基于稀疏核编码SKR的高光谱图像地物识别方法

摘要

本发明公开了一种基于稀疏核编码KSR的高光谱图像地物识别方法，主要解决现有方法中识别时间较长，以及在样本降到较低维数时识别精度不高的不足。其识别步骤是：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。本发明能够在保证识别精度较高的同时，快速完成高光谱图像的地物识别，有利于识别出地物的后续处理。

主权项

1.一种基于稀疏核编码SKR的高光谱图像地物识别方法，包含如下步骤：(1)采用高光谱图像中部分有标签的光谱向量作为训练样本，按标签类别依次排列构成稀疏编码的字典D∈R^N×K，所有未知标签的光谱向量构成测试样本集合Y＝[y₁,y₂,…,y_n,…,y_Q]∈R^N×Q，并对字典D和测试样本集合Y分别进行列归一化，其中R表示实数集，N为光谱向量的维数，K为字典D中训练样本的个数，Q为测试样本集合中测试样本的个数,y_n∈R^N×1表示测试集合中的测试样本，n＝1,2,…,Q；(2)利用近邻法对训练样本进行聚类，得到中心样本矩阵并利用中心样本矩阵构造稀疏核函数s(x)：并将测试样本y_n和字典D利用稀疏核函数s(x)映射至特征空间，得到映射后的和映射后的字典其中N₁为中心样本矩阵G的中心样本的维数，其值等于光谱向量的维数N，U为中心样本矩阵G中的中心样本的个数，x为s(x)的输入样本，g_l^'为中心样本矩阵G的第l′个中心样本，l′＝1,2,…,U，表示输入样本x和中心样本矩阵G中g_l^′差值的2范数平方，q为稀疏核函数s(x)的参数，U₁为映射后样本的维数，其值等于为中心样本矩阵G中的中心样本的个数U，K₁表示映射后的字典D'中样本的个数，其值等于字典D训练样本的个数K；(3)对映射后的字典D'和映射后的测试样本y′_n进行降维处理，得到降维后的字典和测试样本y_1n′∈R^d×1，并对D₁′进行列归一化处理，其中d为降维后样本的维数，K₂表示降维后的字典D₁′中样本的个数，其值等于字典D中训练样本的个数K；(4)在列归一化的字典D₁′下对y_1n′进行稀疏编码，即通过求解如下优化问题得到稀疏系数$\hat{x};$$\hat{x}=\min {\left|\right|x\left|\right|}_1\mathrm{subiect\; to}{y}_{1n}^{\prime }=D_1^{\prime }x$其中||x₁||₁表示向量x的1范数；(5)利用误差判定函数对y_1n′进行类别判定，得到测试样本y_n地物类别标签identity(y_n)：$\mathrm{identity}\left(y_n\right)=\underset{i}{\arg \min }{\left|\right|y_{1n}^{\prime }-D_1^{\prime }{\delta }_i\left(\hat{x}\right)\left|\right|}_2^2$其中：为类别带通函数，表示仅保留稀疏系数中对应字典D₁′中第i类样本位置处的系数，其余位置处系数置0，i＝1,2,…,l，l为类别总数，表示用字典D₁′中第i类样本和相对应的稀疏系数对y_1n′进行稀疏编码所得到的误差。