[发明专利]基于多核学习的遥感图像稀疏表达分类方法

说明书

本发明公开一种基于多核学习的遥感图像稀疏表达分类方法，主要解决遥感图像空‑谱特征的样本分布不平坦、数据不规则等问题，提高对空‑谱特征中蕴含丰富且复杂非线性结构信息的表达能力。主要步骤包括：(1)对遥感图像进行空‑谱特征提取操作，提取遥感图像的形态学特征；(2)结合遥感图像数据分布特点根据不同准则选取一组基核函数并构建多核稀疏表示模型；(3)利用一组训练数据通过两步交替优化策略学习得到基核函数的最优线性组合；(4)根据训练得到的基核函数最优线性组合将未标注像元映射到集成核特征空间，并利用基于稀疏表达方法进行分类。本发明能充分挖掘遥感图像空‑谱特征中蕴含丰富的非线性结构特征，可用于不同遥感图像场景下土地覆盖精细化解译任务。

技术领域

本发明涉及一种基于多核学习的遥感图像稀疏表达分类方法，可应用于复杂遥感图像场景下地表覆盖精细化解译任务中，本发明属于高维信息处理与模式识别技术领域。

背景技术

随着地理国情监测与第三次全国土地调查应用对全面细化和完善土地利用基础数据的迫切需求，传统遥感图像处理技术难以实现对地观测应用中对复杂场景更为精细的地物解译与分析。近年来，随着稀疏表达新技术的出现，基于稀疏表达的遥感图像处理技术在方法上和性能上取得突破的进展，为其研究提供了新的契机。然而，在复杂的遥感图像分类场景中，面向各向异性分布、高维特征和多类数据以及包含异质信息的遥感图像，现有基于稀疏表达的遥感图像分类方法通常难以对地表覆盖实现精确的分类与识别。

发明内容

发明目的：鉴于遥感图像空-谱特征中通常蕴含丰富的非线性判别信息，单一核方法与单一组合模式核方法通常无法有效地挖掘空-谱特征中蕴含的丰富非线性结构信息。借助多核学习技术，从训练样本中学习得到一组基核函数的最优线性组合，提升地物在集成核特征空间的可分性。

技术方案：一种基于多核学习的遥感图像稀疏表达分类方法，包括多核学习分类模型训练步骤和分类模型预测步骤：

(1)所述多核稀疏表达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。采用拓展形态学轮廓特征(EMPs)验证多核稀疏表达分类模型对面向各向异性分布、高维特征和多类数据以及包含异质信息遥感图像的捕获能力，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。

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，具体为：结合场景数据分布特点根据不同准则(不同核类型、不同核距离度量或不同核尺度)选取一组基核函数(其中M表示基核函数的数目)，利用该组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，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，可以采用与其中⊙表示矩阵元素级相乘，可以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。