[发明专利]一种加权核稀疏和协同表示系数的高光谱影像分类方法

说明书

本发明涉及一种加权核稀疏和协同表示系数的高光谱影像分类方法，属于高光谱影像分类领域。该方法充分利用核函数处理非线性数据的优势，将高光谱影像数据映射到高维核特征空间，建立并求解核空间下的稀疏表示和协同表示高光谱影像分类模型，得到相对应的核稀疏表示系数和核协同表示系数；对核稀疏表示系数和核协同表示系数进行加权融合得到核融合表示系数，用于重构分类测试样本。本发明通过核函数把高光谱数据变换到核空间能提高数据可分性，同时融合表示系数能有效结合基原子间的稀疏结构和协同结构，进而提升高光谱影像的分类精度。

技术领域

本发明属于高光谱影像分类领域，涉及一种加权核稀疏和协同表示系数的高光谱影像分类方法。

背景技术

高光谱影像数据由成像光谱仪获取，能反映出观测区域丰富的地物光谱信息与空间信息。高光谱影像分类技术根据高光谱数据中像元光谱信息的不同对像元进行分类。高光谱影像分类技术作为读取和应用高光谱遥感影像数据的主要手段，一直都是高光谱影像处理技术的一项研究热点，同时也广泛地运用于地质勘测、环境管理、国防军事、目标检测等领域。

目前，已经有了很多经典的高光谱影像分类算法，比如神经网络ANN，支持向量基SVM，稀疏表示分类SRC等。其中SRC因其抗干扰能力强、不用学习分类器模型等特点受到广大学者的关注。SRC模型的主要思想是用字典中尽可能少的基原子表示待测样本，通过贪婪算法(如OMP算法、SP算法)可以求解SRC模型。然后每类原子在表示系数下对测试样本进行重构，并根据最小重构残差分类。基于SRC分类算法，文献1(ChenY,Nasrabadi NM,TranTD.Hyperspectral Image Classification Using Dictionary-Based SparseRepresentation.IEEE TransactionsonGeoscience&Remote Sensing,2011,49(10):3973-3985)引入高光谱影像中的空间信息帮助分类，提出一种空谱信息分类的联合稀疏表示分类模型(JSRC)，文献2(ChenY,Nasrabadi N M,Tran T D.Hyperspectral ImageClassification via Kernel Sparse Representation.IEEETransactionsonGeoscience&Remote Sensing,2012,51(1):217-231)在核特征空间下提出KSRC算法对高光谱影像分类。但SRC模型采用L1作为表示系数的约束项，这样必将带来大量的运算时间。文献3(Zhang L,YangM.Sparserepresentation orcollaborativerepresentation:Whichhelps face recognition？.IEEE International Conference on Computer Vision,2012,2011(5):471-478)认为SRC算法过分强调表示系数的稀疏性，而忽略掉了样本间的协同作用，提出了一种协同表示分类(CRC)算法。CRC算法使用字典中的所有原子进行表达，并认为所有的原子都有相同机会参与测试样本的表达。

综上所述，SRC算法与CRC算法各具优势。SRC算法通过稀疏约束能获得更为精确的分类，但容易因过分强调表示系数的稀疏性而忽略掉同类样本间的协同作用。CRC算法使用所有基原子进行表达，时间复杂度低，但对原子不具有选择能力。两种算法都不能充分发挥字典中基原子对测试样本的表达能力。

发明内容

有鉴于此，本发明的目的在于提供一种加权核稀疏和协同表示系数的高光谱影像分类方法。首先通过核函数，将高光谱数据映射到高维核空间，然后对稀疏系数和协同系数的加权融合，综合考虑基原子间的稀疏结构和协同结构，从而实现对高光谱影像数据更加精确、稳定的分类。

为达到上述目的，本发明提供如下技术方案：

一种加权核稀疏和协同表示系数的高光谱影像分类方法，包括以下步骤：