基于条件随机场的超光谱图像分类方法

摘要

本发明公开了一种基于条件随机场的超光谱图像分类方法，其实现步骤为：(1)初始化；(2)输入分别与待分类超光谱图像地物类别分别对应的训练样本集；(3)训练一元势团信息量的参数；(4)训练二元势团信息量的参数；(5)输入待分类的测试数据；(6)确定一元势团信息量的后验概率；(7)确定二元势团信息量的后验概率；(8)信息更新；(9)确定类标。本发明采用条件随机场模型避免了对观测数据的明确建模；既利用了空间邻域信息，又避免了空间邻域信息的复杂建模，具有计算复杂度低，分类准确率高，算法适应性广泛的优点。可应用于遥感图像的地物分类、目标检测及识别、军事侦察等领域。

主权项

1.一种基于条件随机场的超光谱图像分类方法，包括如下步骤：(1)初始化，对原始数据所有像素值进行初始化，使其满足均值为0、方差为1；(2)输入分别与待分类超光谱图像地物类别分别对应的训练样本集；(3)采用多项式对数归一(MLR)法训练一元势团信息量的参数3a)按照下式确定一元势团信息量的黑塞矩阵(Hessian matrix)边界：$B_1\equiv -(1/2)[I-{11}^T/L]\otimes \Sigma {\tilde{y}}_i{\tilde{y}}_i^T$其中，B₁为一元势团信息量的黑塞矩阵边界，符号≡表示定义为，I为L-1维单位矩阵，L为超光谱图像的类别数，1＝[1，1，...，1]^T是L-1维矢量，上标^T表示转置，表示Kronecker矩阵乘积，∑表示叠加，为像元i对应的谱矢量；3b)按照下式确定一元势团信息量的梯度矢量(Gradient vector)：$g\left(w\right)=\Sigma ({\tilde{x}}_i^{\prime }-p_i\left(w\right))\otimes {\tilde{y}}_i$其中，g(w)为一元势团信息量的梯度矢量，w为一元势团信息量的参数，∑表示叠加，中第l维元素为1，l为像元i的类标，其余元素为0，共L-1维，L为超光谱图像的类别数，表示像元i的类标为l的概率，为像元i对应的谱矢量；3c)按照下式确定一元势团信息量的参数：w^(t+1)＝w^(t)-B^-1g(w^(t))其中，w为一元势团信息量的参数，上标^(·)表示迭代次数，t即迭代次数，B^-1表示一元势团信息量的黑塞矩阵边界B的逆矩阵，g(w)表示一元势团信息量的梯度矢量；(4)采用多项式对数归一(MLR)法训练二元势团信息量的参数4a)按照下式确定二元势团信息量的黑塞矩阵(Hessian matrix)边界：$B_2\equiv -(1/2)[I-{11}^T/L]\otimes \Sigma {\mu }_{\mathrm{ij}}{\mu }_{\mathrm{ij}}^T$其中，B₂为二元势团信息量的黑塞矩阵的边界，符号≡表示定义为，I为L维单位矩阵，L为超光谱图像的类别数，1＝[1，1，...，1]^T是L维矢量，上标^T表示转置，表示Kronecker矩阵乘积，∑表示叠加，μ_ij为像元组(i，j)的特征矢量；4b)按照下式确定二元势团信息量的梯度矢量(Gradient vector)：$g\left(v\right)=\Sigma ({\tilde{x}}_{\mathrm{ij}}^{\prime }-p_{\mathrm{ij}}\left(v\right))\otimes {\mu }_{\mathrm{ij}}$其中，g(v)为二元势团信息量的梯度矢量，v为二元势团信息量的参数，∑表示叠加，中第l维元素为1，l为像元i与像元j共同的类标，其余元素为0，共L维，L为超光谱图像的类别数，其中为像元组(i，j)类标为(l_i，l_j)的概率，μ_ij为像元组(i，j)的特征矢量；4c)按照下式确定二元势团信息量的参数：v^(t+1)＝v^(t)-B^-1g(v^(t))其中，v为二元势团信息量的参数，上标^(·)表示迭代次数，t即迭代次数，B^-1表示二元势团信息量的黑塞矩阵的边界B的逆矩阵，g(v)为二元势团信息量的梯度矢量；(5)输入待分类的测试数据；(6)按照下式确定一元势团信息量的后验概率：$P(x_i=l|y,w)=\left\{\begin{array}{cc}\frac{\exp \left(w_l^T{y}_i\right)}{1+{\Sigma }_{k=1}^{L-1}\exp \left(w_k^T{y}_i\right)}& l<L\\ \frac{1}{1+{\Sigma }_{k=1}^{L-1}\exp \left(w_k^T{y}_i\right)}& l=L\end{array}\right.$其中，P(x_i＝l|y，w)表示像元i类标为l的后验概率，y为待分类谱矢量，w为一元势团信息量的参数，exp为指数函数，w_l为第l类对应的参数，l∈{1，2，...，L}，L为超光谱图像所需分为的类别数，上标^T表示转置，y_i为像元i对应的谱矢量，∑表示叠加，w_k为第k类对应的参数；(7)按照下式确定二元势团信息量的后验概率：$P((x_i,x_j)\equiv k|{\mu }_{\mathrm{ij}}\left(y\right),v)=\left\{\begin{array}{cc}\frac{\exp \left(v_{\mathrm{kk}}^T{\mu }_{\mathrm{ij}}\left(y\right)\right)}{1+{\Sigma }_{n=1}^L\exp \left(v_{\mathrm{nn}}^T{\mu }_{\mathrm{ij}}\left(y\right)\right)}& k\le L\\ \frac{1}{1+{\Sigma }_{n=1}^L\exp \left(v_{\mathrm{nn}}^T{\mu }_{\mathrm{ij}}\left(y\right)\right)}& k=L+1\end{array}\right.$其中，P((x_i，x_j)≡k|μ_ij(y)，v)表示像元组(i，j)类标为k的后验概率，k∈{1，2，...，L+1}，L为超光谱图像的类别数，L+1表示像元组(i，j)中两个像元类别不同，μ_ij(y)为连接像元i与像元j的谱矢量所得的特征矢量，像元j为像元i的四邻域像元，v为二元势团信息量的参数，exp为指数函数，v_kk为第k类对应参数，上标^T表示转置，∑表示叠加，v_nn为第n类对应参数；(8)信息更新，求一元势团信息量后验概率矢量和二元势团信息量后验概率矢量的平均矢量，一元势团信息量的后验概率，表示为L维概率矢量，L为超光谱图像的类别数，二元势团信息量的后验概率，取两相邻像元同属于每一类的概率，表示为L维概率矢量；(9)确定类标9a)从后验概率平均矢量中选取最大值；9b)将最大值对应的类标作为最终类标。