基于光谱和邻域信息字典学的高光谱图像分类方法

摘要

本发明公开了一种基于光谱和邻域信息字典学的高光谱图像分类方法，克服了现有技术中只利用高光谱图像的光谱信息、不能有效利用高光谱图像邻域信息进行分类的缺点。本发明实现的步骤是：(1)输入高光谱图像；(2)获得样本集；(3)确定训练样本集与测试样本集；(4)字典学；(5)求测试样本集稀疏系数；(6)加权稀疏系数；(7)高光谱图像分类；(8)输出分类图像。本发明具有在高光谱图像边缘和同质区域的分类效果更精确的优点，可用于高光谱图像的分类。

主权项

一种基于光谱和邻域信息字典学习的高光谱图像分类方法，包括步骤如下：(1)输入高光谱图像：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；(2)获得样本集：(2a)对高光谱图像所有样本的坐标位置，采用坐标变换方法，得到高光谱图像光谱域的样本集；(2b)设定一个7×7大小的高光谱图像光谱域样本窗口，对高光谱图像光谱域的样本集进行均值滤波，得到高光谱图像邻域的样本集；(3)确定训练样本集与测试样本集：(3a)采用等概率采样的方法，在高光谱图像光谱域的样本集中，依次随机选取10％的样本，作为高光谱图像光谱域的训练样本集，并记录高光谱图像光谱域训练样本集的坐标位置；将剩余90％的样本，作为高光谱图像光谱域的测试样本集；(3b)在高光谱图像的邻域样本集中，选取与高光谱图像光谱域训练样本集的坐标位置对应的样本，作为高光谱图像邻域的训练样本集，将剩余90％的样本作为高光谱图像邻域的测试样本集；(4)字典学习：(4a)对高光谱图像光谱域训练样本集，采用字典学习方法，得到高光谱图像光谱域训练样本集的稀疏系数和字典；所述的字典学习方法，按如下步骤进行：第一步，初始化一个大小为200×256的实数矩阵作为字典；第二步，按照下式，计算高光谱图像光谱域训练样本集的稀疏系数：其中，表示更新的高光谱图像光谱域训练样本集的稀疏系数，argmin表示最小值操作，X表示高光谱图像光谱域的训练样本集，D表示字典，Y₁表示高光谱图像光谱域训练样本集的稀疏系数，表示求Frobenius范数的平方和操作，γ表示正则化参数，∑表示求和操作，N表示高光谱图像光谱域训练样本集的总列数，s表示高光谱图像光谱域训练样本集稀疏系数的列数，||·||₁表示取1范数操作，Y_s表示稀疏系数Y₁的第s列；第三步，按照下式，计算高光谱图像光谱域训练样本集的字典：其中，表示字典更新得到的高光谱图像光谱域训练样本集的字典，argmin表示最小值操作，X表示高光谱图像光谱域的训练样本集，D表示字典，表示更新得到的高光谱图像光谱域训练样本集的稀疏系数，表示求Frobenius范数的平方和操作，s.t.表示约束操作，||·||₂表示取2范数操作，i表示高光谱图像光谱域训练样本集字典D的列数，D_i表示字典D的第i列原子，表示取任意的i操作，i的取值范围为：{1,…,k}，k表示字典D的总列数；第四步，重复执行第二步和第三步10次，得到高光谱图像光谱域训练样本集的稀疏系数和字典(4b)对高光谱图像邻域训练样本集，采用字典学习方法，得到高光谱图像邻域训练样本集的稀疏系数和字典；所述的字典学习方法，按如下步骤进行：第一步，初始化一个大小为200×256的实数矩阵作为字典；第二步，按照下式，计算高光谱图像邻域训练样本集的稀疏系数：其中，表示更新的高光谱图像邻域训练样本集的稀疏系数，argmin表示最小值操作，C表示高光谱图像邻域的训练样本集，D'表示初始化的字典，Y₂表示高光谱图像邻域训练样本集的稀疏系数，表示求Frobenius范数的平方和操作，γ表示正则化参数，∑表示求和操作，M表示高光谱图像邻域训练样本集的总列数，p表示高光谱图像邻域训练样本集稀疏系数的列数，||·||₁表示取1范数操作，Y_p表示稀疏系数矩阵Y₂的第p列；第三步，按照下式，计算高光谱图像邻域训练样本集的字典：其中，表示字典更新得到的高光谱图像邻域训练样本集的字典，argmin表示最小值操作，C表示高光谱图像邻域的训练样本集，D'表示初始化的字典，表示更新得到的高光谱图像邻域训练样本集的稀疏系数，表示求Frobenius范数的平方和操作，s.t.表示约束操作，||·||₂表示取2范数操作，i表示高光谱图像邻域训练样本集字典D'的列数，D'_j表示字典D'的第j列原子，表示取任意的j操作，j的取值范围为：{1,…,l}，l表示字典D'的总列数；第四步，重复执行第一步和第二步10次，得到高光谱图像邻域训练样本集的稀疏系数和字典(5)求测试样本集稀疏系数：(5a)对高光谱图像光谱域测试样本集，采用稀疏系数更新公式，得到高光谱图像光谱域测试样本集的稀疏系数；所述的稀疏系数更新公式如下：其中，表示更新的高光谱图像光谱域测试样本集的稀疏系数，argmin表示最小值操作，X'表示高光谱图像光谱域的测试样本集，表示字典更新得到的高光谱图像光谱域训练样本集的字典，Y₁'表示高光谱图像光谱域测试样本集的稀疏系数，表示求Frobenius范数的平方和操作，γ表示正则化参数，∑表示求和操作，A表示高光谱图像光谱域测试样本集的总列数，a表示高光谱图像光谱域测试样本集稀疏系数的列数，||·||₁表示取1范数操作，Y_a'表示稀疏系数矩阵Y′₁的第a列；(5b)对高光谱图像邻域训练样本集，采用稀疏系数更新公式，得到高光谱图像邻域训练样本集的稀疏系数；所述的稀疏系数更新公式如下：其中，表示更新得到的高光谱图像邻域测试样本集的稀疏系数，argmin表示最小值操作，C'表示高光谱图像邻域的测试样本集，表示字典更新得到的高光谱图像邻域训练样本集的字典，Y′₂表示高光谱图像邻域测试样本集的稀疏系数，表示求Frobenius范数的平方和操作，γ表示正则化参数，∑表示求和操作，B表示高光谱图像邻域测试样本集的总列数，b表示高光谱图像邻域测试样本集稀疏系数的列数，||·||₁表示取1范数操作，Y′_b表示稀疏系数矩阵Y′₂的第b列；(6)加权稀疏系数：(6a)对高光谱图像光谱域训练样本集与高光谱图像邻域训练样本集的稀疏系数，采用加权公式，计算高光谱图像光谱域训练样本集的稀疏系数；所述的加权公式如下：其中，Y表示高光谱图像光谱域训练样本集的稀疏系数，u表示权重系数，u的取值范围为：[0.1,1]，表示高光谱图像光谱域训练样本集的稀疏系数，表示高光谱图像邻域训练样本集的稀疏系数；(6b)对高光谱图像光谱域测试样本集与高光谱图像邻域测试样本集的稀疏系数，采用加权公式，计算高光谱图像光谱域测试样本集的稀疏系数；所述的加权公式如下：其中，Z表示高光谱图像光谱域测试样本集的稀疏系数，r表示权重系数，r的取值范围为：[0.1,1]，表示高光谱图像光谱域测试样本集的稀疏系数，表示高光谱图像邻域测试样本集的稀疏系数；(7)高光谱图像分类：利用线性支撑向量机分类器，对高光谱图像光谱域测试样本集的稀疏系数进行分类，得到分类的高光谱图像；(8)输出分类图像。