[发明专利]一种基于稀疏表示的土地利用覆盖分类方法

说明书

技术领域

本发明涉及图像分类领域，尤其是涉及了一种基于稀疏表示的土地利用覆盖分类方法。

背景技术

土地利用覆盖变化作为全球环境变化研究的核心内容之一，在可持续发展中占有重要地位。土地覆盖分类是遥感应用中最常见的任务之一，制定适当的分类方法目前该领域研究人员的研究重点和难点。在这种情况下，高光谱图像具有一定的研究价值，也是具有挑战性的单一数据源。高光谱传感器可以提供详细和光谱连续的空间信息，从而能够区分光谱相似的土地覆盖类别。土地利用覆盖分类可以监控土地资源利用情况，了解土地开发程度、土地利用结构和土地利用效益，对土地资源进行一系列调查、分类、统计，从而实现对土地资源的合理规划、合理开发和有效保护。然而在数据分析过程中，各个频谱带之间的数据维数和高度冗余性会给分析和图像分类带来一系列的问题，例如标准监督分类器的性能通常在分类精度方面受到限制，使用带标签的字典进行分类，则会缺少标签图像补丁。

本发明提出了一种基于稀疏表示的土地利用覆盖分类方法，先对所有图像块进行分类，并将结果以投票方式进行组合，为每个像素分配一个类别标签，接着每个补丁通过一个稀疏加权的字典元素的线性组合来表示，稀疏加权矢量是使用稀疏编码程序来确定的，然后利用一组学习过的形状和一个光谱样本集构造一个空间光谱字典，最后通过对每个图像块执行稀疏编码过程来导出图像的分类。本发明在高光谱图像分类的背景下引入了基于稀疏表示的分类器，有效解决了标准监督分类器的性能在分类精度方面受到限制的问题，实现了土地利用覆盖的有效分类。

发明内容

针对各个频谱带之间的数据维数和高度冗余的问题，本发明的目的在于提供一种基于稀疏表示的土地利用覆盖分类方法，先对所有图像块进行分类，并将结果以投票方式进行组合，为每个像素分配一个类别标签，接着每个补丁通过一个稀疏加权的字典元素的线性组合来表示，稀疏加权矢量是使用稀疏编码程序来确定的，然后利用一组学习过的形状和一个光谱样本集构造一个空间光谱字典，最后通过对每个图像块执行稀疏编码过程来导出图像的分类。

为解决上述问题，本发明提供一种基于稀疏表示的土地利用覆盖分类方法，其主要内容包括：

(一)稀疏编码；

(二)基于Shapelet的图像分解；

(三)字典构建；

(四)导出图像分类。

其中，所述的土地利用覆盖分类方法，设I为一个M波段高光谱图像，含有J个重叠的补丁X_j，大小为其中Z是补丁中的像素数量；其任务是通过对所有图像块进行分类，并将结果以投票方式进行组合，为每个像素分配一个类别标签；每个补丁通过一个稀疏加权的字典元素的线性组合来表示，稀疏加权矢量是使用稀疏编码程序来确定的；利用一组学习过的形状和一个光谱样本集构造一个空间光谱字典；构建策略基于此假设，即每个图像块可以被分解成形状和光谱信息。

其中，所述的稀疏编码，就基本稀疏编码而言，(V×1)维测试样本x可以由从(V×N)维字典D中取出的几个元素的加权线性组合表示，所以x＝D_α+ε,‖ε‖_b是重建误差，b是指定距离计算的范数，包含权重的参数向量由α给出；例如，测试样本x可以是来自图像的(M×1)维像素，使得V＝M或((M·Z)×1)维向量化图像块x＝vec(X)，其中Z是补丁中的像素的数量，V＝M·Z；基于补丁的方法通过以矢量化的方式使用图像补丁来考虑空间信息；用于确定最优的优化问题由下式给出：

其中，W是非零元素的数量；假定赋予N个字典元素(d_n,y_n),n＝1,…,N的标签信息，并且具有类别标签y_nx的分类重建误差由下式给出：

r_k＝‖D_kα_k-x‖_b(2)

其中，D_k是包含属于类k的所有元素的子字典；测试样本x被分配给产生最低重建误差的类别。

其中，所述的基于Shapelet的图像分解，用合适的光谱信息填充每个形状区域，产生高度自适应的字典元素；使用超像素分割方法从每个图像中学习形状集，并且光谱信息由训练数据体现；为了构建特定于斑点的空间光谱字典，执行优化以选择给定特定图像斑点的光谱信息和形状的最佳拟合因式分解；补丁中的每个像素最后都通过投票方案进行分类。

其中，所述的字典构建，字典构建包括Shapelet提取、光谱信息选择和特定于斑点的空间谱字典构造。