基于超像素张量稀疏编码的高光谱遥感地物分类方法
【技术领域】
[0001] 本发明属于图像处理技术领域，更进一步涉及高光谱图像分类技术领域中的一种 基于超像素张量稀疏编码的高光谱遥感地物分类方法。本发明可用于对高光谱遥感图像进 行快速的地物分类。
【背景技术】
[0002] 目前高光谱数据的研究重心主要是降维和分类两方面。其中，分类主要是根据不 同类别的数据具有不同的特征信息对数据进行处理，为每一个像素赋予一个所属的标记， 从而实现对地物进行分类和识别。根据是否有标记样本参与处理过程，分类方法可分为无 监督分类方法，有监督分类方法和半监督分类方法。在众多的高光谱分类方法中，稀疏编码 分类方法是研究的重点方向之一。该分类方法的核心思想是：高光谱数据中的一个样本，可 以由一些训练样本进行线性表示，对于一个未知样本，可以对其进行稀疏表示得到一个稀 疏向量，该向量对应于训练样本所占的权重，通过求得该向量，可以直接确定未知样本的类 别标签。
[0003] JianjunLiu，ZebinWu，ZhihuiWei等人在其发表的论文 "Spatial-Spectral KernelSparseRepresentationforHyperspectralImageClassification'，（Applied EarthObservationsandRemoteSensing,IEEE, 2013, 6 (6) : 2462-2471)中提出一种基于 空谱核稀疏表示的高光谱图像分类方法。该方法首先定义一种空谱核，并使用该空谱核获 取空间信息和谱信息，然后将稀疏表示分类器扩展到可空间，得到核稀疏表示分类器，最后 求解稀疏系数，并得到样本的类别。该方法存在的不足之处是，在求解稀疏系数的过程中需 要对每个映射后的样本求解其在映射后字典上的稀疏系数，对于数据量巨大的高光谱图像 而言，单个像素进行计算会产生很大的计算负担。
[0004] 西安电子科技大学在其申请的专利文件"基于稀疏核编码SKR的高光谱图像地物 识别方法"（【申请号】201110260639.X申请日2011-09-05公告号：CN102324047B)中公开 了一种基于稀疏核编码SKR的高光谱图像地物识别方法。该方法首先利用高光谱图像中 一些已知标签的光谱向量按类排列作为稀疏编码的字典，所有未知标签的光谱向量样本构 成测试样本集合，其次，利用近邻方法构造中心样本矩阵，通过构造稀疏核函数将测试样本 和字典分别映射至特征空间得到映射后的字典和测试样本，并对映射后的字典进行列归一 化，再次，利用归一化后的字典对映射后的测试样本进行稀疏编码，通过误差判别公式判断 测试样本的类别。该方法存在的不足之处是，没有考虑到相邻样本间的空间信息，会造成同 质区域的空间一致性不好，影响高光谱图像的识别准确率。
【发明内容】
[0005] 本发明的目的在于克服上述已有技术的不足，提出一种基于超像素张量稀疏编码 的高光谱遥感地物分类方法。本发明可以充分利用样本间的空间和谱间信息，保证分类结 果的空间一致性，加快稀疏编码分类过程的速度，实现对高光谱图像快速准确的分类。
[0006] 本发明实现的具体步骤如下：
[0007] (1)输入待分类的高光谱图像：
[0008] 输入待分类的高光谱图像，将输入的高光谱图像中的每一个像素点设定为一个样 本；
[0009] ⑵构建层次空间相似度矩阵：
[0010] (2a)选取待分类的高光谱图像中任意一个样本周围的空间近邻样本，按照该样本 与其空间近邻样本的距离，将距离该样本最近的空间近邻样本作为第一层空间近邻样本， 将距离该样本较近的空间近邻样本作为第二层空间近邻样本，将距离该样本最远的空间近 邻样本作为第三层空间近邻样本，将三层空间近邻样本组成该样本的层次空间近邻集，对 待分类的高光谱图像中的所有样本进行相同处理，得到每个样本的层次空间近邻集；
[0011] (2b)将待分类的高光谱图像中的一个样本作为中心样本，采用下式，计算中心样 本与其层次空间近邻集中的一个样本的相似度：
[0012]uh=exp(-||x_xh||2/2(E||x_xh||2/Ng))s.t.xhGHg
[0013] 其中，Uh表示中心样本x与层次空间近邻集中样本xh的相似度，h表示层次空间 近邻集中样本xh的索引值，h的取值范围为{1,2,…，n}，n表示待分类的高光谱图像中样 本的总数，exp( ?)表示指数操作，I卜II表示范式操作，X表示中心样本，Xh表示层次空间 近邻集中的样本，E表示求和操作，Ng表示层次空间近邻集中第g层近邻样本的样本个数， g表不层数，g的取值范围为{1,2,3}，s.t.表不约束操作，G表不属于符号，氏表不中心样 本X的层次空间近邻集中第g层近邻样本；
[0014] (2c)按照步骤（2b)，计算中心样本与层次空间近邻集中所有样本的相似度；
[0015] (2d)在层次空间近邻集的所有样本中，找到与中心样本具有最大相似度的样本， 并记录该样本的位置；
[0016] (2e)根据步骤（2d)得到的最大相似度样本和该样本的位置，构造中心样本的层 次空间相似度向量，其中该向量中与最大相似度样本对应的位置等于最大相似度；
[0017](2f)将待分类的高光谱图像中所有样本依次选为中心样本，执行步骤（2b)、步骤 (2c)、步骤（2d)和步骤（2e)，得到每个中心样本的层次空间相似度向量；
[0018] (2g)将所有的层次空间相似度向量按行排列，得到层次空间相似度矩阵；
[0019] (3)获得超像素集：
[0020] (3a)创建可靠度矩阵和责任度矩阵，将可靠度矩阵和责任度矩阵中的元素初始化 为零；
[0021] (3b)采用责任度矩阵元素更新公式，得到更新后的责任度矩阵元素；
[0022] (3c)采用可靠度矩阵非对角线元素更新公式，得到更新后的可靠度矩阵非对角线 元素；
[0023] (3d)采用可靠度矩阵对角线元素更新公式，得到更新后的可靠度矩阵对角线元 素；
[0024] (3e)判断可靠度矩阵对角线的元素是否更新了 20次，若是，执行步骤（3f)，否则， 执行步骤（3b);
[0025](3f)采用聚类中心计算公式，得到待分类的高光谱图像中所有样本所属的聚类中 心；
[0026] (3g)将待分类的高光谱图像中具有相同聚类中心的样本聚成一簇，得到多个具有 不同聚类中心的簇，将具有不同聚类中心的簇组成簇集；
[0027] (3h)将簇集中的单个簇当作超像素，得到一系列超像素，并组成超像素集；
[0028] (4)构造标记样本字典：
[0029] (4a)在待分类的高光谱图像中，选取L个样本作为标记样本，获取每个标记样本 的类别，其中，L表示标记样本的数目，L的取值范围为{50, 100, 150, 200, 250, 300, 350};
[0030] (4b)将标记样本按照类别进行排列，构成标记样本字典；
[0031] (5)求解稀疏系数矩阵：
[0032] (5a)选取超像素集中的一个超像素作为待处理的超像素，将该超像素与其相邻的 超像素组成超像素张量；
[0033] (5b)创建残差和标记样本字典的原子列集合，将残差初始化为步骤（5a)中得到 的超像素张量，将标记样本字典的原子列集合初始化为空集合；
[0034] (5c)采用下式，计算标记样本字典中最接近残差的原子列数：
[0036] 其中，d表示标记样本字典中最接近残差的原子列数，arg表示求取满足条件变量 值的操作，max表示最大值操作，E表示求和操作，b表示单位矩阵P的列数，c表示单位矩 阵Q的列数，N?II表示范式操作，R表示残差，X1表示张量的模-1乘积操作，表示转 置后标记样本字典的第a列，T表示转置操作，a表示转置后标记样本字典的列数，D表示标 记样本字典，X2表示张量的模-2乘积操作，Pb表示单位矩阵P的第b列，P表示总列数为 P的单位矩阵，P表示待处理超像素中样本的总数，X3表示张量的模-3乘积操作，Q。表示 单位矩阵Q的第c列，Q表示总列数为q的单位矩阵，q表示超像素张量中超像素的总数；
[0037] (5d)将标记样本字典中最接近残差的原子列数加入标记样本字典的原子列集 合；
[0038] (5e)采用下式，计算稀疏系数张量：
[0040] 其中，B表示稀疏系数张量，arg表示求取满足条件变量值的操作，min表示最小值 操作，II?II2表示2-范式操作，A表示待求的稀疏系数张量，Xi表示张量的模-1乘积操 作，Dr表示标记样本字典中对应于r中的列组成的字典，r表示标记样本字典的原子列 集合，D表示标记样本字典，X2表示张量的模-2乘积操作，P表示总列数为p的单位矩阵， P表示待处理超像素中样本的总数，X3表示张量的模-3乘积操作，Q表示总列数为q的单 位矩阵，q表示超像素张量中超像素的总数，Y表示超像素张量；
[0041] (5f)采用下式，更新残差：
[0042] R' =Y-BX1DrX2PX3Q
[0043] 其中，R'表示更新后的残差，Y表示超像素张量，B表示稀疏系数张量，X1表示张 量的模-1乘积操作，Dr表示标记样本字典中对应于r中的列组成的字典，D表示标记样 本字典，F表示标记样本的原子列集合，X2表示张量的模-2乘积操作，P表示总列数为p 的单位矩阵，p表示待处理超像素中样本的总数，X3表示张量的模-3乘积操作，Q表示总 列数为q的单位矩阵，q表示超像素张量中超像素的总数；
[0044] (5g)判断是否满足下列条件之一，若是，执行（5h)，否则，执行步骤（5c):
[0045] M^Q,IIRr |F<e
[0046] 其中，M表示更新后标记样本字典的原子列集合中的元素数目，多表示大于等于符 号，Q表示标记样本字典的原子列集合的最大容量，Q的取值范围为{30,31，…，60}，II*||F 表示Frobenius范数操作，R'表示更新后的残差，<表示小于符号，e表示残差阈值，e的 取值范围为{10 7, 10 6, 10 5, 10 4, 10 3};
[0047] (5h)将稀疏系数张量中第三维第一个位置对应的矩阵，作为待处理超像素的稀疏 系数矩阵；
[0048] (5i)判断是否超像素集中所有的超像素都得到稀疏系数矩阵，若是，则执行步骤 (6)，否则，执行步骤（5a);
[0049]