[发明专利]基于局部与结构约束低秩表示的高光谱分类方法

说明书

本发明提供了一种基于局部与结构约束低秩表示的高光谱分类方法。首先，对输入高光谱图像进行规范化处理；然后，构建得到基于局部与结构约束低秩表示的目标函数；接着，使用增广拉格朗日乘子法和交替迭代更新算法求解目标函数，得到低秩分解矩阵；最后，利用低秩分解矩阵计算每个测试像素的类别标签，完成高光谱图像分类。本发明方法可适用于具有不同类别像素紧密程度的高光谱图像，对噪声和异常点具有较好的鲁棒性，并且能显著提高分类精度。

技术领域

本发明属图像处理技术领域，具体涉及一种基于局部与结构约束低秩表示的高光谱分类方法。

背景技术

与传统的遥感图像不同，高光谱图像不仅包含地表目标的空间位置信息，即图像信息，还包含每个波段对应的光谱曲线信息，即光谱信息，因此，高光谱图像有一个重要的特性：图谱合一。因为这样的特性使得高光谱图像包含丰富多样的地物信息，能够捕捉到普通图像不同分辨的细微差别。高光谱分类技术就是根据高光谱图像的丰富信息，来分离出不同类别的地物，近年来已经得到广泛的研究。文献“Sumarsono,Alex,and Qian Du,Low-Rank Subspace Representation for Supervised and Unsupervised Classificationof Hyperspectral Imagery,in IEEE Journal of Selected Topics in Applied EarthObservations and Remote Sensing,vol.9,no.9,pp.4158-4171.2016.”中提出了一种基于低秩表示的高光谱图像分类方法，该方法指出，虽然高光谱图像数据有很高的维度，但是大量有用的图像信息位于多个低维的子空间，而图像的噪声构成一个稀疏的矩阵，因此，原始的高光谱图像可以分解成一个低秩的数据矩阵和一个稀疏的噪声矩阵。基于这样的低秩特性，该方法首先对原始高光谱图像利用低秩分解得到一个去除噪声的本真低秩矩阵，然后结合现有的高效分类算法对得到的低秩高光谱图像进行分类，经大量实验结果表明，低秩分解这样的预处理步骤可以提高分类器的分类准确率。但该方法存在一些缺陷，首先，高光谱图像的低秩特性只是用来对图像数据进行预处理，而没有对分类器本身的设计提供帮助；其次，该方法仅采用了最普通的低秩分解算法，但是对于高光谱图像，这样的低秩分解算法适用性不强，得到的低秩分解矩阵不是原始高光谱图像最优的表示矩阵。

发明内容

为了克服现有技术的不足，本发明提供一种基于局部与结构约束低秩表示的高光谱分类方法。首先，对输入高光谱图像进行规范化处理；然后，构建得到基于局部与结构约束低秩表示的目标函数；接着，使用增广拉格朗日乘子法和交替迭代更新算法求解目标函数，得到低秩分解矩阵；最后，利用低秩分解矩阵计算每个测试像素的类别标签，完成高光谱图像分类。本发明方法可适用于具有不同类别像素紧密程度的高光谱图像，对噪声和异常点具有较好的鲁棒性，并且能显著提高分类精度。

一种基于局部与结构约束低秩表示的高光谱分类方法，其特征在于步骤如下：

步骤1：利用线性的min-max规范化方法对高光谱图像数据进行规范化处理，得到规范化后的高光谱图像矩阵X，其中，X中的每一列为一个像素的光谱向量，每个像素的光谱反射值均处于0到1之间；

步骤2：基于局部约束和结构保持准则，建立如下局部与结构约束低秩表示的目标函数：