一种基于正则化集合度量学习的遥感图像分类方法及系统的制作方法
【技术领域】
[0001] 本发明涉及遥感图像处理技术领域，特别涉及一种基于正则化集合度量学习的遥 感图像分类方法及系统。
【背景技术】
[0002] 高光谱遥感图像分类广泛应用于农作物分析、矿物辨识、湖泊湿地分类和土地利 用/覆盖分类等领域。传统的基于光谱分类方法，未考虑空间邻域像素的相关性，应用于高 光谱遥感图像分类时，效果欠佳。基于光谱一空间域联合分类方法，是提升高光谱遥感图像 分类性能的有效途径。
[0003]目前，常用的光谱一空间域联合分类方法，主要有以下三类：第一类，在光谱分类 之前利用空间域信息进行特征提取，代表性方法为形态学轮廓方法；第二类，同时利用空间 域信息和光谱信息进行联合分类，代表性方法为组合核分类方法；第三类，在光谱分类之后 利用空域信息进行后处理，代表性方法为基于图像分割的方法。
[0004] 以上分类方法，其本质都是寻求一种合理有效的相似性度量，实现准确的目标分 类。光谱分类方法是基于光谱相似性度量进行分类；光谱一空间域联合分类方法是同时考 虑光谱相似性和空间域相似性，其试图描述邻域像素所构成的局部像素集合之间的某种相 似性；但，由于直接度量像素集合之间的相似性较困难，通常基于像素点或特征向量进行分 类，即用像素点替代像素集合，其不能充分地描述高光谱遥感图像局部同源区域之间的结 构相似性。
【发明内容】
[0005] 本发明目的是提供一种基于正则化集合度量学习的遥感图像分类方法，解决现有 技术中存在的上述问题。
[0006] 本发明解决上述技术问题的技术方案如下：
[0007] -种基于正则化集合度量学习的遥感图像分类方法，包括如下步骤：
[0008] 步骤1，输入待分类的高光谱遥感图像，划分训练样本和测试样本；
[0009] 步骤2,基于训练样本，学习得降维矩阵，并对所述高光谱遥感图像进行维数约简， 得低维高光谱遥感图像；
[0010] 步骤3,分别建立每个训练样本和每个测试样本在所述低维高光谱遥感图像上的 训练像素集合和测试像素集合；
[0011] 步骤4,基于所述训练像素集合，学习得正则化集合度量矩阵；
[0012] 步骤5,基于所述正则化集合度量矩阵，计算每个测试像素集合与各训练像素集合 之间的集合距离，基于集合距离对每个测试像素集合对应的测试样本进行分类。
[0013] 本发明的有益效果是：对待分类的高光谱遥感图像进行维数约简，在降维的低维 高光谱遥感图像上，构建空间域局部训练像素集合和测试像素集合，基于训练像素集合，学 习得到描述集合到集合距离的正则化集合度量矩阵，并计算测试像素集合与各训练像素集 合之间的集合距离，实现对测试样本的分类；面向高光谱遥感图像光谱和空间域特征，构建 具有更好目标特征承载能力的局部同源像素集合，开展像素集合到像素集合的正则化集合 度量学习与分类，直接度量像素集合之间的相似性，有效利用高光谱遥感图像数据的多重 空谱特征，即光谱、空间形状和纹理特征等，得到准确可靠的度量关系和分类结果。
[0014] 在上述技术方案的基础上，本发明还可以做如下改进。
[0015] 进一步，所述步骤2包括如下步骤：
[0016] 步骤21，根据预设像素邻域窗口，按如下第一公式计算每个训练样本的局部像素 距离散度矩阵，按如下第二公式计算全部训练样本的局部像素邻域保持矩阵。
[0017] 所述第一公式如下：
[0018]
[0019] 所述第二公式如下：
[0020]
[0021] 其中，所述Xl为训练样本i对应的列向量，iG{1，2, 3……n}，n为训练样本的总 数；xlk为训练样本i的邻域像素ik对应的列向量，kG{1，2, 3......s}，s为训练样本i的 邻域像素的总数；所述为训练样本i与其邻域像素ik之间的光谱和空间域距离关系权 重。
[0022] 步骤22,按如下第三公式计算全部训练样本的总散度矩阵。
[0023] 所述第三公式如下：
[0024]
[0025]其中，所述m=(Xi+xJ…+xn)/n。
[0026] 步骤23,按如下第四公式学习得降维矩阵。
[0027] 所述第四公式如下：
[0028] V = h v2 …vd]
[0029] 其中，所述d为所述低维高光谱遥感图像的维数，所述Viv2…vd分别为Sv= 入Hv的前d个最大广义特征值A所对应的特征向量v。
[0030] 步骤24,将所述高光谱遥感图像与所述降维矩阵相乘，得所述低维高光谱遥感图 像。
[0031] 进一步，所述步骤3的具体实现为在所述低维高光谱遥感图像上，根据所述预设 像素邻域窗口，确定每个训练样本的邻域像素和每个测试样本的邻域像素；每个训练样本 和其对应的邻域像素组成训练像素集合；每个测试样本和其对应的邻域像素组成测试像素 集合。
[0032] 进一步，所述步骤4包括如下步骤：
[0033] 步骤41，初始化正则化集合度量矩阵为单位矩阵。
[0034] 步骤42,基于初始化的正则化集合度量矩阵，按如下第五公式，计算各训练像素集 合之间的正则化集合距离；对每个训练像素集合，获得与其具有最小正则化集合距离的同 类的训练像素集合，构造属于同类的正样本对；获得与其具有最小正则化集合距离的异类 的训练像素集合，构造属于异类的负样本对。
[0035] 所述第五公式如下：
[0036] = (Xia-X2b)TI(Xia-X2b)
[0037] 其中，所述XpX2为任意两个训练像素集合的矩阵，d: X2)为所述任意两个训练 像素集合之间的正则化集合距离，I为所述初始化的正则化集合度量矩阵，a为矩阵为&的 训练像素集合中各像素所对应的凸包系数组成的向量，b为矩阵为&的训练像素集合中各 像素所对应的凸包系数组成的向量。
[0038] 步骤43,根据构造的正样本对和负样本对，按如下优化模型计算更新的正则化集 合度量矩阵。
[0039] 所述优化模型如下：
[0044] 其中，所述M为更新的正则化集合度量矩阵，&为任意一个训练像素集合的矩阵， Xk为所述任意一个训练像素集合的正样本对中的另一训练像素集合的矩阵，X,为所述任意 一个训练像素集合的负样本对中的另一训练像素集合的矩阵，€为所述任意一个训练像 素集合的正样本对的松弛变量，为所述任意一个训练像素集合的负样本对的松弛变量， cUXi，xk)为所述任意一个训练像素集合与其正样本对中另一训练像素集合之间的集合距 离，(UXdX,)为所述任意一个训练像素集合与其负样本对中另一训练像素集合之间的集合 距离，a为惩罚参数；所述P为偏移量，可由所述优化模型求解出。
[0045] 进一步，所述步骤5的具体实现为基于更新的正则化集合度量矩阵，按如下第六 公式，计算每个测试像素集合与各训练像素集合之间的集合距离，获得与所述测试像素集 合具有最小集合距离的匹配的训练像素集合，并将所述测试像素集合对应的测试样本分类 到所述匹配的训练像素集合对应的训练样本的类别中。
[0046] 所述第六公式如下：
[0047] ^(Y.X,) = (Yc-X.b^^CYc-X.b,)
[0048] 其中，所述Y为所述测试像素集合的矩阵，&为任意一个训练像素集合的矩阵， cUH)为所述测试像素集合与所述任意一个训练像素集合之间的集合距离，M为所述更 新的正则化集合度量矩阵，c为所述测试像素集合中各像素所对应的凸包系数组成的向量， 匕为所述任意一个训练像素集合中各像素所对应的凸包系数组成的向量。
[0049] 本发明的另一技术方案如下：
[0050] -种基于正则化集合度量学习的遥感图像分类系统，包括样本划分模块、低维高 光谱遥感图像生成模块、像素集合生成模块、正则化集合度量矩阵求解模块和测试样本分 类模块。
[0051] 所述样本划分模块，其用于输入待分类的高光谱遥感图像，划分训练样本和测试 样本。
[0052] 所述低维高光谱遥感图像生成模块，其用于基于训练样本，学习得降维矩阵，并对 所述高光谱遥感图像进行维数约简，得低维高光谱遥感图像。
[0053] 所述像素集合生成模块，其用于分别建立每个训练样本和每个测试样本在所述低 维高光谱遥感图像上的训练像素集合和测试像素集合。
[0054] 所述正则化集合度量矩阵求解模块，其用于基于所述训练像素集合，学习得正则 化集合度量矩阵。
[0055] 所述测试样本分类模块，其用于基于所述正则化集合度量矩阵，计算每个测试像 素集合与各训练像素集合之间的集合距离，基于集合距离对每个测试像素集合对应的测试 样本进行分类。
[0056] 在上述技术方案的基础上，本发明还可以做如下改进。
[0057] 进一步，所述低维高光谱遥感图像生成模块包括局部像素邻域保持矩阵求解单 元、总散度矩阵求解单元、降维矩阵求解单元和高光谱遥感图像降维单元。
[0058] 所述局部像素邻域保持矩阵求解单元，其用于根据预设像素邻域窗口，按如下第 一公式计算每个训练样本的局部像素距离散度矩阵，按如下第二公式计算全部训练样本的 局部像素邻域保持矩阵。
[0059] 所述第一公式如下：
[0060]
[0061] 所述第二公式如下：
[0062]
[0063] 其中，所述Xl为训练样本i对应的列向量，iG{1，2, 3……n}，n为训练样本的总 数；xlk为训练样本i的邻域像素ik对应的列向量，kG{1，2, 3......s}，s为训练样本i的 邻域像素的总数