[发明专利]基于半监督稀疏表达模型的遥感图像的场景分类方法

权利要求书

1.一种基于半监督稀疏表达模型的遥感图像的场景分类方法，其特征是：包括如下步骤：

(1).采集c个不同类别的共n张遥感图像，特征提取后得到训练集X＝{x₁,x₂,...,x_n}，取样本集X的前l个样本{x₁,x₂,...,x_l}记为X_l，进行场景类别的标记，得到类别标签集Y_l＝{y₁,y₂,...,y_l}，标签向量表示样本x_i的场景类别是第j类，样本集X的后(n-l)个样本{x_l+1,x_l+2,...,x_n}未标记场景类别记为X_u；

(2).根据遥感图像的场景类别标签，对X_l进行样本配对，构成相似样本对集合M和非相似样本对集合N，其中M＝{(x_i,x_j)|y_i＝y_j}，N＝{(x_i,x_j)|y_i≠y_j}；

(3).使用训练集X、标签集Y_l、集合M和集合N建立半监督稀疏表达模型；

(4).使用得到的半监督稀疏表达模型的最优参数对待检测遥感图像进行分类；

上述步骤(3)所述的使用训练集X、标签集Y_l、集合M和集合N建立半监督稀疏表达模型，其具体步骤如下：

(31).使用K-SVD稀疏编码算法在训练集X集上进行字典学习，得到初始字典矩阵D＝{d₁,d₂,...,d_K}和初始稀疏系数矩阵A＝{a₁,a₂,...,a_n}，其中K表示字典D的原子数目；

(32).在训练集X上构建字典D的邻近图矩阵G，G中的元素G_i,j为：

其中KNN(d_j)返回k个距离d_j最近的字典原子，1≤i,j≤K；

(33).利用训练集X、标签集Y_l、邻近图矩阵G、字典矩阵D和稀疏系数矩阵A建立半监督稀疏表达模型，半监督稀疏表达模型的目标函数为：

其中W是分类系数矩阵，子稀疏系数矩阵A_l是A的前l列，分类校准函数f(x)的计算式为：γ、λ、β、η、θ₁和θ₂是正实数，τ_s和τ_d是两个阈值，||·||₂是2-范数；

(34).目标函数式(2)的优化涉及矩阵A_l、A、D、W和G，需要通过交替迭代算法优化参数，优化一个参数时，将其它参数固定，直到满足相应的收敛条件或最大的迭代数目，其主要交替执行如下步骤：

①.固定矩阵D，W和G，更新A_l和A，半监督稀疏表达问题转化为如下形式：

为了便于求解，引入辅助矩阵Y＝[Y_l,0_c×(n-l)]，式(3)转化为：

使用梯度下降法求解矩阵A的列分量式(4)对a_i求偏导数的计算式为：

f′(x)的计算式为'表示求偏导数操作，T为矩阵的转置，求得的的前l个向量构成矩阵A_l；

②.固定矩阵A_l、A、W和G，更新D，半监督稀疏表达问题转化为如下形式：

使用拉格朗日对偶方法求解式D，可得D＝(XA^T)(AA^T+Λ)^-1，Λ是由求解式(6)所得最优对偶变量构成的对角矩阵；

③.固定A_l、A、D和G，更新W，半监督稀疏表达问题转化为如下形式：

使用最小二乘方法求解式W，可得

④.将字典矩阵D代入式(1)，更新邻近图矩阵G；

⑤.判断迭代次数是否达到预设数目或字典矩阵D是否趋于稳定，如果是，则将最后一次迭代得到的A_l、A、D、W和G作为半监督稀疏表达模型的最优参数；如果否，则返回步骤①，继续执行A_l、A、D、W和G的更新；

上述步骤(4)所述的使用得到的半监督稀疏表达模型对待检测遥感图像进行分类，其具体步骤如下：

(41).获取待分类的遥感图像样本z；

(42).将样本z和步骤(3)得到的字典矩阵D代入下式，计算样本z的稀疏表示

μ是一个正实数，使用正则最小二乘法可得

(43).将和步骤(3)得到的分类系数矩阵W代入分类决策函数得到样本z的类别标签向量I，样本z的场景类别是I中最大分量的索引。