基于投影结构稀疏编码的高光谱图像分类方法
【技术领域】
[0001] 本发明属于遥感图像处理技术领域，特别设及一种高光谱图像分类方法，可用于 对高光谱图像的地物区分。
【背景技术】
[0002] 高光谱图像地物分类是遥感技术处理的主要内容，其依据是；相同类别的像元在 光谱特征和空间特征有一致性，不同地物类别在光谱特征，空间特征上具有明显的差别。高 光谱图像是由多光谱遥感成像设备所产生的图谱合一的海量数据，包含了地物的空间信息 和非负的光谱信息。图像中的每一个点可W由一个众多谱段的光谱信息构成的高位光谱向 量描述，所W高光谱数据的特点是数据量大，冗余多，维数较高，同时在波段之间存在很强 的相关性。
[0003] 在传统的分类方法中，对高维数据进行分类之前，需要对数据进行降维处理，用 较少的综合变量来代替原来较多的变量，同时综合变量要尽可能多的反映原来多变量包 含的信息然后再用稀疏表示进行分类。其中最经典的降维方法有主成分分析（Principal ComponentsAnalysis,PCA)和线性判别分析（LinearDiscriminateAnalysis,LDA)。但 该种分类方法是降维和分类分开进行，容易存在误差，使分类精度受到一定限制。同时还存 在处理数据时间长，没有充分利用邻域信息的问题。
【发明内容】
[0004] 本发明的目的在于克服上述已有技术的不足，提出一种基于投影结构稀疏编码的 高光谱图像分类方法，W降低误差，提高分类精度和数据处理速度。
[0005] 实现本发明目的的技术方案是将高维数据的降维和分类同时进行，其具体步骤包 括如下：
[0006] (1)输入一幅包含k个类别的待分类高光谱图像，将该高光谱图像的每一个像素 点设定为一个样本，并对其作归一化处理；
[0007] (2)在高光谱图像有标签的光谱向量中确定训练样本和测试样本；
[000引 （3)根据训练样本求得投影矩阵W;
[000引（3a)按照下式，计算高光谱图像训练图像块的初始稀疏系数
[0010] 其中，钱W表示Xi对应的初始稀疏系数，通过下式求得；
[0011]
【主权项】
1. 一种基于投影结构稀疏编码的高光谱图像分类方法，包括如下步骤： (1) 输入一幅包含k个类别的待分类高光谱图像，将该高光谱图像的每一个像素点设 定为一个样本，并对其作归一化处理； (2) 在高光谱图像有标签的光谱向量中确定训练样本和测试样本； (3) 根据训练样本求得投影矩阵W ; (3a)按照下式，计算高光谱图像训练图像块的初始稀疏系数Γ?/Τ…，…广)： 其中，Pw表示Xi对应的初始稀疏系数，通过下式求得：
式中，Xi表示以X $中心的5X5空间窗口的训练图像块；X彦示的第i个训练样本； A_i表示训练字典，A^= e RmX(Iri)，m表示高光谱图像的波段数，η 表示训练样本个数；表示矩阵Aw I的转置矩阵；1卜1&表示求Frobenius范数的平方 和操作；11 · 112表示求2范数操作；λ 1表示求2范数正则项的正则化参数；λ 2表示空间拉 普拉斯正则项的正则化参数；tr表示对矩阵求迹的操作；L表示拉普拉斯图正则矩阵，L = HT1/2GD^1/2, G表示空间约束矩阵，
gst表示为G 的第s行第t列的元素；NB(yi)是以力为中心的5X5空间窗口：
是位于（is，js)的像素点ys与位于（i t，jt)的像素点yt之间的距离，（i s，js)表示5X5 窗口中位置，（it, jt)表示yt在5X5窗口中位置；D是对角矩阵，其对角元素是G中每行元 素之和； (3b)按照下式，求得高光谱图像训练样本的初始投影矩阵Wft0:
其中，（W(CI))T表示初始投影矩阵W ω的转置矩阵；#f表示\对应的初始稀疏系数；I 表示单位矩阵； (3c)固定初始投影矩阵W?，按照下式，求得训练图像块的稀疏系数f3iS = W1，··· ，m+i，…βη): 其中，I表示XJi应的稀疏系数，通过下式求得： η 1
式中，足,表示Xi对应的降维后的训练字典；尤表示以XiS中心的5X5空间窗口的训 练图像块降维后的训练图像块； (3d)固定训练样本的稀疏系数f3_iS，按照下式，计算投影矩阵W :
(3e)重复执行（3c)和（3d)共20次，得到高光谱图像训练样本的最终投影矩阵W ; (4) 根据投影矩阵W，按照下式求得测试样本的稀疏系数Θ ;
其中，y表示测试样本，A表示测试字典，把训练样本作为测试字典； (5) 根据投影矩阵W和测试样本的稀疏系数Θ，利用误差判别函数对测试样本进行判 定，得到测试样本地物类别标签k : k = min| IffV-WrAk Θ k| |2， 其中，Ak表示第k类训练样本对应的测试字典；Θ k表示稀疏系数中对应测试字典Ak中 第k类测试样本位置处的系数。
2.根据权利要求1所述的基于投影结构稀疏编码的高光图像分类方法，其特征在于， 所述步骤（2)中确定训练样本和测试样本，按如下步骤进行： (2a)采用等概率采样的方法，在高光谱图像有标签的光谱向量中，依次随机选取10% 的样本，作为训练样本，对于训练样本中的任意一个样本Xi，定义一个以Xi为中心的5 X 5空 间窗口，得到高光谱图像训练图像块Xi; (2b)将剩余90%的样本作为高光谱图像的测试样本，对于测试样本中的任意一个样 本71，定义一个以YiS中心的5X5空间窗口，得到高光谱图像测试图像块Y i。
【专利摘要】本发明公开了一种基于投影结构稀疏编码的高光谱分类方法，主要解决现有技术不能有效利用高光谱图像邻域信息进行分类的问题。其实现步骤为：(1)读入高光谱图像数据；(2)在高光谱图像有标签的光谱向量中确定训练样本集和测试样本集；(3)根据训练样本集求解投影矩阵；(4)根据高光谱图像训练样本的投影矩阵，求测试样本集稀疏系数；(5)根据投影矩阵和测试样本集的稀疏系数，利用误差判别函数对测试样本进行判定，得到测试样本地物类别标签。本发明具有分类精度高，处理高维数据花费代价小的优点，可用于对高光谱图像的地物区分。
【IPC分类】G06K9-62
【公开号】CN104866871
【申请号】CN201510295230
【发明人】焦李成, 马文萍, 张风, 刘芳, 侯彪, 王爽, 杨淑媛
【申请人】西安电子科技大学
【公开日】2015年8月26日
【申请日】2015年6月2日