基于多任务低秩的高光谱图像分类方法
【专利摘要】本发明公开了一种基于多任务低秩的高光谱图像分类方法。主要解决现有方法在高光谱图像分类时仅使用光谱特征，无法从多种角度描述高光谱特性而导致分类精度不高的问题。其步骤包括：1)输入高光谱图像；2)对高光谱图像提取谱梯度特征；3)将光谱特征和谱梯度特征作为多任务低秩模型的输入信号及字典，通过求解该模型得到两个系数矩阵；4)将两个系数矩阵按行连接得到一个新的系数矩阵作为样本的新特征向量矩阵；5)选择一部分样本作为训练集，其余为测试集；6)将训练集和测试集输入稀疏表示分类器得到分类结果。本发明与传统低秩模型分类方法相比，有效利用了交叉特征信息，与现有图像分类方法相比，获得了较高的分类精度。
【专利说明】基于多任务低秩的高光谱图像分类方法
【技术领域】
[0001] 本发明属于图像处理【技术领域】，涉及目标识别方法，具体是一种基于多任务低秩 的高光谱图像分类方法，可应用于遥感图像地物分类。
【背景技术】
[0002] 高光谱遥感图像作为一种拥有高空间和谱间分辨率的遥感图像，它丰富的空间和 谱间特征包含了大量的信息，在军事、农业和工业领域被广泛应用于地物的识别、分类和特 征描述。高光谱遥感图像分类就是将一幅高光谱图像中的像素点划归到不同类别的过程， 高光谱遥感图像分类是建立在遥感图像分类的基础上，结合高光谱遥感图像特点，对高光 谱图像数据进行像素级的识别和分类。
[0003] 目前国内外有许多研究机构都展开了高光谱遥感图像的分类方法的研究，提出了 多种高光谱图像分类方法，包括无监督的高光谱遥感图像分割，基于核方法的有监督的高 光谱图像分类以及半监督的高光谱图像分类等。其中很多方法都只使用单一的谱特征，但 仅使用谱特征只能从一个角度描述高光谱图像的特性。且由于高光谱图像波段多且波段间 相关性高，因此会出现相同的物质在不同的区域会有不同的谱特征而不同的物质很可能具 有相似的谱特征的现象，因而使用单一的谱特征很难避免上述现象的发生，且容易将相同 的物质划分为不同的类别，不同的物质被认作是同类，因此会降低图像分类的准确率。
[0004] 目前解决这种现象最有效的方法是空谱联合分类器，它引入空间局部信息，认为 近邻的样本具有很大的空间相似性，在很大的概率上属于同一类物质，但是这种方法很难 保持平滑的边界，而且相邻的不同物质很容易被错分。
[0005] 现有的许多采用多特征的高光谱图像分类方法，都是从每个特征单独获取样本之 间的关联矩阵，并将多个关联矩阵线性组合得到最终样本间的相关性，这种处理的不足在 于忽略了求解不同关联矩阵过程中，样本间的交叉特征信息，因而不能很好的利用多种特 征所包含的互相补充的图像信息，影响了引入多种特征分类方法的效果，进而导致分类准 确率低。
【发明内容】
[0006] 本发明的目的在于克服上述现有技术的不足，提供一种基于多任务低秩的高光谱 图像分类方法，能将谱特征及谱梯度特征联合起来求得统一的系数矩阵，有效地利用了交 叉特征信息，提高了分类准确率。
[0007] 本发明的技术方案是：基于多任务低秩的高光谱图像分类方法，包括如下步骤：
[0008] (1)输入高光谱图像数据，得到高光谱图像的光谱特征集合& e #xn，图像中每 个像素即样本用光谱特征向量表示：
[0009] XiJ = [Si, s2, . . . , Si, . . . , sL]T e Rl, j = 1, 2, ···, n
[0010] 其中，L表示高光谱图像数据的波段数，n表示高光谱图像数据的样本总个数，R表 示实数域，V表示光谱特征集合&中第j个样本的光谱特征向量， Si表示第i个波段的光 谱特征，T表示矩阵的转置；
[0011] ⑵提取高光谱图像中每个像素的谱梯度特征向量，构成集合X2 e 谱梯度 特征向量定义如下：
[0012] X2J = [S2-S" S3-S2, · · ·，Si-SH，· · ·，Sl-Sl-JT e RL \ j = 1，2,…，η
[0013] 其中，X?表示谱梯度特征集合X2中第j个样本的谱梯度特征向量；
[0014] (3)将Xi及X2作为多任务低秩模型的输入信号及字典，求解如下多任务低秩模型 得到对应的系数矩阵Zp Z2及Z :
[0015]
【权利要求】
1.基于多任务低秩的高光谱图像分类方法，其特征是：包括如下步骤： (1) 输入高光谱图像数据，得到高光谱图像的光谱特征集合Xi e #xn，图像中每个像 素即样本用光谱特征向量表示： x? = [s" s2, ? ? ?，s" ? ? ?，sL] G R，j = 1，2，…，n 其中,L表示高光谱图像数据的波段数，n表示高光谱图像数据的样本总个数，R表示实 数域，x/表示光谱特征集合X,中第j个样本的光谱特征向量，Si表示第i个波段的光谱特 征，T表示矩阵的转置； (2) 提取高光谱图像中每个像素的谱梯度特征向量，构成集合X2 e R(M)Xn，谱梯度特征 向量定义如下： X2J = [S2_S1，S3_S2, ? ? ?， Si_Si-l，? ? ?， SL_SL-1]T G RL S j = 1，2,…，n 其中，x?表示谱梯度特征集合X2中第j个样本的谱梯度特征向量； (3) 将&及X2作为多任务低秩模型的输入信号及字典，求解如下多任务低秩模型得到 对应的系数矩阵ZpZ2&Z :
约束条件：Xi = XiZi+Ei, i = 1，2 其中，Ei G RlXn和E2 G Ra^1)Xn是噪声矩阵，Zi G RnXn，i = 1，2和Z e R2x〃2是求解得 到的系数矩阵，I |Zj |#，i = 1，2是系数矩阵的核范数，| |E」|2:1，i = 1，2是噪声矩阵的混 合ly范数，I |Z| I。是系数矩阵的混合ly范数，入及a为大于零的参数，系数矩阵Z定 义如下：
其中（Zj^i = 1，2表示矩阵Zi，i = 1，2的第h行第k列元素，其中1彡h彡n且 1 ^ k ^ n ； (4) 由Zi和Z2以如下方式组合构成新的系数矩阵Z'，Z' e R2nXn :
Z'即为样本新的特征向量矩阵，每一列表示一个样本的新特征向量； (5) 从Z'中随机选择1个列向量构成训练样本集AtMin，剩余列向量构成测试样本集 Atest，训练样本集对应的类别标签集用YtMin表示； (6) 将训练样本集At_和类别标签集Yt_，测试样本集Atest送入稀疏表示分类器进行 分类，得到每个测试样本的分类标签，构成测试样本集Atest的标签向量集Ytest，标签向量集 Ytest是高光谱图像的分类结果。
2. 根据权利要求1所述的基于多任务低秩的高光谱图像分类方法，其特征是：所述的 步骤⑶中，I I Zi | | #，i = 1，2具体计算公式如下：
其中〇」是系数矩阵Zi，i = 1，2的第j个奇异值，其中1彡j彡n。
3. 根据权利要求1所述的基于多任务低秩的高光谱图像分类方法，其特征是：所述的 步骤（3)中，I I Ei | 12, p i = 1，2具体计算公式如下：
其中表示矩阵Ei，i = 1，2的第k行第j列元素。
4. 根据权利要求1所述的基于多任务低秩的高光谱图像分类方法，其特征是：所述的 步骤（6)中，稀疏表示分类器分类过程如下： 6a)将训练样本集AtMin中的所有样本组成L行1列的字典D =叫，D2. . .，D^，. . .，D。]， Dm表示第m类的字典原子集合，其中原子个数为第m类训练样本的个数，m表示原子集合的 类别标号，m = 1，2, ...，c，c表示总类别数，L表示高光谱图像数据的波段数，1表示字典D 中所有原子的个数； 6b)按照下式计算每个测试样本的稀疏编码系数向量：
其中，> 表示测试样本集Atest中的一个样本，D是训练样本组成的字典，0表示稀疏编 码系数向量，I I ? I |2表示向量的h范数，I I ? I 11表示向量的li范数，H是用于平衡重构 误差和编码稀疏性的参数，取值为1 ; 6c)计算测试样本在每类字典上的残差：
其中，&(j>)表示测试样本j)在第m类字典上的残差，0 m表示测试样本在第m类字典Hm上的编码系数向量； 6d)将最小残差所对应的字典类标赋给测试样本j)，得到测试样本的类标。
【文档编号】G06K9/62GK104281855SQ201410515464
【公开日】2015年1月14日 申请日期:2014年9月30日 优先权日:2014年9月30日
【发明者】张向荣, 焦李成, 邬文慧, 侯彪, 杨淑媛, 马文萍, 马晶晶, 刘若辰, 白静 申请人:西安电子科技大学