[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

说明书

技术领域

本发明涉及遥感图像处理技术领域，特别涉及基于近邻正则联合稀疏表示的遥感图像分类方法及系统。

背景技术

高光谱图像分类一直是遥感图像处理领域的研究热点，它被广泛应用于农作物分析、军事目标识别、地理地质等领域。近年来，稀疏表示分类被成功地引入高光谱遥感图像处理领域。

利用高光谱遥感图像邻域像素的相似性，Y.Chen等人提出了联合稀疏表示分类算法。该算法假设测试样本与其邻域像素具有相同的稀疏结构，导出联合稀疏表示模型，将传统的稀疏表示分类算法进行了改进，取得了较好的效果。在邻域像素的使用上，该方法使用了局部平方邻域窗口内的所有邻域像素，并认为所有邻域像素同等重要。然而，实际情况并非如此。由于高光谱遥感图像结构复杂，邻域中常存在噪声或背景干扰像素，还有一些邻域像素位于目标边界，此时不加区别地利用全部邻域像素将会导致分类结果出现一定的偏差。为了区别邻域像素，J.Li等人采用非局部加权思想给不同的邻域像素赋予不同的权重，提出了非局部加权联合稀疏表示模型。该加权模型在一定程度上反映了邻域内各像素的相似关系，但是这种权重是基于邻域像素距离事先计算的，且该计算过程与联合稀疏表示模型是相互独立的。由于在联合稀疏表示误差的计算中涉及邻域像素权重，因此理想的邻域像素权重应该同时反映邻域像素之间的相似关系和联合稀疏表示误差关系。

发明内容

本发明目的是提供一种基于近邻正则联合稀疏表示的遥感图像分类方法及系统，解决现有技术中存在的上述问题。

本发明解决上述技术问题的技术方案如下：

一种基于近邻正则联合稀疏表示的遥感图像分类方法，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；

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；

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，对每个测试样本进行分类。

本发明的有益效果是：构建含有邻域像素权重矩阵的正则化联合稀疏表示模型，联合优化测试样本的联合稀疏表示系数矩阵和邻域像素权重矩阵,并根据数据字典及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，实现对测试样本的分类；在优化联合稀疏表示系数矩阵的同时优化邻域像素权重矩阵，使邻域像素权重矩阵能够同时反映邻域像素之间的相似关系和联合稀疏表示误差关系，且联合稀疏表示系数能够更加准确地反映测试样本与数据字典之间的逼近关系，从而获得准确可靠的分类结果。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，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。

进一步，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k∈{1,2,3……T}，其中，z为所述测试样本对应的列向量，γ为尺度参数，可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：

s.t.||S||_row,0≤K