识别较为有效的方法。而基于纹理基元的光谱分析法是与上两类方法皆有不同的方法， 它计算出每个像元与周围像元的相对灰度关系并作为一个纹理基元，并认为这样能得到更 有代表性的纹理信息。这种方法的纹理光谱多达6561级，并且各级之间互不相干，这就需要 较大的统计区间来维持数据的稳定性。在此基础上，Ojala提出了简化的方法，即局部二值 模式。
[0027]局部二值模式(LBP)，在1994年被首次提出，用于图像局部纹理特征的提取，LBP算 子作为一种有效的纹理描述算子，它具有旋转不变性和灰度不变性等显著优点，并且计算 简单，因此常被应用于图像分类和识别。在近10年的时间内，LBP算子已经在纹理分类、图像 检索、人脸图像分析等领域得到更为广泛的应用。原始的LBP算子定义（以3X3窗口为例） 为:在3 X 3的窗口内，以窗口中心像素为阈值，将相邻的8个像素的灰度值与其进行比较，若 周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为〇.若用m表示相邻像素 的个数，相邻像素表示为，窗口中心像素表示为g。，则LBP可以表示为：
[0028] LBPm；r(,gc) = ΣΓ^'ο1 ⑷
[0029] 其中，函数U(.)定义为：
[0030] = (5)
[0031] 如图2,对于每个像素，都可以通过顺时针方向连接相邻八像素二进制值来得到一 个二进制序列，并且该二进制序列的开始点是视窗上部中间格点。通过在整个图像中移动 窗口，直至遍历图像的每一个像素，就形成图像的纹理值图。
[0032] 将LBP的步骤以伪代码的形式列在下面：
[0033] 1)取原始图像中一个3X3邻域，根据中心像素的灰度值将其周围8个像素阈值化；
[0034] 2)将阈值化后的值乘以对应权值(本专利实施中权重均取1)作为新的像素特征 值；
[0035] 3)用周围8个像素新的特征值的组合序列作为中心像素的LBP值；
[0036] 步骤4、对步骤3得到的纹理特征数据进行分类，采用核协同表达分类器(KCRC)。
[0037] 高光谱数据的分辨率和数据维度都很高，在广泛使用的稀疏表达方式中，h范数 利用凸优化理论方法求解时，计算复杂度较高。而且很多研究表明，通过1:范数求解的系数 稀疏性并不是决定识别准确的关键性因素，因此基于正则化最小二乘的协作表达分类方法 (Collaborative representation based Classification with regular square?CRC_ RLS)被提出。它使用12范数代替h范数，通过正则化最小二乘的方法求解稀疏系数，这样在 降低计算复杂度的同时，还保持了系数具有一定的稀疏性。用A = …，玎U 来表示第i个类的训练样本，m表示该类样本数目，其中&心=1，2~，111)是第1类的第」个 训练样本，而且它是一个m维向量。对于一个属于类别i的测试样本yQeiT，显然该测试样本 可由Xi来线性表达，比如：
[0038] y〇 = Y^jUxu-mj -XM (6)
[0039] 其中，呢=[M/jlVw, '为表示系数。现假设有c个类，Χ^ΧιΧν,Χ。]表 示所有训练样本集，样本总数目为η = ηι+η2+···+η。，对任一测试样本y，可以由所有训练样本 线性组合：
[0040] y=Xff (7)
[0041] 其中表示系数为1=[?1;?2; - ;《。]\如前所述，为了突出协作表示发挥的作用并 减小计算复杂度，可以通过正则化最小二乘的方法求解系数。因此，对于表示系数，计算式 为：
[0042] W = argmm{| |y - XW[|f + λ| |VVj j(68)
[0043] 其中λ是正则化参数，W为表示系数，y代表测试样本。在样本很多时，通过正则化可 以改善最小二乘解的不稳定问题，并同时保证求出的系数具有一定稀疏性，经数学推导，上 式可以变换为：
[0044] ff=(XTX+AI)-1XT (9)
[0045] 其中，X表示所有训练样本集，I为单位矩阵，λ是正则化参数，W为表示系数。
[0046] 具体的算法流程为：
[0047] 1)对训练样本矩阵中的每一列向量进行归一化；
[0048] 2)依据公式对表示系数W进行求解；
[0049] 3)计算残差^(7):
[0050] Ti(y)= | |y-Xiffi| 12/1 |ffi| |2 (10)
[0051] 4)输出类标签 label(y):
[0052] label(y) = argminy^y) (11) i
[0053] 协同表达分类器CRC(Collaborative representation based Classification， CRC)本质上是一种线性分类方法，它和大多数线性方法一样，不能对非线性空间的数据进 行表示。但是对于低维空间中的线性不可分样本通过非线性函数映射到高维空间，则有可 能实现线性可分，核方法的主要思想正是基于这样一个假设。核方法的实质是通过核诱导 的隐映射将低维输入空间的非线性问题变换至高维特征空间中的(近似)线性问题来解决。 由于采用了对偶形式而使数据能以内积形式刻画，因而可通过核代入在特征空间中获得对 原非线性问题的解决，还可以获得优越的计算性能。向CRC方法中引入核函数，具体实施过 程为：
[0054] 假设有非线性映射函数Φ，将原始数据空间X映射到高维特征空间F:
[0055] Φ :x-F，
[0056] Xφ(χ) (12)
[0057] 原始特征空间样本映射后表示为φ_ = …,4>(xc,nc：)].，然后在高维 特征空间应用协作表达分类对测试样本Φ (y)进行线性表达，并求取表示系数W:
[0058]
(13).
[0059] λ是正则化参数φ (y)和φ (X)表示映射后的测试样本和训练样本。类似公式(9)可 得该目标方程的解为：
[0060] ff=( φΤφ+λΠ ^φ1. φ (y) (14)
[0061] 其中，λ是正则化参数，φ为非线性映射函数，I为单位矩阵，φ (y)表示映射后的测 试样本。
[0062] (Kernel collaborative representation based classification，KCRC)具体的 算法流程为：
[0063] 1)对训练样本矩阵中的每一列向量进行归一化；
[0064] 2)依据公式对表示系数W进行求解；
[0065] 3)计算残差口(7):
[0066] γι(γ)=| | Φ(γ)-Φι￥?| 12/| |ffi| |2 (15)
[0067] 4)输出类标签 label(y):
[0068] labelCy) = argminKjCj) (16) t
[0069] 步骤5、经过步骤1-步骤4的处理将产生特定于步骤1中五组选取的波段特征的五 组分类结果，现将各分类结果进行融合，产生最终分类结果。融合方法根据特定情况选择， 待选方案有:决策级融合，残差级融合，特征级融合。在本发明中，采用了残差级融合策略， 将步骤四中输出的各组特征进行融合进行分类并得出最终分类结果。具体做法为：
[0070] 对应步骤2中选择出的各组特征，用Ζ1，Ζ2，···，Ζη表示，则每组特征经过步骤3进行 LBP纹