[发明专利]基于一种复合核函数的高光谱分类方法

说明书

技术领域

本发明涉及的是一种高光谱图像的分类方法，特别是基于一种新复合核函数的高光谱分类方法(Hyperspectral Image Classification Based on A New Composite Kernel)。

背景技术

近些年，卫星传感器的发展提高了空间分辨率和光谱分辨率，同时也缩短了访问时间，进而为高光谱分类方法的发展创造了条件。神经网络分类器，K近邻分类器，贝叶斯分类器，决策树分类器以及基于核的分类器等已经广泛地应用于高光谱领域，其中基于核函数的分类方法得到越来越多的关注。支持向量机(Support Vector Machine,SVM)是最为典型的基于核函数的分类方法，在处理有限的高维训练样本时，依然可以取得良好的分类性能，使得其在高光谱分类中占有一定的地位。鉴于实际数据的多源性且表达方式的多样性，传统的单核已不足以满足实际需求。近十多年里，多核学习(Multiple Kernel Learning,MKL)技术得到了关注和发展，主要从四个方面进行改进：1)多核学习策略的改进；如Rakotomamonjy等提出的简单多核学习(Simple-MKL)，其使用梯度下降法来解决多核学习问题。2)参数优化的改进；Li等提出不使用任何凸约束项的参数优化方式。3)多个核函数结合方式的改进；如Xia等利用了boosting的结合方式。4)快速策略的改进；如Gu等人提出高光谱分类的代表性多核学习。最为常见的多核学习方法为混合核函数(Mixture Kernels,MKs)，即将多个核函数线性加权求和，该核函数的有效性已经得到了验证且广泛地应用于高光谱分类领域。但是其在训练过程中，参数优化所消耗的时间却也是巨大的。

发明内容

本发明的目的在于提供一种可以更好的描述数据集的分布特征，且分类精度相对较高，参数优化所消耗的时间相对较短的基于一种复合核函数的高光谱分类方法。

本发明的目的是这样实现的：

步骤1：输入一幅高光谱图像，类别数为N；

步骤2：以支持向量机为基分类器，同时从所述高光谱图像每个类别中随机地选取s个样本组成训练集，剩余样本组成测试集，确定各参数的变化范围，然后结合K次交叉验证确定支持向量机的最优性能参数，包括惩罚因子和核参数；

步骤3：利用复合核构建策略，构造复合核函数，对支持向量机进行训练；

步骤4：利用训练过程得到的支持向量机判决函数的参数，循环N次，进而得到测试集属于每类别的判决函数值，组成矩阵其中n_test表示测试样本的个数；

步骤5：确定多分类器策略，即找到矩阵每列的最大值，其行序号对应每个测试样本的预测标签，i＝1,...,n_test。

本发明的特点在于：

1、参数设置过程中基分类器的选择可以使用其他基于核的分类器代替支持向量机。

2、参数设置过程中最优性能参数的确定，是采用网格搜索和K次交叉验证相结合的方式。

3、训练过程中复合核函数的构建是通过多次非线性映射而得到的，计算如下：

K₁(x,z)＝φ₁(x)·φ₁(z)

K₂(x,z)＝φ₂[φ₁(x)]·φ₂[φ₁(z)]

K_M(x,z)＝φ_M[φ_M-1(x)]·φ_M[φ_M-1(z)]

其中K_M(x,z)表示样本x和z的核函数，φ_M表示第M次非线性映射函数。φ_M可以是高斯映射，多项式映射或是其他非线性映射，且当M＝2时，基于该复合核函数分类器的分类性能可达到收敛状态。

4、当M＝2时，复合核函数的参数优化时间要远小于传统的混合核函数的参数优化时间。

基于上述特点，本发明提出的基于一种新复合核函数的高光谱分类方法具有可以更好的描述数据集的分布特征，且分类精度相对较高等特点。与此同时，其参数优化所消耗的时间相对于传统多核学习方法也相对较短。

附图说明

图1为本发明的基于一种复合核函数的高光谱分类方法流程图。

图2a-图2b为高光谱图像Indian Pines，其中：图2a为灰度图、图2b为参考地物类别。