[发明专利]基于多核学习的遥感图像稀疏表达分类方法

权利要求书

1.一种基于多核学习的遥感图像稀疏表达分类方法，其特征在于，包括多核学习分类模型训练步骤和多核学习分类模型预测步骤：

(1)所述多核学习分类模型训练步骤具体包括：

步骤1.1对原始遥感图像进行空-谱特征信息提取操作；

步骤1.2从原始遥感图像中选取部分标注像元构建训练数据，根据训练数据总重构误差最小准则，将多核学习嵌入到稀疏表示模型构建多核稀疏表达模型；

步骤1.3根据标注图层，每类选取预设数量的像元构建训练数据，通过两步交替优化策略训练多核稀疏表达模型，即训练得到多核稀疏表达模型各基核最优权重系数；

(2)所述多核学习分类模型预测步骤具体包括：

步骤2.1根据标注图层每类选取预设数目像元构建字典集，利用训练得到最优基核权重系数β，将未标注像元映射到多核特征空间并构建多核字典，即计算多核空间表示向量K(D,y)和多核格拉姆矩阵G；

步骤2.2在多核诱导空间中，对任意未标注像元y借助多核稀疏表示模型求解其对应编码系数向量α；

步骤2.3根据多核字典对应标注信息和编码系数向量α，在多核特征空间中利用类最小重构误差准则得到像元地物类别，其后获得最终的场景分类效果图。

2.如权利要求1所述的基于多核学习的遥感图像稀疏表达分类方法，其特征在于，对原始遥感图像进行空-谱特征信息提取操作，得到形态学特征，具体为：利用主成分分析算法获取遥感图像前p-主分量图像，并利用不同尺寸结构化元素定义的形态学开闭算子对各主分量图像进行滤波操作，并通过特征堆列方式得到拓展形态学特征。

3.如权利要求1所述的基于多核学习的遥感图像稀疏表达分类方法，其特征在于，所述步骤1.2的具体内容为：结合场景数据分布特点根据不同准则选取一组基核函数利用该组基核函数通过线性组合形式将形态学特征映射到集成核特征空间，并通过最小化一组训练数据学习得到基核函数的最优线性组合以增强多核字典在多核特征空间中的稀疏表达能力，即同时学习稀疏编码系数矩阵X和核权重系数β，多核稀疏表示模型具体实现公式如下：

其中，M表示基核函数的数目，X为训练数据Y在集成核特征空间的编码系数矩阵，K_m(D,Y)为训练数据Y在第m个基核空间中的特征表示，β_m表示与基核K_m关联的核权重参数，G_m为训练字典D同第m个基核关联的核格拉姆矩阵；S(X)表示稀疏诱导正则化项，采用与其中⊙表示矩阵元素级相乘，将字典原子在稀疏重建过程中不同作用信息嵌入到多核稀疏表示学习模型中，λ为正则化参数。

4.如权利要求1所述的基于多核学习的遥感图像稀疏表达分类方法，其特征在于，所述步骤1.3的具体内容为：由于步骤1.2中定义的多核稀疏表达模型存在两个待求解变量，即稀疏编码系数矩阵X和基核权重系数β，对选定的训练数据Y难以直接优化其解该模型，在每次迭代中，固定X和β中的一个变量优化另一个变量，直到满足相应的收敛条件或最大的迭代数目；首先需要从标注图层中每类选取相同数目像元构建训练数据并根据随机初始化得到的基核权重系数β初始化和多核格拉姆矩阵其后主要交替执行如下步骤：

①固定基核权重系数β，更新编码系数矩阵X；具体为：利用先前一次迭代更新的核权重系数β，在更新的集成多核特征空间对训练数据进行稀疏表示，则多核稀疏表示问题转化成如下稀疏求解问题：

由于编码系数矩阵X对应的是训练数据Y中各个像元相关联编码系数的组合，能分离地优化每个编码系数α_i，即上述问题能转化为如下一系列等价稀疏优化问题：

其中，S(α_i)对应与相应地上述函数在集成多核特征空间由稀疏优化求解得到，将串联得到编码系数矩阵X；

②固定编码系数矩阵X，更新基核权重系数β；具体为：固定当前迭代计算得到编码系数矩阵X，则多核稀疏表达问题转化成如下优化问题：

上述函数通过标准约束二次规划问题求解，得到基核权重系数β；

③判断迭代次数是否达到预设数目或核权重系数趋于稳定，如果是，则输出最后一次迭代得到的基核权重系数β作为最优基核权重；如果否，则返回步骤①，继续执行编码系数矩阵X更新与基核权重系数β更新。

5.如权利要求1所述的基于多核学习的遥感图像稀疏表达分类方法，其特征在于，所述步骤2.2在多核诱导空间中，对任意未标注像元y借助多核稀疏表示模型求解其对应编码系数向量α，具体公式如下：