一種基于正則化集合度量學習的遙感圖像分類方法及系統技術方案

本發明專利技術涉及一種基于正則化集合度量學習的遙感圖像分類方法及系統，包括輸入待分類的高光譜遙感圖像，劃分訓練樣本和測試樣本；基于訓練樣本，學習得降維矩陣，并對所述高光譜遙感圖像進行維數約簡，得低維高光譜遙感圖像；分別建立每個訓練樣本和每個測試樣本在所述低維高光譜遙感圖像上的訓練像素集合和測試像素集合；基于所述訓練像素集合，學習得正則化集合度量矩陣；基于所述正則化集合度量矩陣，計算每個測試像素集合與各訓練像素集合之間的集合距離，基于集合距離對每個測試像素集合對應的測試樣本進行分類；本發明專利技術實現了直接度量像素集合之間的相似性，有效利用高光譜遙感圖像數據的多重空譜特征，得到準確可靠的度量關系和分類結果。

【技術實現步驟摘要】
一種基于正則化集合度量學習的遙感圖像分類方法及系統
本專利技術涉及遙感圖像處理
，特別涉及一種基于正則化集合度量學習的遙感圖像分類方法及系統。
技術介紹
高光譜遙感圖像分類廣泛應用于農作物分析、礦物辨識、湖泊濕地分類和土地利用/覆蓋分類等領域。傳統的基于光譜分類方法，未考慮空間鄰域像素的相關性，應用于高光譜遙感圖像分類時，效果欠佳。基于光譜—空間域聯合分類方法，是提升高光譜遙感圖像分類性能的有效途徑。目前，常用的光譜—空間域聯合分類方法，主要有以下三類：第一類，在光譜分類之前利用空間域信息進行特征提取，代表性方法為形態學輪廓方法；第二類，同時利用空間域信息和光譜信息進行聯合分類，代表性方法為組合核分類方法；第三類，在光譜分類之后利用空域信息進行后處理，代表性方法為基于圖像分割的方法。以上分類方法，其本質都是尋求一種合理有效的相似性度量，實現準確的目標分類。光譜分類方法是基于光譜相似性度量進行分類；光譜—空間域聯合分類方法是同時考慮光譜相似性和空間域相似性，其試圖描述鄰域像素所構成的局部像素集合之間的某種相似性；但，由于直接度量像素集合之間的相似性較困難，通常基于像素點或特征向量進行分類，即用像素點替代像素集合，其不能充分地描述高光譜遙感圖像局部同源區域之間的結構相似性。
技術實現思路
本專利技術目的是提供一種基于正則化集合度量學習的遙感圖像分類方法，解決現有技術中存在的上述問題。本專利技術解決上述技術問題的技術方案如下：一種基于正則化集合度量學習的遙感圖像分類方法，包括如下步驟：步驟1，輸入待分類的高光譜遙感圖像，劃分訓練樣本和測試樣本；步驟2，基于訓練樣本，學習得降維矩陣，并對所述高光譜遙感圖像進行維數約簡，得低維高光譜遙感圖像；步驟3，分別建立每個訓練樣本和每個測試樣本在所述低維高光譜遙感圖像上的訓練像素集合和測試像素集合；步驟4，基于所述訓練像素集合，學習得正則化集合度量矩陣；步驟5，基于所述正則化集合度量矩陣，計算每個測試像素集合與各訓練像素集合之間的集合距離，基于集合距離對每個測試像素集合對應的測試樣本進行分類。本專利技術的有益效果是：對待分類的高光譜遙感圖像進行維數約簡，在降維的低維高光譜遙感圖像上，構建空間域局部訓練像素集合和測試像素集合，基于訓練像素集合，學習得到描述集合到集合距離的正則化集合度量矩陣，并計算測試像素集合與各訓練像素集合之間的集合距離，實現對測試樣本的分類；面向高光譜遙感圖像光譜和空間域特征，構建具有更好目標特征承載能力的局部同源像素集合，開展像素集合到像素集合的正則化集合度量學習與分類，直接度量像素集合之間的相似性，有效利用高光譜遙感圖像數據的多重空譜特征，即光譜、空間形狀和紋理特征等，得到準確可靠的度量關系和分類結果。在上述技術方案的基礎上，本專利技術還可以做如下改進。進一步，所述步驟2包括如下步驟：步驟21，根據預設像素鄰域窗口，按如下第一公式計算每個訓練樣本的局部像素距離散度矩陣，按如下第二公式計算全部訓練樣本的局部像素鄰域保持矩陣。所述第一公式如下：所述第二公式如下：其中，所述xi為訓練樣本i對應的列向量，i∈{1,2,3……n}，n為訓練樣本的總數；xik為訓練樣本i的鄰域像素ik對應的列向量，k∈{1,2,3……s}，s為訓練樣本i的鄰域像素的總數；所述ωk為訓練樣本i與其鄰域像素ik之間的光譜和空間域距離關系權重。步驟22，按如下第三公式計算全部訓練樣本的總散度矩陣。所述第三公式如下：其中，所述m＝(x1+x2+…+xn)/n。步驟23，按如下第四公式學習得降維矩陣。所述第四公式如下：V＝[v1v2…vd]其中，所述d為所述低維高光譜遙感圖像的維數，所述v1v2…vd分別為Sv＝λHv的前d個最大廣義特征值λ所對應的特征向量v。步驟24，將所述高光譜遙感圖像與所述降維矩陣相乘，得所述低維高光譜遙感圖像。進一步，所述步驟3的具體實現為在所述低維高光譜遙感圖像上，根據所述預設像素鄰域窗口，確定每個訓練樣本的鄰域像素和每個測試樣本的鄰域像素；每個訓練樣本和其對應的鄰域像素組成訓練像素集合；每個測試樣本和其對應的鄰域像素組成測試像素集合。進一步，所述步驟4包括如下步驟：步驟41，初始化正則化集合度量矩陣為單位矩陣。步驟42，基于初始化的正則化集合度量矩陣，按如下第五公式，計算各訓練像素集合之間的正則化集合距離；對每個訓練像素集合，獲得與其具有最小正則化集合距離的同類的訓練像素集合，構造屬于同類的正樣本對；獲得與其具有最小正則化集合距離的異類的訓練像素集合，構造屬于異類的負樣本對。所述第五公式如下：dI(X1,X2)＝(X1a-X2b)TI(X1a-X2b)其中，所述X1，X2為任意兩個訓練像素集合的矩陣，dI(X1,X2)為所述任意兩個訓練像素集合之間的正則化集合距離，I為所述初始化的正則化集合度量矩陣，a為矩陣為X1的訓練像素集合中各像素所對應的凸包系數組成的向量，b為矩陣為X2的訓練像素集合中各像素所對應的凸包系數組成的向量。步驟43，根據構造的正樣本對和負樣本對，按如下優化模型計算更新的正則化集合度量矩陣。所述優化模型如下：其中，所述M為更新的正則化集合度量矩陣，Xi為任意一個訓練像素集合的矩陣，Xk為所述任意一個訓練像素集合的正樣本對中的另一訓練像素集合的矩陣，Xj為所述任意一個訓練像素集合的負樣本對中的另一訓練像素集合的矩陣，為所述任意一個訓練像素集合的正樣本對的松弛變量，為所述任意一個訓練像素集合的負樣本對的松弛變量，dM(Xi,Xk)為所述任意一個訓練像素集合與其正樣本對中另一訓練像素集合之間的集合距離，dM(Xi,Xj)為所述任意一個訓練像素集合與其負樣本對中另一訓練像素集合之間的集合距離，α為懲罰參數；所述ρ為偏移量，可由所述優化模型求解出。進一步，所述步驟5的具體實現為基于更新的正則化集合度量矩陣，按如下第六公式，計算每個測試像素集合與各訓練像素集合之間的集合距離，獲得與所述測試像素集合具有最小集合距離的匹配的訓練像素集合，并將所述測試像素集合對應的測試樣本分類到所述匹配的訓練像素集合對應的訓練樣本的類別中。所述第六公式如下：dM(Y,Xi)＝(Yc-Xibi)TM(Yc-Xibi)其中，所述Y為所述測試像素集合的矩陣，Xi為任意一個訓練像素集合的矩陣，dM(Y,Xi)為所述測試像素集合與所述任意一個訓練像素集合之間的集合距離，M為所述更新的正則化集合度量矩陣，c為所述測試像素集合中各像素所對應的凸包系數組成的向量，bi為所述任意一個訓練像素集合中各像素所對應的凸包系數組成的向量。本專利技術的另一技術方案如下:一種基于正則化集合度量學習的遙感圖像分類系統，包括樣本劃分模塊、低維高光譜遙感圖像生成模塊、像素集合生成模塊、正則化集合度量矩陣求解模塊和測試樣本分類模塊。所述樣本劃分模塊，其用于輸入待分類的高光譜遙感圖像，劃分訓練樣本和測試樣本。所述低維高光譜遙感圖像生成模塊，其用于基于訓練樣本，學習得降維矩陣，并對所述高光譜遙感圖像進行維數約簡，得低維高光譜遙感圖像。所述像素集合生成模塊，其用于分別建立每個訓練樣本和每個測試樣本在所述低維高光譜遙感圖像上的訓練像素集合和測試像素集合。所述正則化集合度量矩陣求解模塊，其用于基于所述訓練像素集合，學習得正則化集本文檔來自技高網...

【技術保護點】
一種基于正則化集合度量學習的遙感圖像分類方法，其特征在于，包括如下步驟：步驟1，輸入待分類的高光譜遙感圖像，劃分訓練樣本和測試樣本；步驟2，基于訓練樣本，學習得降維矩陣，并對所述高光譜遙感圖像進行維數約簡，得低維高光譜遙感圖像；步驟3，分別建立每個訓練樣本和每個測試樣本在所述低維高光譜遙感圖像上的訓練像素集合和測試像素集合；步驟4，基于所述訓練像素集合，學習得正則化集合度量矩陣；步驟5，基于所述正則化集合度量矩陣，計算每個測試像素集合與各訓練像素集合之間的集合距離，基于集合距離對每個測試像素集合對應的測試樣本進行分類。

【技術特征摘要】
1.一種基于正則化集合度量學習的遙感圖像分類方法，其特征在于，包括如下步驟：步驟1，輸入待分類的高光譜遙感圖像，劃分訓練樣本和測試樣本；步驟2，基于訓練樣本，學習得降維矩陣，并對所述高光譜遙感圖像進行維數約簡，得低維高光譜遙感圖像；步驟3，分別建立每個訓練樣本和每個測試樣本在所述低維高光譜遙感圖像上的訓練像素集合和測試像素集合；步驟4，基于所述訓練像素集合，學習得正則化集合度量矩陣；所述步驟4包括如下步驟：步驟41，初始化正則化集合度量矩陣為單位矩陣；步驟42，基于初始化的正則化集合度量矩陣，按如下第五公式，計算各訓練像素集合之間的正則化集合距離；對每個訓練像素集合，獲得與其具有最小正則化集合距離的同類的訓練像素集合，構造屬于同類的正樣本對；獲得與其具有最小正則化集合距離的異類的訓練像素集合，構造屬于異類的負樣本對；所述第五公式如下：dI(X1,X2)＝(X1a-X2b)TI(X1a-X2b)其中，所述X1，X2為任意兩個訓練像素集合的矩陣，dI(X1,X2)為所述任意兩個訓練像素集合之間的正則化集合距離，I為所述初始化的正則化集合度量矩陣，a為矩陣為X1的訓練像素集合中各像素所對應的凸包系數組成的向量，b為矩陣為X2的訓練像素集合中各像素所對應的凸包系數組成的向量；步驟43，根據構造的正樣本對和負樣本對，按如下優化模型計算更新的正則化集合度量矩陣；所述優化模型如下：其中，所述M為更新的正則化集合度量矩陣，Xi為任意一個訓練像素集合的矩陣，Xk為所述任意一個訓練像素集合的正樣本對中的另一訓練像素集合的矩陣，Xj為所述任意一個訓練像素集合的負樣本對中的另一訓練像素集合的矩陣，為所述任意一個訓練像素集合的正樣本對的松弛變量，為所述任意一個訓練像素集合的負樣本對的松弛變量，dM(Xi,Xk)為所述任意一個訓練像素集合與其正樣本對中另一訓練像素集合之間的集合距離，dM(Xi,Xj)為所述任意一個訓練像素集合與其負樣本對中另一訓練像素集合之間的集合距離，α為懲罰參數；所述ρ為偏移量，由所述優化模型求解出；步驟5，基于所述正則化集合度量矩陣，計算每個測試像素集合與各訓練像素集合之間的集合距離，基于集合距離對每個測試像素集合對應的測試樣本進行分類。2.根據權利要求1所述一種基于正則化集合度量學習的遙感圖像分類方法，其特征在于，所述步驟2包括如下步驟：步驟21，根據預設像素鄰域窗口，按如下第一公式計算每個訓練樣本的局部像素距離散度矩陣，按如下第二公式計算全部訓練樣本的局部像素鄰域保持矩陣；所述第一公式如下：所述第二公式如下：其中，所述xi為訓練樣本i對應的列向量，i∈{1,2,3……n}，n為訓練樣本的總數；xik為訓練樣本i的鄰域像素ik對應的列向量，k∈{1,2,3……s}，s為訓練樣本i的鄰域像素的總數；所述ωk為訓練樣本i與其鄰域像素ik之間的光譜和空間域距離關系權重；步驟22，按如下第三公式計算全部訓練樣本的總散度矩陣；所述第三公式如下：其中，所述m＝(x1+x2+…+xn)/n；步驟23，按如下第四公式學習得降維矩陣；所述第四公式如下：V＝[v1v2…vd]其中，所述d為所述低維高光譜遙感圖像的維數，所述v1v2…vd分別為Sv＝λHv的前d個最大廣義特征值λ所對應的特征向量v；步驟24，將所述高光譜遙感圖像與所述降維矩陣相乘，得所述低維高光譜遙感圖像。3.根據權利要求2所述一種基于正則化集合度量學習的遙感圖像分類方法，其特征在于，所述步驟3的具體實現為在所述低維高光譜遙感圖像上，根據所述預設像素鄰域窗口，確定每個訓練樣本的鄰域像素和每個測試樣本的鄰域像素；每個訓練樣本和其對應的鄰域像素組成訓練像素集合；每個測試樣本和其對應的鄰域像素組成測試像素集合。4.根據權利要求1所述一種基于正則化集合度量學習的遙感圖像分類方法，其特征在于，所述步驟5的具體實現為基于更新的正則化集合度量矩陣，按如下第六公式，計算每個測試像素集合與各訓練像素集合之間的集合距離，獲得與所述測試像素集合具有最小集合距離的匹配的訓練像素集合，并將所述測試像素集合對應的測試樣本分類到所述匹配的訓練像素集合對應的訓練樣本的類別中；所述第六公式如下：dM(Y,Xi)＝(Yc-Xibi)TM(Yc-Xibi)其中，所述Y為所述測試像素集合的矩陣，Xi為任意一個訓練像素集合的矩陣，dM(Y,Xi)為所述測試像素集合與所述任意一個訓練像素集合之間的集合距離，M為所述更新的正則化集合度量矩陣，c為所述測試像素集合中各像素所對應的凸包系數組成的向量，bi為所述任意一個訓練像素集合中各像素所對應的凸包系數組成的向量。5.一種基于正則化集合度量學習的遙感圖像分類系統，其特征在于，包括樣本劃分模塊、低維高光譜遙感圖像生成模塊、像素集合生成模塊、正則化集合度量矩陣求解模塊和測試樣本分類模塊；所述樣本劃分模塊，其用于輸入待分類的高光譜遙感圖像，劃分訓練樣本和測試樣本；所述低維高光譜遙感圖像生成模塊，其用于基于訓練樣...

【專利技術屬性】
技術研發人員：彭江濤，李落清，王聯豪，
申請(專利權)人：湖北大學，
類型：發明
國別省市：湖北;42