[发明专利]一种基于局部相似度数据引力的高光谱影像分类方法

说明书

本发明公开了一种基于局部相似度数据引力的高光谱影像分类方法，其方法受牛顿万有引力的启发，基于数据引力的理论对高光谱影像分类，通过比较像元作用于不同类别的引力，将其划分到最大引力所属的类别，具体地，为了充分利用高光谱数据的空间‑光谱信息，利用余弦相似度为待分类像元的邻域像素定义局部质量，然后通过联合局部区域计算待分类像元作用于不同类别的引力，最后根据引力的大小为像元分配合理的标签。本发明利用数据引力来描述数据的相似性，通过引入高光谱影像的空间信息，增加了同质像元的聚集性，异质像元的可分性，解决了高光谱影像地物分布复杂、数据冗余度高导致的分类精度低的问题。

技术领域

本发明涉及高光谱影像处理技术领域，尤其涉及一种基于局部相似度数据引力的高光谱影像分类方法。

背景技术

高光谱图像具有高光谱分辨率，通常有数百个波段。丰富的光谱信息可以为地面目标的精确分类提供依据。近年来，为了满足高光谱影像在农业监测、环境管理等领域的应用需求，高光谱影像的分类技术已成为研究热点。

高光谱影像的分类就是根据影像的特征为像元分配一个语义标签。早期的研究，一些基于光谱信息的分类器如支持向量机(SVM)、k近邻(k-NN)和稀疏表示(SR)等取得了一定的成功，但是由于缺乏空间上下文信息的利用，这类方法的分类结果通常存在大量的噪声斑点，难以满足高光谱影像的应用需求。

过去的几年来，为了充分利用高光谱影像的空间特征，许多基于空间-光谱特征的分类方法如联合稀疏表示(JSR)、联合最近邻(JNN)、联合类内协同表示(JCR)

相比于传统的SVM等方法，利用像元的空间领域信息，获取精度较高的分类结果。但是，当待分类像元处于异质区域时，上述方法的区分性能受异质像元的干扰而下降。

近年来，基于数据引力的分类方法得到了广泛关注。受牛顿万有引力的启发，认为特征空间的中任意两个数据点之间存在数据引力，可将数据引力作为相似性度量来指导分类。由于万有引力大小与两个数据点之间的距离的平方成正比，与它们的质量乘积成正比，因此，相似数据点之间通常存在较大的引力。这一特点使数据引力在二分类问题的分类中表现出优越性。为高光谱影像分类提供了潜力。

但是数据引力对多标签数据分类不适用，并且很少有研究在高光谱分类中使用数据引力。为了充分利用数据引力作为相似性度量的优势，为此我们提出一种基于局部相似度数据引力的高光谱影像分类方法。

发明内容

基于背景技术存在的技术问题，本发明提出了一种基于局部相似度数据引力的高光谱影像分类方法，利用余弦相似度为待分类像元的领域像素定义局部质量，然后通过联合局部区域计算待分类像元作用于不同类别的引力，保证高光谱影像空间-光谱信息的充分利用，最后根据引力的大小划分待分类像元类别。最终得到稳定的分类结果。

本发明提供如下技术方案：一种基于局部相似度数据引力的高光谱影像分类方法，包括以下步骤：

S1、选择待分类的高光谱遥感影像Y＝[y₁，y₂，...，y_N]∈i^N×D，其中N是影像的像元个数，D是光谱维度，对影像进行预处理，所述预处理包含对每个像元对应的光谱值进行归一化；

S2、根据高光谱影像上实际地物分布与类别数，在图像上提取样本集其中M是样本个数，τ_i∈{1，2，...，C}是第i个样本的标签，其中C是影像的地物类别数；

S3、基于k次迭代交叉验证的方法，获取高光谱影像分类方法的最佳引力计算窗口尺度R；

S4、基于高光谱影像分类方法对原始影像进行分类，具体过程包含以下步骤；

A、计算像元与每一个训练样本在特征空间中的欧式距离；

B、根据与中心像元的相似度，计算每个像元及其空间领域像素的质量；