[发明专利]基于鲁棒辅助信息重构的支持向量机多谱段图像分析方法

说明书

本发明提供一种基于鲁棒辅助信息重构的支持向量机多谱段图像分析方法，包括以下步骤：从原始多谱段图像数据集中选择训练样本，分别计算所有输入多谱段图像样本和辅助图像数据的核矩阵、鲁棒约束矩阵，定义中间变量，优化求解目标函数对应的二次规划问题，得到最优的变量；基于当前最优的变量，优化求解重构系数矩阵；重复直至模型收敛，输出鲁棒分类器模型；验证分类效果，预测可能存在噪声的测试样本的标签，并与真实标签进行对比。本发明考虑了原始多谱段数据样本与辅助图像数据可能存在噪声的这一困难情况，弥补了现有方法缺乏有效解决策略的不足。

技术领域

本发明属于多谱段图像分析处理技术领域，尤其涉及一种基于鲁棒辅助信息重构的支持向量机多谱段图像分析方法。

背景技术

随着机器学习的快速发展，对多谱段图像分析处理技术的手段越来越多。图像分类，作为其中重要的分析方法之一，一直受到持续的关注。传统的多谱段图像分类方法常常采用监督方法以获得较好的分类结果，即基于一组样本及其相应的标签，传统的监督方法可以训练分类模型，然后使用它来对未知的测试样本进行分类。然而，多谱段图像有时面临图像分辨率不够高、波谱信息不如高光谱图像信息等问题，尤其是在标记样本数量较少的情况下，如果获得额外的更高分辨率、更多波谱维度的图像作为辅助信息，图像分类、分析结果将会更加精确。

支持向量机(SVM)是现在最受欢迎的分类器之一，它对于标记数据少、多维数据具有较好的分类效果。然而，现实情况中，SVM已有方法的成功通常是在训练和测试数据被认为是纯净、没有噪声的情况下实现的。在实践中，可以根据具体的要求设计训练集，但很难甚至无法确定测试数据是什么样的，有没有噪声。已有的方法缺乏明确的策略来解决数据中的潜在噪声，因此这些方法的实用性能将受到影响。除此以外，现有方法常常将辅助数据作为新的特征表达直接在训练、测试过程中叠加到原有数据特征表达，增加多谱段图像数据的特征维度，以提高分类精度。然而，实际情况下，很难对大量的测试数据也采集到对应的辅助图像数据，当测试数据无法采集到辅助图像数据，现有的许多方法都无法再使用辅助图像数据，而浪费了训练样本所能获取的辅助图像数据。同时我们往往无法保证采集到的辅助图像数据是总是准确的、没有噪声的，如果辅助图像数据中存在噪音，它们的加入可能无法保证做出正确的判断，从而影响模型的表现。除此以外，当只有部分训练样本具有辅助信息时，现有方法只能利用这部分已有辅助信息，并未考虑可以用已有的辅助信息学习剩余训练样本可能的辅助信息表达。

因此，需要一种能生成辅助信息、同时对数据样本和辅助图像信息中存在的噪声具有鲁棒性的多谱段图像分类分析方法，该方法的模型能尽可能更好地利用现有辅助信息、同时容忍更大的数据噪声，从而得到更好的分类效果。申请人的研究团队日前研发了一种鲁棒的利用辅助信息的支持向量机多谱段图像分析方法，考虑到噪声对原始图像样本数据和辅助图像数据的扰动，通过增加鲁棒正则化函数到改进的支持向量机分类方法中，加强模型的鲁棒性。但实践证明辅助信息不一定是完备的，还需要进一步改善方案。

发明内容

为了解决上述技术问题，本发明提供了一种基于鲁棒辅助信息重构的支持向量机多谱段图像分析方法，该方法可以用已有辅助图像信息重构未知图像辅助信息，并考虑到噪声对原始图像样本数据和辅助图像数据的扰动，通过增加鲁棒正则化函数到改进的支持向量机分类方法中，同时考虑辅助信息间的互相表达特性，加强模型的鲁棒性。

本发明所采用的技术方案提供一种基于鲁棒辅助信息重构的支持向量机多谱段图像分析方法，包括以下步骤：

步骤1，设从原始多谱段图像数据集中选择n个图像样本及标签作为训练样本，获得辅助图像数据l是辅助图像数据个数，其中l＜n，对应的辅助图像数据，重构未知的训练辅助图像数据后，记重构系数矩阵V＝[v₁,…,v_n]，v₁,…,v_n为相应辅助数据的重构系数向量；

步骤2，分别计算所有输入多谱段图像样本和辅助图像数据的核矩阵K和K^*；