[发明专利]基于半监督K-SVD与多尺度稀疏表示的超像元分类方法

说明书

本发明公开了一种基于半监督K‑SVD与多尺度稀疏表示的超像元分类方法，首先，对高光谱图像的训练样本进行半监督K‑SVD字典学习，得到过完备字典；其次，将所述训练样本和所述过完备字典作为输入，进行超像元多尺度稀疏求解，得到训练样本的稀疏表示系数矩阵；最后，以求得的所述稀疏表示系数矩阵和所述过完备字典通过残差法和超像元投票机制得到超像元分类结果。本发明具有良好的去除椒盐噪声，丰富训练样本的能力。可以在各种样本数量条件下达到十分稳定的分类结果。本发明的提出对于解决高光谱图像分类领域的椒盐噪声问题，高维度小样本问题以及基于稀疏表示的分类算法如何有效利用空间信息上都有着十分重要的意义。

技术领域

本发明涉及高光谱图像分类技术领域，更具体的说是涉及一种基于半监督K-SVD与多尺度稀疏表示的超像元分类方法。

背景技术

多年来，遥感图像分类在环境损害评估、作物生长调节、土地利用监测、城市规划和侦察等多种应用中发挥了至关重要的作用。与单波段全色图像、多光谱图像相比，高光谱图像(HSI)因为具有更高的光谱分辨率，所以可以以更高的准确度检测和区分物体。

在高光谱图像中，每个像素的光谱数据都是一个高维向量，数百个数据维度表示着数百个波段的光谱响应。高光谱图像分类主要就是依据光谱信息把每个像元进行分类。为了实现这一目标，已经开发了许多像元级分类器，包括支持向量机(SVM)，支持向量条件随机分类器，神经网络等。尽管这些分类器可以充分利用HSI的光谱信息，但它们并没有考虑空间上下文，所以分类结果中经常出现噪音。为了解决这个问题，又由于局部区域内的像素通常表示相同的材料并且具有相似的光谱特性，产生了诸多整合临近空间信息获取分类效果的做法。但由于临近区域地物的未知性，这种粗糙的临近区域的选择存在着一定的风险。所以之后出现了对象级分类，虽然在对象级分类中地物被预先分割了，但由于欠分割问题的存在分类效果并不理想。

受到人类视觉系统的稀疏编码机制的启发，Bruckstein最早提出了稀疏表示的概念，在高光谱图像分类领域，稀疏表示的研究主要集中在获取过完备字典和稀疏求解两个方面：

在稀疏表示领域，原始信号稀疏表示的完备性由过完备字典保证。过完备字典的获取方式主要分为基于数学模型和基于训练样本两类，其中基于训练样本的字典获取方式先天包含丰富的原始信号特征，将原始信号直接拼接是基于训练样本的最经典过完备字典，但是由于训练样本的随机性与字典的死板，字典的完备性无法得到验证也无法得到改良，因此提出了字典学习方法，其中K-SVD字典学习方法以尽量减少信号重建误差为目标，通过正交匹配追踪(OMP)和通过奇异值分解(SVD)进行字典更新和稀疏编码交替进行。虽然K-SVD方法有着很强的通用性与普及性，但该方法在分类应用过程中没有强调不同类之间的特性。

关于求解原始信号稀疏表示的研究，最为经典的有匹配追踪(MP)和正交匹配追踪(OMP)。在MP和OMP中，稀疏表示的求解均是基于一个信号(像元)的，并且没有考虑过空间上下文的影响。基于此，之后出现了联合稀疏模型(JSM)和同步正交匹配追踪(SOMP)。但在这两个算法中，临近空间的选择依旧存在着许多问题：一方面临近空间的形状是矩形的，矩形窗内的地物是未知的，算法只是假设这个矩形窗口中的地物是统一的，当尺度较大时，这个假设便变得十分危险；另一方面临近空间区域的尺度是单一且需要事先设置的，不同的应用环境有着不同的最佳尺度，所以如何去配置这个尺度存在着诸多困难。

因此，如何提供一种基于半监督K-SVD与多尺度稀疏表示的超像元分类方法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明采用基于超像元的训练样本扩充和基于联合稀疏模型的系数求解，引入超像元空间信息，选择更加贴合真实地物的临近空间区域，更好的消除了同一地物内噪声，有效提高了分类效果。

为了实现上述目的，本发明采用如下技术方案：提供一种基于半监督K-SVD与多尺度稀疏表示的超像元分类方法，软件测试结果通过监视器显示，包括如下步骤：