[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

说明书

本发明公开了一种基于标签约束弹性网图模型的高光谱图像分类方法。步骤：对待高光谱图像进行EMP特征提取，构建空谱联合特征；根据空谱联合特征进行标签约束传递，获得全局约束矩阵；根据全局约束矩阵，针对每个像素点构建字典；根据字典求解弹性网表示，构建标签约束的弹性网图模型；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。本发明可以降低计算的复杂度，提高构图的准确性，提升算法分类性能。

技术领域

本发明属于图像信息处理技术领域，特别涉及了一种高光谱图像分类方法。

背景技术

上世纪80年代，高光谱遥感技术开始崛起并且迅速发展，人类观测与认识地表事物的能力发生了质的飞跃。高光谱遥感技术在获取观测地物的空间图像的同时，还可以捕捉到其对应的光谱信息，因此高光谱图像呈现为一个三维立方体数据，实现了第一次真正意义上的图谱合一成像。每个像素的多个谱段形成了光谱曲线，包含了地表事物成分的丰富信息，可以用于识别不同的地物类型。目前，高光谱图像分类已经成为当前高光谱遥感领域的热门研究。由于高光谱图像的自身特征，其分类也面临着一定的挑战。

在高光谱分类的特征表示方面，研究者们进行了很多尝试。最初的方法通常直接使用光谱信息，较难得到稳健的分类结果。在认识到空间信息在高光谱分类中的重要性后，Pesaresi和Benediktsson两人采用形态学转换的方法去构建形态学分布特征，用来提取空间结构信息。考虑到高光谱图像空谱合一的特性，Fauvel和Chanussot将可拓展的形态学空间特征EMP与光谱特征进行联合提取到一种空谱联合的特征表示，然后采用支持向量机模型进行分类，实现了算法分类的性能提升。

高光谱图像分类器学习方面包括监督模型、非监督模型与半监督分类模型，区别在于在模型训练阶段是否使用到了带有标签的数据样本。非监督方法主要使用聚类算法来获得高光谱像素的分布特性，但无法准确判别其类别。相比较而言，监督模型的效果更好，想要训练出好的分类模型，训练样本的数量必须是样本维度的十倍，但是想要获得大量的训练样本需要付出巨大的成本代价。半监督分类模型因此而诞生，它充分利用了高光谱图像有限的有标记样本和大量的未标记样本进行学习分类。研究表明，半监督分类模型对于训练样本的数量要求远低于监督样本的要求，它的出现大大缓解了训练样本不足的问题，并且有效的提高了分类性能。

诸多文献研究了高光谱图像的半监督分类算法，而基于支持向量机分类器则是目前主流的半监督方法之一。Leng和Xu提出了主动学习与半监督分类相结合用于SVM分类器，改善仅使用SVM进行分类的性能。另一种主流的半监督分类方法则是基于图的半监督学习方法，它通过边将每个样本的标签信息传播给近邻，直到整个数据集达成全局稳定，该方法的优势体现在计算速度快、准确率高、便于解决大规模问题。例如，Camps-Valls等人利用k近邻法(k-nearest neighbors,KNN)构造了一个半监督图，并利用复合核计算每条边的权值。但是KNN的方法泛化能力往往不是很好，很有可能发生过拟合的情况。为了进一步整合空间上下文信息，Cheng和Yang提出一种l₁的图，利用数据的稀疏表示去构建图，进行高光谱图像的聚类。Song提出了基于形态属性轮廓的稀疏表示(SR+EMAPs)用于高光谱分类。Zhou和Huang通过构建超图来进行高光谱图像的分类，超边可以同时连接多个顶点，有利于表示高阶的复杂关系。

构建有效的图表示模型是高光谱图半监督分类算法的关键。然而当前的算法并未能充分利用标签信息进行构图，如何构造图模型以及利用有效的标定信息是高光谱的图半监督分类算法的关键。

发明内容

为了解决上述背景技术提到的技术问题，本发明提出了一种基于标签约束弹性网图模型的高光谱图像分类方法。

为了实现上述技术目的，本发明的技术方案为：

一种基于标签约束弹性网图模型的高光谱图像分类方法，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；