[发明专利]基于迁移字典学习的高光谱图像的有监督分割方法

说明书

技术领域

本发明属于图像处理技术领域，特别涉及高光谱图像的分割，可用于雷达目标的检测和识别。

背景技术

高光谱成像是遥感技术发展的前沿技术之一，正在由以航空遥感为主转向航空航天遥感相结合的阶段，已成为地图绘制、植被调查、海洋遥感、农业遥感、大气研究和环境监测等领域的有效技术手段。高光谱图像具有包含的地面细节信息丰富，成像波段多，相邻波段间相关性大等优点，并且国内外许多光谱成像仪可以提供几十乃至几百个波段的光谱波段，数据量巨大，如一景图像AVIRIS数据量约140兆，这些成像仪器使得对高光谱图像的研究有了更可靠的实际依托。

高光谱图像在成像时地物种类繁多，存在数据之间差异大，难于标记训练样本的问题，而常用的高光谱图像的分割方法如统计模式识别和神经网络都是基于大数定理，需要足够数量的训练样本才能进行有效的分割，训练样本较少时往往会影响各类别先验知识的估计，使得分割精度降低，并且高光谱图像中存在类别不平衡的问题。目前解决训练样本少的问题时常用的方法为K-SVD字典学习的方法，因为它能够稀疏的表示数据，并用测试数据在每类字典上的表示误差决定测试数据的类别。但是用字典进行稀疏表示时注重数据的分布是否相似，对距离考虑较少，使得在出现类别不平衡问题时对高光谱图像的有监督分割精度降低。

发明内容

本发明的目的在于针对高光谱图像的类别不平衡问题，提出了一种基于迁移字典学习的高光谱图像的有监督分割方法，以提高对高光谱图像的分割精度。

为实现上述目的，本发明提供的基于迁移字典学习的高光谱图像的有监督分割方法，包括如下步骤：

(1)输入带有部分标签的待分割目标图像和带标签的辅助图像，采用广义判别分析方法GDA对目标图像和辅助图像的每一个像素点提取12维特征值；

(2)设提取特征值后目标图像中有标签像素点的特征值数据为Z，称Z为目标域有标签样本集，并设Z中的小类样本集为Z_s，大类样本集为Z_b；设目标图像中无标签像素点的特征值数据为X，称X为目标域无标签样本集；设辅助图像中像素点的特征值数据为R，称R为源域样本集；设迁移小类样本集为Z_s′；初始化循环次数T＝10，迁移小类样本集为Z_s′＝Z_s；

(3)利用字典学习方法K-SVD对大类样本集为Z_b和迁移小类样本集Z_s′进行训练，得到分类器C_t，t＝1，2，3，...，T；

(4)用分类器C_t对源域样本集R进行分类识别得到分类结果为小类样本的样本集R_s，称R_s为源域小类样本集；用分类器C_t对小类样本集Z_s进行分类识别，得到分类结果为大类样本的样本集Z_c，称Z_c为错分样本集；

(5)根据错分样本集Z_c是否为空集计算迁移样本集R_t；

(6)将迁移样本集R_t与小类样本集Z_s相结合，组成新的迁移小类样本集Z_s′；

(7)用分类器C_t对目标域无标签样本集X进行分类识别，得到分类标签h_t；用分类器C_t对目标域有标签样本集Z进行分类识别，得到分类错误率e_t；

(8)利用分类错误率e_t计算本次循环中分类器C_t的权重α_t，