[发明专利]一种面向大场景遥感图像分类的可分离多模联合表示方法

说明书

一种面向大场景遥感图像分类的可分离多模联合表示方法，本发明涉及多模遥感图像联合表示方法。本发明的目的是为了提高现有大场景遥感图像的分类精度。过程为：一、输入覆盖地理区域相同的多模遥感图像，以及相应的地物标签图，构造多模遥感图像的可分离多模联合表示模型；二、采用乘数交替方向法求解多模遥感图像的可分离多模联合表示模型，得到可分离的多模字典；三、输入大场景多光谱遥感图像，利用可分离的多光谱字典对输入的大场景多光谱遥感图像进行稀疏表示，学习得到可分离的一致稀疏表示系数矩阵；四、利用类别特异性高光谱字典和类别特异性一致稀疏表示系数矩阵，重构得到大场景的高光谱图像。本发明用于遥感图像分类领域。

技术领域

本发明涉及多模遥感图像联合表示方法。

背景技术

大场景遥感图像的精细分类在光学遥感应用中越来越重要。作为两种典型的光学遥感数据，多光谱图像和高光谱图像具有互补的特征：多光谱图像幅宽大，重访周期短，但波段数少，导致光谱可分性较弱。高光谱图像幅宽窄，重访周期长，但其具有数百个波段，因此具备精细分类的能力。为了有效利用多模遥感图像(高光谱图像和多光谱图像)的优势，近年来有学者对多模态遥感图像的联合表示进行了研究，多模态遥感图像的联合表示就是通过学习覆盖范围相同的高光谱图像和多光谱图像之间的关系，来重建大场景多光谱图像所对应的模拟高光谱图像，从而将高光谱图像的精细分类能力迁移到大场景多光谱图像上，实现分类性能的提升。

当前，多模态联合表示方法主要有两类，一种是基于深度学习的方法，一种是基于稀疏表示的方法。基于深度学习的方法通常难以重构多光谱图像光谱覆盖范围之外的波段；基于稀疏表示的方法虽然没有上述缺点，但是当前方法仅以高光谱图像的重构为目标，并没有考虑后续应用中对分类效果的提升；而且这些方法大多数是无监督的，没有考虑对标签信息的利用。

发明内容

本发明的目的是为了提高现有大场景遥感图像的分类精度，提出了一种面向大场景遥感图像分类的可分离多模联合表示方法。

一种面向大场景遥感图像分类的可分离多模联合表示方法具体过程为：

步骤一、输入覆盖地理区域相同的多模遥感图像，以及相应的地物标签图，构造多模遥感图像的可分离多模联合表示模型；

所述多模遥感图像包括多光谱遥感图像和高光谱遥感图像；

所述可分离是指类别特异性和共性可分离；

步骤二、采用乘数交替方向法求解步骤一构造的多模遥感图像的可分离多模联合表示模型，得到可分离的多模字典；

所述多模字典包括高光谱字典和多光谱字典；

所述可分离的多模字典由类别特异性多模字典和共性多模字典两部分组成；

所述类别特异性多模字典包括高光谱类别特异性字典和多光谱类别特异性字典；

所述类别特异性字典为高光谱类别特异性字典或多光谱类别特异性字典；

所述类别特异性字典由各个类别子字典组成；

步骤三、输入大场景多光谱遥感图像，利用步骤二得到的可分离的多光谱字典对输入的大场景多光谱遥感图像进行稀疏表示，学习得到可分离的一致稀疏表示系数矩阵；

所述输入的大场景多光谱遥感图像的覆盖区域包含步骤一中多光谱遥感图像的覆盖区域；

所述可分离的一致稀疏表示系数矩阵由类别特异性一致稀疏表示系数矩阵和共性一致稀疏表示系数矩阵组成；

步骤四、利用步骤二得到的类别特异性高光谱字典和步骤三得到的类别特异性一致稀疏表示系数矩阵，重构得到大场景的高光谱图像。

本发明的有益效果为：