[发明专利]一种基于标签约束弹性网图模型的高光谱图像分类方法

权利要求书

1.一种基于标签约束弹性网图模型的高光谱图像分类方法，其特征在于，包括以下步骤：

(1)对待高光谱图像进行EMP特征提取，构建空谱联合特征；

(2)根据空谱联合特征进行标签约束传递，获得全局约束矩阵；

标签约束传递的模型如下：

其中，U为全局约束矩阵，Z为初始约束矩阵，表示F范数的平方，上标T表示矩阵转置，tr表示矩阵的迹，δ为正则化参数，L为正则化的拉普拉斯矩阵，L＝I-D_W^-1/2WD_W^-1/2，W是根据空谱联合特征矩阵V构图得到的邻接矩阵，D_W是图的度矩阵，I是单位阵；

求解上述模型，得到全局约束矩阵的最优解U^*；

(3)根据全局约束矩阵，针对每个像素点构建字典；

(4)根据字典求解弹性网表示，构建标签约束的弹性网图模型；

(5)基于弹性网图模型进行半监督分类，得到标签矩阵，实现高光谱图像分类；建立半监督学习模型：

其中，F是分类结果标签矩阵，Y是初始标签矩阵，表示二范数的平方，μ是正则化参数，L₁是标签约束的弹性网图的拉普拉斯矩阵，上标T表示矩阵转置，tr表示矩阵的迹；

求解半监督学习模型，得到分类结果标签矩阵的最优解F^*，实现高光谱图像分类。

2.根据权利要求1所述基于标签约束弹性网图模型的高光谱图像分类方法，其特征在于，在步骤(1)中，其中，V表示空谱联合特征矩阵，X表示光谱特征矩阵，EMP表示EMP特征矩阵，m为主成分个数，n为半径不同的圆形结构元素的个数，d为光谱波段的数量，N为图像像素点数目。

3.根据权利要求2所述基于标签约束弹性网图模型的高光谱图像分类方法，其特征在于，在步骤(3)中，步骤(2)求解的全局约束矩阵中的每个元素为对应两个像素点之间的置信度，针对每个像素点x_i，挑选出前K个置信度最高的像素点x_j构建字典D_i＝VB_i，其中，B_i是一个对角矩阵，若x_j被选出构建字典D_i，则(B_i)_jj＝1，否则(B_i)_jj＝0，(B_i)_jj表示矩阵B_i中第j行第j列的元素，i∈{1,2,...,N}，j∈{1,2,...,N}。

4.根据权利要求3所述基于标签约束弹性网图模型的高光谱图像分类方法，其特征在于，在步骤(4)中，通过求解以下约束优化问题求解所有像素点的弹性网表示：

s.t.x_i＝D_ic_i,1≤i≤N

其中，c_i是x_i基于字典D_i获得的表示系数，C＝[c₁,c₂,...,c_N]是表示系数矩阵，E是误差矩阵，λ和γ是正则化参数，||C||₁表示l₁范数，||E||_2,1表示l_2,1范数；

根据每个样本点的弹性网表示系数，构建标签约束的弹性网图模型，样本之间的系数直接作为边的权重，在高光谱像素点之间建立边的连接，邻接矩阵直接用弹性网表示系数矩阵C表示。