[发明专利]提升光谱图像监督分类性能的样本扩充与一致性判别方法

说明书

本发明公开了一种提升光谱图像监督分类性能的样本扩充与一致性判别方法，包括以下步骤：构造形状匹配模板库；计算单个训练样本的邻域相似度矩阵；使用模板库对相似度矩阵进行匹配，并根据匹配度选取最佳匹配模板；根据最佳匹配模板扩充训练样本；使用扩充后的训练集训练监督分类器；计算测试样本的邻域预测矩阵；使用模板库对邻域预测矩阵进行匹配，并根据一致性度量计算最佳判别结果。本发明通过形状模板匹配有效扩充监督样本，利用模板库与分类预测矩阵一致性判别改善分类结果的局部聚集性，大幅提升监督分类器的精度，提升了小样本监督分类算法的鲁棒性，可适用于任何监督分类器。

技术领域

本发明涉及高光谱图像监督分类算法中的预处理及后处理技术，具体涉及一种提升光谱图像监督分类性能的样本扩充与一致性判别方法。

技术背景

遥感高光谱图像是由几十甚至上百连续光谱波段组成的三维数据集，由于每个像元的通道数量远远超过普通RGB彩色图像的通道数量，所以在地物识别与分类应用中具有很强的分辨性能。因此，在诸如农业监测、污染监测、矿物识别等领域具有广泛的应用。而利用高光谱图像进行识别与分类是在图像获取后最重要的处理过程，其识别精度决定了高光谱图像对地物鉴别的最终效果。在高光谱图像分类研究中，机器学习相关方法受到了广泛关注。

传统机器学习方法例如极限学习机、支持向量机、贝叶斯等方法在高光谱图像监督分类领域中都有一定的应用，但由于高光谱数据集样本间具有很强的相似性，以及同谱异物、同物异谱等现象的出现，导致分类器性能在一定程度上下降，使得最终分类精度不高。利用遥感图像的空间信息提升分类性能变得尤为重要。而常规的空-谱联合方法常将样本的空间信息与光谱信息进行融合并生成新的样本，例如增加样本属性维度的Gabor-SVM等方法会使得模型的输入维度增高，从而引入维度扩张带来的额外影响。目前，有许多针对在不改变数据维度的前提下利用预处理及后处理技术提升分类效果的方法，例如慕彩红等人在主动学习方法的基础上提出了利用测试样本邻域高相似像元判别结果来对目标样本的判别结果进行优化的方法(慕彩红,焦李成,王依萍,等.主动学习和邻域信息相结合的高光谱图像分类方法:,CN 104182767 A[P].2014.)，取得了较好的效果。然而，上述方法的判定规则较为复杂，且像元相似度参数固定，无法根据数据自适应调整，因此方法应用范围受限。

发明内容

本发明的目的在于提供一种提升光谱图像监督分类性能的样本扩充与一致性判别方法，通过形状模板匹配有效扩充监督样本，利用模板库与分类预测矩阵一致性判别改善分类结果的局部聚集性，大幅提升监督分类器的精度，提升了小样本监督分类算法的鲁棒性，可适用于任何监督分类器。

实现本发明目的的技术解决方案为：一种提升光谱图像监督分类性能的样本扩充与一致性判别方法，包括以下步骤：

第一步，构造形状匹配模板库，即构造若干大小为d×d的形状匹配模板，作为模板库；

第二步，计算单个训练样本的邻域相似度矩阵，即截取以该训练样本为中心的d×d邻域像元块，并计算其邻域像元与中心像元的相似度，将相似度顺序排列成矩阵形式作为该训练样本的邻域相似度矩阵；

第三步，使用模板库对相似度矩阵进行匹配，并根据匹配度选取最佳匹配模板；

第四步，根据最佳匹配模板扩充训练样本，即将最佳匹配模板所覆盖的像元划归到与中心像元同类别训练集中；

第五步，使用扩充后的训练集训练监督分类器；

第六步，计算测试样本的邻域预测矩阵，即截取以该测试样本为中心的d×d邻域像元块并分别预测其中每个像元的类别，将预测类别顺序排列成矩阵形式作为该样本的邻域预测矩阵；

第七步，使用模板库对邻域预测矩阵进行匹配，并根据一致性度量计算最佳判别结果，即依次计算邻域预测矩阵与模板库中各模板匹配所对应各类别的一致性度量，选取最大值所对应类别作为该样本的最终判别结果。