遥感图像不同于传统多光谱的关键在于拥有更多的窄波段成像，提供了更为丰富的地物信息，特别是在可见光到近红外区域中达到了纳米级的光谱分辨率，因此受到各国研究机构和科研所的关注和重视，并在农业、地质、环境、军事、大气等方面也有广泛应用。其中分类是高光谱图像最重要的应用之一，高光谱图像分类是根据像素点的光谱特征为其赋予一个类别标记。高光谱图像的分类作为高光谱图像处理中的重要环节，对于高光谱图像其他方面的技术发展也有重要意义。高光谱图像由于含有丰富的光谱信息，因而具有更高的分辨率，但同时由于光谱信息丰富也带来了许多的复杂因素，例如:维数灾难、小样本问题以及数据的不确定性等。而稀疏表示在处理高维数据方面有一定的优势，同时基于稀疏表示的分类器性能取决于选择的字典，因此将字典学习应用于高光谱图像的分类能有效地提高高光谱图像的分类效果。
【发明内容】
[0003]本发明为了解决现有技术中的问题，提出了基于线性回归与Fisher判别字典学习的高光谱图像分类方法，以此来有效地提高高光谱图像的分类精度。
[0004]本发明公开了基于线性回归与Fisher判别字典学习的高光谱图像的分类方法，包含如下步骤:
[0005]步骤1，融合纹理特征和光谱特征，并归一化处理:首先运用主成分分析法对高光谱图像进行线性变换并获取第一主成分，再运用Gabor小波变换提取第一主成分的纹理特征，最后融合高光谱图像的纹理特征和光谱特征，并使每个像素点的特征向量单位化；
[0006]步骤2,运用线性回归与Fisher判别字典学习算法(Linear Regression FisherDiscrimination Dictionary Learning, LRFDDL)学习得到字典和分类器:迭代更新字典、稀疏编码和分类器，直到满足迭代终止条件输出学习得到的字典和分类器；
[0007]步骤3，模型预测:首先利用学习得到的字典获得待分类像素点的稀疏编码，再利用分类器对稀疏编码进行分类得到分类结果；
[0008]根据高光谱图像的分类模型预测所有待分类像素点的类别；
[0009]加权求和输出高光谱图像的分类结果。
[0010]步骤1，融合纹理特征和光谱特征，并归一化处理具体包括如下步骤:[0011]①运用主成分分析法对高光谱图像进行线性变换，并获取第一主成分；
[0012]②将Gabor作用于高光谱图像的第一主成分，以此来获得高光谱图像的纹理特征，广义的2-D Gabor函数可以表示为:
【权利要求】
1.基于线性回归与Fisher判别字典学习的高光谱图像分类方法，其特征在于，包括如下步骤: 步骤1，融合纹理特征和光谱特征，并归一化处理:首先运用主成分分析法对高光谱图像进行线性变换并获取第一主成分，再运用Gabor小波提取第一主成分的纹理特征，最后融合高光谱图像的纹理特征和光谱特征，并使每个像素点的特征向量单位化； 步骤2，运用线性回归与Fisher判别字典学习算法LRFDDL学习得到字典和分类器:迭代更新字典、稀疏编码和分类器，直到满足迭代终止条件输出学习得到的字典和分类器；步骤3，模型预测:首先运用学习得到的字典获得待分类像素点的稀疏编码，再运用学习得到的分类器对稀疏编码进行分类得到分类结果； 然后，根据高光谱图像的分类模型预测所有待分类像素点的类别； 最后，加权求和输出高光谱图像的分类结果。
2.根据权利要求1所述的基于线性回归与Fisher判别字典学习的高光谱图像分类方法，其特征在于，步骤I具体包括如下步骤: ①运用主成分分析法对高光谱图像进行线性变换并获取第一主成分； ②将Gabor作用于高光谱图像的第一主成分，以此来获得高光谱图像的纹理特征，广义的2-D Gabor函数可以表示为:
3.根据权利要求1所述的基于线性回归与Fisher判别字典学习的高光谱图像分类方法，其特征在于，步骤2具体包括以下步骤: 首先给出线性回归与Fisher判别字典学习算法LRFDDL的模型如下所示: ,.
4.根据权利要求1基于线性回归与Fisher判别字典学习的高光谱图像的分类方法，其特征在于，步骤3模型预测具体包括如下步骤: ①对于待分类的像素点，根据学得的字典获得相应的稀疏编码通过求解以下优化问题:
【文档编号】G06K9/62GK103971123SQ201410185060
【公开日】2014年8月6日 申请日期:2014年5月4日 优先权日:2014年5月4日
【发明者】杨明, 陈梁, 高阳 申请人:南京师范大学