一种高光谱图像分类的方法及装置与流程

技术特征：

1.一种高光谱图像分类的方法，其特征在于，包括：

S1：预先从高光谱图像中确定训练样本，为每个所述训练样本设置对应的类标；

S2：提取所述高光谱图像的至少两个图像特征；

S3：确定每个所述图像特征的最邻近图的相似度矩阵；

S4：确定每个相似度矩阵的图拉普拉斯矩阵；

S5：将每个所述图拉普拉斯矩阵投射在格拉斯曼流形上，在所述格拉斯曼流形上确定每两个图拉普拉斯矩阵之间的距离；

S6：根据所述每两个图拉普拉斯矩阵之间的距离和所述训练样本的类标，确定所述高光谱图像的类标矩阵；

S7：根据所述类标矩阵，确定所述高光谱图像的每个样本的类标。

2.根据权利要求1所述的方法，其特征在于，

所述S6，包括：

A1：根据每个所述训练样本的类标，确定所述高光谱图像的初始类标矩阵；

A2：确定每个图拉普拉斯矩阵与其他图拉普拉斯矩阵的距离之和；

A3：确定目标函数中的每个图拉普拉斯矩阵对应的融合权重的初始值，其中，所述目标函数为：

$\begin{array}{cc}\underset{Q,{\mathrm{\α}}^{\left(m\right)}}{\min }& Tr\left(Q^T\tilde{L}Q\right)+Tr{(Q-Y)}^{T}U(Q-Y)+{\mathrm{\γ}}_{\mathrm{\α}}{\mathrm{\Σ}}_{m=1}^M{\mathrm{\α}}^{\left(m\right)}{\mathrm{log\α}}^{\left(m\right)}+{\mathrm{\γ}}_s{\mathrm{\Σ}}_{m=1}^M{\mathrm{\α}}^{\left(m\right)}{S}^{\left(m\right)}\end{array}$

$\begin{array}{cc}s.t.& \tilde{L}={\mathrm{\Σ}}_{m=1}^M{\mathrm{\α}}^{\left(m\right)}{L}^{\left(m\right)},{\mathrm{\Σ}}_{m=1}^M{\mathrm{\α}}^{\left(m\right)}=1\end{array}$

其中，Q为所述类标矩阵，Y为所述高光谱图像的初始类标矩阵，L^(m)为第m个图拉普拉斯矩阵，U为预设矩阵，γ_α为第一预设约束程度参数，γ_s为第二预设约束程度参数，S^(m)为第m个图拉普拉斯矩阵与其他图拉普拉斯矩阵的距离之和，α^(m)为第m个图拉普拉斯矩阵对应的融合权重，M为所述图拉普拉斯矩阵的数量；

A4：根据所述每个图拉普拉斯矩阵对应的融合权重和公式一，更新所述类标矩阵，其中，所述公式一为：

$Q={(\tilde{L}+U)}^{-1}UY;$

A5：根据所述类标矩阵和公式二，更新所述每个图拉普拉斯矩阵对应的融合权重，其中，所述公式二为：

${\mathrm{\α}}^{\left(m\right)}=\frac{\exp \left(\frac{-p^{\left(m\right)}-g^{\left(m\right)}-{\mathrm{\γ}}_{\mathrm{\α}}-{\mathrm{\γ}}_s{S}^{\left(m\right)}}{{\mathrm{\γ}}_{\mathrm{\α}}}\right)}{{\mathrm{\Σ}}_{i=1}^M\exp \left(\frac{-p^{\left(i\right)}-g^{\left(i\right)}-{\mathrm{\γ}}_{\mathrm{\α}}-{\mathrm{\γ}}_s{S}^{\left(i\right)}}{{\mathrm{\γ}}_{\mathrm{\α}}}\right)},$

其中，g^(m)＝Tr(Q-Y)^TU(Q-Y)；

A6：根据所述每个图拉普拉斯矩阵对应的融合权重和所述类标矩阵，判断所述目标函数的值是否收敛，如果是，则输出所述类标矩阵，否则，返回A4。

3.根据权利要求1所述的方法，其特征在于，

在所述S1之后，在所述S6之前，进一步包括：

B1：判断所述训练样本的数量是否小于第一预设值，如果是，则依次执行B2至B9；

B2：对所述高光谱图像的光谱进行主成分分析，提取所述高光谱图像的光谱的主成分；

B3：确定每个所述主成分的梯度矩阵；

B4：将每个所述主成分的梯度矩阵对应叠加，生成所述高光谱图像的梯度矩阵；

B5：对所述高光谱图像的梯度矩阵进行水分岭分割，获取至少一个分割区域；

B6：对每个所述分割区域进行聚类处理，确定每个所述分割区域的聚类中心，将每个所述分割区域的聚类中心作为辅助样本；

B7：确定每个所述辅助样本对应的最相似的训练样本；

B8：将每个辅助样本对应的最相似的训练样本的类标设置为每个辅助样本的类标；

B9：将每个设置有类标的辅助样本作为训练样本，返回B1。

4.根据权利要求1所述的方法，其特征在于，

所述S5，包括：

对每个所述图拉普拉斯矩阵进行特征值分解，获得每个所述图拉普拉斯矩阵的特征值；

针对每个所述图拉普拉斯矩阵，从每个所述图拉普拉斯矩阵的各个特征值中，选取第二预设值个数值最大的空间特征值；

根据每个所述图拉普拉斯矩阵的空间特征值的特征向量，生成每个所述图拉普拉斯矩阵对应的特征空间；

确定每两个所述图拉普拉斯矩阵对应的特征空间之间的测地线距离；

将每两个所述图拉普拉斯矩阵对应的测地线距离作为每两个所述图拉普拉斯矩阵之间的距离。

5.根据权利要求1所述的方法，其特征在于，

所述图像特征，包括：光谱特征；

所述S2，包括：

根据所述高光谱图像中的光谱之间的互信息对所述高光谱图像进行聚类处理，生成所述高光谱图像的光谱块；

将每个所述光谱块作为一个所述光谱特征。

6.根据权利要求1所述的方法，其特征在于，

所述S4，包括：

根据公式三，确定每个相似度矩阵的图拉普拉斯矩阵，其中，所述公式三为：

$L=I-D^{-\frac{1}{2}}{\mathrm{WD}}^{-\frac{1}{2}},$

其中，L为所述图拉普拉斯矩阵，W为所述相似度矩阵，I为单位矩阵，D为对角矩阵，D的对角线上的第i个元素为∑_jW_ij。

7.根据权利要求1-6中任一所述的方法，其特征在于，

所述图像特征，包括：光谱特征；

所述S3，包括：

根据所述高光谱图像的光谱特征，确定每个样本的光谱值；

根据每个样本的光谱值，确定所述光谱特征中每两个样本之间的欧式距离；

根据每两个样本之间的欧式距离，利用高斯核函数，确定每两个样本之间的初始光谱相似度；

根据每两个样本之间的初始光谱相似度，为每个样本选取第三预设值个初始光谱相似度最大的第一最邻近样本；

根据每个样本对应的第三预设值个第一最邻近样本，生成每个样本的邻近样本集；

确定每两个样本的邻近样本集之间的邻近样本集相似度；

将每两个样本的初始光谱相似度和邻近样本集相似度相乘，获得每两个样本的第一最终相似度；

根据每个样本的所述第三预设值个数值最大的第一最终相似度，获得所述光谱特征的最邻近图的相似度矩阵；

和/或，

所述图像特征包括：空间位置特征；

所述S3，包括：

根据所述高光谱图像的空间位置特征，确定每个样本的空间位置；

根据每个样本的空间位置，确定所述高光谱图像的每两个样本之间的距离；

根据每两个样本之间的距离，利用高斯核函数，确定每两个样本之间的初始空间位置信息相似度；

根据每两个样本之间的初始空间位置信息相似度，为每个样本选取第四预设值个初始空间位置信息相似度最大的第二最邻近样本；

以样本的光谱为特征，利用高斯核函数，确定每个样本与其每个第二最邻近样本之间的中间相似度；

将每个样本与其每个第二最邻近样本的初始空间位置信息相似度和中间相似度相乘，获得每个样本与其每个第二最邻近样本的第二最终相似度；

根据每个样本与其每个第二最邻近样本的第二最终相似度，获得所述空间位置特征的最邻近图的相似度矩阵；

和/或，

所述图像特征包括：纹理特征；

所述S3，包括：

根据所述高光谱图像的纹理特征，确定每个样本的纹理特征；

根据每个样本的纹理特征，利用高斯核函数，确定每两个样本之间的纹理相似度；

根据每个样本的第五预设值个数值最大的纹理相似度，获得所述纹理特征的最邻近图的相似度矩阵。

8.一种高光谱图像分类的装置，其特征在于，包括：

样本确定单元，用于从高光谱图像中确定训练样本，为每个所述训练样本设置对应的类标；

提取单元，用于提取所述高光谱图像的至少两个图像特征；

相似度矩阵确定单元，用于确定每个所述图像特征的最邻近图的相似度矩阵；

图拉普拉斯矩阵确定单元，用于确定每个相似度矩阵的图拉普拉斯矩阵；

距离确定单元，用于将每个所述图拉普拉斯矩阵投射在格拉斯曼流形上，在所述格拉斯曼流形上确定每两个图拉普拉斯矩阵之间的距离；

类标矩阵确定单元，用于根据所述每两个图拉普拉斯矩阵之间的距离和所述训练样本，确定所述高光谱图像的类标矩阵；

类标确定单元，用于根据所述类标矩阵，确定所述高光谱图像的每个样本的类标。

9.根据权利要求8所述的装置，其特征在于，

所述类标矩阵确定单元，包括：

第一确定子单元，用于根据每个所述训练样本的类标，确定所述高光谱图像的初始类标矩阵；

第二确定子单元，用于确定每个图拉普拉斯矩阵与其他图拉普拉斯矩阵的距离之和；

第三确定子单元，用于确定目标函数中的每个图拉普拉斯矩阵对应的融合权重的初始值，其中，所述目标函数为：

$\begin{array}{cc}\underset{Q,{\mathrm{\α}}^{\left(m\right)}}{\min }& Tr\left(Q^T\tilde{L}Q\right)+Tr{(Q-Y)}^{T}U(Q-Y)+{\mathrm{\γ}}_{\mathrm{\α}}{\mathrm{\Σ}}_{m=1}^M{\mathrm{\α}}^{\left(m\right)}{\mathrm{log\α}}^{\left(m\right)}+{\mathrm{\γ}}_s{\mathrm{\Σ}}_{m=1}^M{\mathrm{\α}}^{\left(m\right)}{S}^{\left(m\right)}\end{array}$

$\begin{array}{cc}s.t.& \tilde{L}={\mathrm{\Σ}}_{m=1}^M{\mathrm{\α}}^{\left(m\right)}{L}^{\left(m\right)},{\mathrm{\Σ}}_{m=1}^M{\mathrm{\α}}^{\left(m\right)}=1\end{array}$

其中，Q为所述类标矩阵，Y为所述高光谱图像的初始类标矩阵，L^(m)为第m个图拉普拉斯矩阵，U为预设矩阵，γ_α为第一预设约束程度参数，γ_s为第二预设约束程度参数，S^(m)为第m个图拉普拉斯矩阵与其他图拉普拉斯矩阵的距离之和，α^(m)为第m个图拉普拉斯矩阵对应的融合权重，M为所述图拉普拉斯矩阵的数量；

类标矩阵更新子单元，用于根据所述每个图拉普拉斯矩阵对应的融合权重和公式一，更新所述类标矩阵，其中，所述公式一为：

$Q={(\tilde{L}+U)}^{-1}UY;$

所述融合权重更新子单元，用于根据所述类标矩阵更新子单元确定出的所述类标矩阵和公式二，更新所述每个图拉普拉斯矩阵对应的融合权重，其中，所述公式二为：

${\mathrm{\α}}^{\left(m\right)}=\frac{\exp \left(\frac{-p^{\left(m\right)}-g^{\left(m\right)}-{\mathrm{\γ}}_{\mathrm{\α}}-{\mathrm{\γ}}_s{S}^{\left(m\right)}}{{\mathrm{\γ}}_{\mathrm{\α}}}\right)}{{\mathrm{\Σ}}_{i=1}^M\exp \left(\frac{-p^{\left(i\right)}-g^{\left(i\right)}-{\mathrm{\γ}}_{\mathrm{\α}}-{\mathrm{\γ}}_s{S}^{\left(i\right)}}{{\mathrm{\γ}}_{\mathrm{\α}}}\right)},$

其中，g^(m)＝Tr(Q-Y)^TU(Q-Y)；

判断子单元，用于根据所述融合权重更新子单元确定出的所述每个图拉普拉斯矩阵对应的融合权重和所述类标矩阵更新子单元确定出的所述类标矩阵，判断所述目标函数的值是否收敛，如果是，则输出所述类标矩阵，否则，返回所述类标矩阵更新子单元进行处理。

10.根据权利要求8-9中任一所述的装置，其特征在于，

所述距离确定单元，包括：

特征值分解子单元，用于对每个所述图拉普拉斯矩阵进行特征值分解，获得每个所述图拉普拉斯矩阵的特征值；

空间特征值确定子单元，用于针对每个所述图拉普拉斯矩阵，从每个所述图拉普拉斯矩阵的各个特征值中，选取第二预设值个数值最大的空间特征值；

特征空间生成子单元，用于根据每个所述图拉普拉斯矩阵的空间特征值的特征向量，生成每个所述图拉普拉斯矩阵对应的特征空间；

测地线距离确定子单元，用于确定每两个所述图拉普拉斯矩阵对应的特征空间之间的测地线距离；

矩阵距离确定子单元，用于将每两个所述图拉普拉斯矩阵对应的测地线距离作为每两个所述图拉普拉斯矩阵之间的距离。