[发明专利]基于相关向量机的高光谱影像模糊分类方法及装置

说明书

技术领域

本发明涉及高光谱遥感技术领域，尤其涉及一种基于相关相量机（RVM）的高光谱影像模糊分类方法及装置。 

背景技术

高光谱影像具有丰富的地物光谱信息，与全色、多光谱影像相比，在地物识别方面具有巨大的优势。高光谱影像记录的光谱范围宽、光谱分辨率高，能够获取地物精细的光谱曲线，从中能够很好地提取目标的辐射特性参量，使地表目标的定量分析成为可能。高光谱遥感已经成为植被调查、海洋遥感、农业遥感、环境监测、军事情报获取等领域新的重要技术手段。 

高光谱遥感成像机理复杂，成像光谱仪定标、大气辐射校正、地物光谱重建等预处理技术尚未完善。地物光谱曲线的近乎连续，也导致高光谱影像数据量大、波段相关性强、数据冗余严重。在不同季节、不同时刻、不同环境下，同类地物的光谱曲线也会有所不同。高光谱影像分类识别要解决是高维特征空间海量数据的非线性可分问题。因此，高光谱影像给地物精细分类识别带来了巨大机遇，也给传统影像分类方法带来了挑战。 

高光谱影像地物识别有一类研究方法是基于对光谱曲线的分析。基于地物光谱库的光谱匹配分类方法原理直观、计算简单，但前提是必须对高光谱影像进行准确的地物光谱重建，否则将会严重影响地物分类的精度。由于高光谱影像的空间分辨率较低，混合像元大量存在，混合像元分解中端元光谱的选择、解混模型的建立和求解都是有待解决的问题。 

高光谱影像地物识别另一类研究方法是进行模式分类。传统统计模式识别方法，例如贝叶斯分类、神经网络等，大多是基于经典统计理论的大数定理，泛化能力需要以样本数量趋近无穷大来描述，对于有限训练样本集的高光谱影像分类时，会遇到“维数灾难”现象。高光谱影像降维通常采用线性特征提取方法，这也可能会降低样本的可分性。模糊分类是针对不确定性的“软”分类 器，是高光谱影像分类的一个重要趋势，它以模糊集合论作为基础，有别于普通集合论中地物归属的绝对化，在分析地物的隶属关系时，一般需要按照某种数学模型计算它对于所有地物类别的隶属度，然后根据隶属度的大小，确定其归属。 

目前，许多学者对基于支持向量机（Support Vector Machine，SVM）的高光谱影像分类进行了研究。SVM基于统计学习理论的结构风险最小化原则，通过最小化经验风险和置信范围提高算法的泛化能力。SVM的数学模型表示为 

y(x;w)=Σi=1NwiK(x,xi)+w0---(1)]]>

核函数K(x,x_i)是定义在训练样本点的基函数，N为基函数个数，w₀为参数。 

SVM能够有效避免过学习现象，具有良好的泛化能力，但它存在着明显的不足，主要表现在：①基函数个数基本上随训练样本集规模成线性增长，模型稀疏性有限；②预测结果不具有统计意义，无法获取预测结果的不确定性；③核函数参数和规则化系数需要通过交叉验证等方法确定，增加了模型训练的计算量；④核函数必须满足Mercer条件。 

核方法在SVM中得到成功应用以后，人们开始利用核函数将经典的线性分析方法推广到一般情况的研究，被成为继经典统计线性分析、神经网络与决策树非线性分析之后的第三次模式分析方法的变革。支持向量机、稀疏核主成份分析等也引起了人们研究“稀疏”学习模型的兴趣。 

稀疏学习模型具有的一般形式为：