[发明专利]基于迁移字典学习的高光谱图像的有监督分割方法

摘要

本发明公开了一种基于迁移字典学习的高光谱图像的有监督分割方法，主要解决高光谱图像分割时遇到的类别不平衡问题。其实现过程是：(1)输入目标图像和辅助图像并提取特征；(2)设定循环终止次数，并对目标域有标签样本集采用字典学习方法训练分类器；(3)计算迁移样本集；(4)更新目标域有标签样本集中的小类样本集；(5)计算本次循环中目标域无标签样本集的分类标签和分类器权重；(6)计算最终目标域无标签样本集的分类标签；(7)利用得到的最终目标域无标签样本集的分类标签和目标域有标签样本集的标签，输出目标图像的分割结果。本发明具有对类别不平衡的高光谱图像分割效果好的优点，可用于雷达目标的检测与识别。

主权项

一种基于迁移字典学习的高光谱图像的有监督分割方法，包括以下步骤：(1)输入带有部分标签的待分割目标图像和带标签的辅助图像，采用广义判别分析方法GDA对目标图像和辅助图像的每一个像素点提取12维特征值；(2)设提取特征值后目标图像中有标签像素点的特征值数据为Z，称Z为目标域有标签样本集，并设Z中的小类样本集为Zs，大类样本集为Zb；设目标图像中无标签像素点的特征值数据为X，称X为目标域无标签样本集；设辅助图像中像素点的特征值数据为R，称R为源域样本集；设迁移小类样本集为Zs′；初始化循环次数T＝10，迁移小类样本集为Zs′＝Zs；(3)利用字典学习方法K‑SVD对大类样本集为Zb和迁移小类样本集Zs′进行训练，得到分类器Ct，t＝1，2，3，...，T；(4)用分类器Ct对源域样本集R进行分类识别得到分类结果为小类样本的样本集Rs，称Rs为源域小类样本集；用分类器Ct对小类样本集Zs进行分类识别，得到分类结果为大类样本的样本集Zc，称Zc为错分样本集；(5)根据错分样本集Zc是否为空集计算迁移样本集Rt；(6)将迁移样本集Rt与小类样本集Zs相结合，组成新的迁移小类样本集Zs′；(7)用分类器Ct对目标域无标签样本集X进行分类识别，得到分类标签ht；用分类器Ct对目标域有标签样本集Z进行分类识别，得到分类错误率et；(8)利用分类错误率et计算本次循环中分类器Ct的权重αt， α t = log 1 - e t e t ( 0 < e t < 0.5 ) 0 ( e t > 0.5 ) , t = 1,2,3 , . . . , T 返回到步骤(3)循环执行T次；(9)计算最终对目标域无标签样本集X的分类标签H， H = arg max Σ t = 1 T ( α t × h t ) ; (10)利用对目标域无标签样本集X的分类标签H和目标域有标签样本集Z的标签，输出目标图像的分割结果。