[发明专利]基于核Fisher自适应学习的高光谱遥感图像端元分类方法

说明书

技术领域

本发明涉及一种高光谱图像分析方法，尤其涉及一种对高光谱遥感图像端元的高分辨率分类方法。 

背景技术

高光谱遥感图像是由几十乃至数百个连续波段图像组成的三维数据立方体，同时具备图谱的特点，可有效提高了对地物的分类和监测能力，在军事侦察、资源勘探、环境监测、灾害评估等领域应用前景广阔。硬件等因素制约着高光谱图像的实际应用，表现为光谱空间分辨率高而空间分辨率相对较低的问题，为进一步提取图像的形状、纹理、空间关系和扩展形态剖面等特征。为提高图像分辨率，需对端元进行分类以区分不同地物。目前常用的高光谱图像端元分类算法可分为有监督和无监督算法，前者已知地物类属判断每个端元代表的地物类别的分类算法，而后者则未知地物种类纯粹依靠光谱统计差异进行分类。常用的有分类方法包括光谱角填图法、二进制编码法、平行六面体方法、最小距离法以及最大似然法、IsoData方法和K-Means方法等方法。 

除了上述传统的分类方法外，还有一些新的分类方法，如基于各种神经网络、决策树、支持向量机和专家系统等分类方法。 

然而，目前高光谱遥感图像端元分类方法由于受到采集样本的限制，用于高光谱遥感图像端元分类的分类器不能获得最大泛化能力，不能获得最优图像分辨率。 

发明内容

鉴于上述现有技术的不足和迫切需求，本发明的目的是提出一种基于核Fisher自适应学习的高光谱遥感图像端元分类方法，解决目前高光谱遥感图像分类方法存在分辨率低的问题。 

本发明的上述目的，其实现的技术解决方案是：基于核Fisher自适应学习的高光谱遥感图像端元分类方法，其特征在于包括： 

步骤Ⅰ、对高光谱遥感图像端元分类任务判断结构变化与否的优化方法，若结构变化优化则跳转执行步骤Ⅲ、若结构不变化优化则顺序执行步骤Ⅱ； 

步骤Ⅱ、采用传统核函数，然后利用Fisher准则和最大间隔准则获得优化目标函数，再通过基于遗传算法的自适应寻求算法对获得的优化目标函数进行计算，获得最优参数和不变结构的最优核函数，后接执行步骤Ⅳ； 

步骤Ⅲ、采用数据依赖核函数，然后利用全局流形保持设计准则获得优化目标函数，再通过基于拉格朗日法的自适应寻求算法对获得的优化目标函数进行计算，获得数据依赖核参数和变结构的最优核函数，后接执行步骤Ⅳ； 

步骤Ⅳ、根据步骤Ⅱ所得不变结构的最优核函数或步骤Ⅲ所得变结构的最优核函数得到最优Fisher分类器，再对实测高光谱遥感图像进行分类，获得该高光谱遥感图像的类别。 

进一步地，步骤Ⅱ获得不变结构的最优核函数的过程为：i)，对核参数进行初始化，将初始化后的参数进行编码后作为候选解；ii)，利用优化目标函数计算所述候选解的适应度，保留适应度大于或等于阈值的候选解，舍弃余下的候选解；iii)，对保留的候选解进行复制、交叉以及变异，生成新的候选解；iv)，对新的候选解进行解码得到最优核化参数，进而获得不变结构的最优核函数。 

进一步地，步骤Ⅲ获得变结构的最优核函数的过程为：a)，利用高光谱遥感图像训练样本集的标注信息，扩展数据依赖核函数，然后求得所述数据依赖核函数与已知基础核函数的关系，并求得所述数据依赖核函数的Fisher度量表达式，建立以该数据依赖核函数参数为自变 量的Fisher度量函数；b)，根据训练样本集的标注信息进行优化目标函数设计，建立一个用于求解最优数据依赖核参数的约束方程；c)，利用循环迭代法对所述约束方程进行计算，获得以训练样本集为变量的最优解表达式，然后将训练样本集代入所述最优解表达式，计算获得自适应参数，进而获得变结构的最优核函数。 

应用本发明高光谱遥感图像端元分类的技术方案，其较之于现有技术方法的显著效果体现于：能够准确地对遥感高光谱图像的端元进行分类，提高了遥感高光谱图像的分辨率，能够应用于地形军事目标侦察、高效的战事打击效果评估、海军潜艇实时海上环境监测、突发自然灾害的应急响应技术领域。 

附图说明

图1是本发明高光谱遥感图像端元分类方法的主体流程图。 

图2是图1所示端元分类方法步骤Ⅱ中获得不变结构最优核函数的具体过程流程图。 

图3是图1所示端元分类方法步骤Ⅲ中获得变结构最优核函数的具体过程流程图。 

图4a和图4b分别为内在图的正约束图与k最近邻图。 

图4c和图4d分别为惩罚图的负约束图与非k最近邻图。 

具体实施方式