[发明专利]基于近邻正则联合稀疏表示的遥感图像分类方法及系统

权利要求书

1.一种基于近邻正则联合稀疏表示的遥感图像分类方法，其特征在于，包括如下步骤：

步骤1，输入待分类的遥感图像，划分训练样本和测试样本；

步骤2，基于训练样本，构建数据字典；

所述数据字典为所有训练样本对应的列向量组成的数据矩阵；表示为X＝[x₁,x₂,…x_i…,x_N]，其中，X为所述数据字典，x_i为任一训练样本对应的列向量，i∈{1,2,3……N}，N为所有训练样本的总数；

步骤3，基于数据字典及每个测试样本的邻域像素矩阵和近邻正则化矩阵，构建每个测试样本的含有邻域像素权重矩阵的正则化联合稀疏表示模型，联合优化每个测试样本的联合稀疏表示系数矩阵和邻域像素权重矩阵,获得每个测试样本的最优联合稀疏表示系数矩阵和最优邻域像素权重矩阵；

所述步骤3包括如下步骤：

步骤31，根据预设邻域窗口，以测试样本为中心，确定所述测试样本的邻域像素，并基于所述测试样本和所述邻域像素，构建所述测试样本的邻域像素矩阵；表示为Z＝[z₁,z₂,…z_k…,z_T]，其中，Z为所述邻域像素矩阵，z_k为所述测试样本对应的列向量或任一所述邻域像素对应的列向量，k∈{1,2,3……T}，T为所述测试样本和所述邻域像素的像素总数；

步骤32，计算所述测试样本对应所述邻域像素矩阵的近邻正则化矩阵；其中，所述近邻正则化矩阵为对角矩阵，其对角元素其中，z为所述测试样本对应的列向量，γ为尺度参数，根据实验数据交叉验证得到；

步骤33，基于所述数据字典、邻域像素矩阵和近邻正则化矩阵，构建所述测试样本的正则化联合稀疏表示模型；

所述正则化联合稀疏表示模型如下：

$\begin{array}{cc}min& \left|\right|XS-ZW|{|}_F^2+\mathrm{\λ}|\left|DW\right|{|}_F^2\end{array}$

s.t.||S||_row,0≤K

其中，所述S为所述测试样本的联合稀疏表示系数矩阵，由所述正则化联合稀疏表示模型优化求解；W为所述测试样本对应所述邻域像素矩阵的邻域像素权重矩阵，其为对角矩阵，对角元素反映所述测试样本与所述邻域像素之间的相似程度，由所述正则化联合稀疏表示模型优化求解；D为所述近邻正则化矩阵，λ为正则化参数；K为控制联合稀疏表示系数矩阵稀疏程度参数，为矩阵的Frobenius范数，||S||_row,0为联合稀疏表示系数矩阵非零行的个数；

步骤34，基于所述正则化联合稀疏表示模型，联合优化所述联合稀疏表示系数矩阵和邻域像素权重矩阵,获得所述测试样本的最优联合稀疏表示系数矩阵和最优邻域像素权重矩阵；

步骤4，根据数据字典及每个测试样本的最优联合稀疏表示系数矩阵和最优邻域像素权重矩阵，计算每个测试样本相对于各类训练样本的联合稀疏表示误差，获得与测试样本具有最小联合稀疏表示误差的匹配训练样本，并将所述测试样本分类到所述匹配训练样本的类别中，对每个测试样本进行分类。