[发明专利]一种基于核协同表示的高光谱图像交互式分类方法

说明书

本发明公开了一种基于核协同表示的高光谱图像交互式分类方法，包括如下步骤：对高光谱图像数据，载入或手工选定感兴趣训练区域；以训练区域内的像元作为训练集，采用核协同表示进行分类，得到高光谱图像概率分布图；以高光谱图像中的像元为节点，依据像元的空间位置关系建立空谱联合图；将概率分布图和空谱联合图共同放入后处理模型，进行分类结果预测；依据分类预测结果，手工重复添加或删除部分训练区域，进行精细化分类结果预测。本发明首先进行粗粒化核协同表示空谱联合分类，再通过实时化添加删除部分训练区域，进行细粒化核协同表示空谱联合分类，可显著提高分类制图精度和效率。

技术领域

本发明涉及高光谱图像处理技术领域，具体涉及一种基于核协同表示的高光谱图像交互式分类方法。

背景技术

高光谱遥感传感器能够在许多连续且狭窄的波段上获取成百上千幅图像，其成像区域覆盖了可见光到红外区域。高光谱遥感图像这一较高的光谱分辨率特性，使得其在地表目标探测、城市规划、农业预警和军事侦察等领域等到广泛应用。

高光谱遥感图像分类是高光谱遥感图像应用中一个比较重要的环节。目前，较常用的分类方法有：支持向量机、多项式逻辑回归、稀疏表示和协同表示等。由于这些分类方法并未将高光谱遥感数据视为图像，一些研究者考虑在分类中融入高光谱图像的空间信息，以进一步提高高光谱遥感图像分类的精度。

对有监督高光谱遥感图像分类而言，数据标签的获取是一项极其费时费力的工作。而且，由于成像条件的差异性，不同数据集上标签的通用性往往较差。因此，如何需要充分利用有限的数据标签提高高光谱遥感图像分类精度是本领域技术人员需要解决的问题。

发明内容

本发明的目的在于提供一种基于核协同表示的高光谱图像交互式分类方法，充分利用数据标签信息提高分类精度，并在此基础上与用户进行交互，进一步提高分类精度。

实现本发明的技术方案如下：

一种基于核协同表示的高光谱图像交互式分类方法，包括以下步骤：

步骤1：对高光谱图像数据，载入或手工选定感兴趣训练区域；

步骤2：以训练区域内的像元作为训练集，采用核协同表示进行分类，得到高光谱图像概率分布图；

步骤3：以高光谱图像中的像元为节点，依据像元的空间位置关系建立空谱联合图；

步骤4：将概率分布图和空谱联合图共同放入后处理模型，进行分类结果预测；

步骤5：依据分类预测结果，手工重复添加或删除部分训练区域，进行精细化分类结果预测。

进一步的，步骤2中核协同表示分类的公式为：

Y＝T(Q+λI)^-1P

其中，Y为所有像元的概率化分类结果，Q为训练样本高斯径向核特征矩阵，P为高光谱图像高斯径向核特征矩阵，I为单位矩阵，T用来累加每个测试样本在每个类别上的系数，λ用来控制核协同表示系数，λ＝0.001。

进一步的，步骤3中构建空谱联合图的方法具体为：

对高光谱图像进行主成分分析，选取前3个主成分作为特征并规范化到 [0,1]区间内；以每个像元为顶点，选取周围8个像元作为邻居，并根据相似性建立权重矩阵W，从而构建空谱联合图G。

进一步的，步骤4中后处理分类的公式为：

其中，为未标记像元精细化的分类结果，Y_l为标记像元的概率化分类结果，Y_u为未标记像元的概率化分类结果，L为空谱联合图G对应的图拉普拉斯， L_lu和L_uu为L对应的标记样本与未标记样本子矩阵，γ用来控制空间光滑程度。