[发明专利]基于部分随机监督离散式哈希的遥感图像分类方法

权利要求书

1.一种基于部分随机监督离散式哈希的遥感图像分类方法，其特征在于包括以下步骤：

步骤1、根据标定好的真实数据，对遥感图像进行目标分割，分割得到的目标组成训练和测试所用的样本；

步骤2、对分割好的目标进行特征提取，每个目标均用特征向量进行表示，所有目标的特征向量组合成特征矩阵；

步骤3、对每一类样本按照相同比例划分为训练样本和测试样本；

步骤4、对所有样本进行离散哈希编码；对于所有遥感图像目标，用矩阵X＝{x₁，x₂，…，xn}∈R^d×n表示；对于最终生成的一系列离散哈希编码，用矩阵表示；根据哈希学习的目标，定义目标函数构造：

其中，表示标定的真实数据标签矩阵，表示分类权值矩阵，c和λ分别为类别的数量以及正则参数；目标函数中的第一项是l₂损失函数；

在目标函数中采用一个连续非线性嵌入式F(X)，其中是通过RBF核映射得到的行向量，P为投影矩阵，目标函数改写为：

步骤5、对所有样本进行部分随机哈希编码；在部分随机哈希中，随机生成一个投影矩阵A∈R^d×r以及一个偏移行向量b∈R^r，将提取的特征向量x_i投影至低维空间；利用sign函数得到二值化的矩阵H_L；将H_L嵌入数据依赖线性模型：

针对此部分的离散约束，用sigmoid函数s(x)代替sign函数，优化的问题转变为：

得到其中，表示Moore-Penrose广义逆矩阵；最终得到部分随机哈希编码

步骤6、将离散哈希编码与部分随机编码相结合，使两个编码之间的误差最小化，迭代优化参数，最终获得更精准的哈希编码；结合离散哈希编码与部分随机编码，目标函数定义如下：

固定B和W，对F进行优化，则映射矩阵P可被计算求得：

固定F和B，对W进行优化，通过正则化最小二乘问题求解得到：

固定F和W，对B进行优化，此时子问题定义为如下形式：

即：

其中，V＝WY+λ₂F(X)+λ₃H，由于B的离散约束，采用一个近似的解决方案：B的每一行通过固定其他行来求解，即依次学习每一个比特，直到所有比特学习完毕；通过离散坐标循环下降法依次更新B矩阵的每一行；最终可得：b_i＝sgn(v_i-B′^TW′w_i)；

步骤7、根据所生成的哈希编码，计算汉明距离，完成分类。

2.根据权利要求1所述的遥感图像分类方法，其特征在于：步骤7所述根据所生成的哈希编码，计算汉明距离，完成分类的具体方法为：对测试样本集进行部分随机编码后，嵌入监督离散式编码，最终生成部分随机监督离散式编码，根据所生成的编码，计算汉明距离，对测试样本可能属于的类别进行概率计算，最终概率最大的类别被判定为预测类别。