基于光谱和邻域信息字典学习的高光谱图像分类方法技术

本发明专利技术公开了一种基于光谱和邻域信息字典学习的高光谱图像分类方法，克服了现有技术中只利用高光谱图像的光谱信息、不能有效利用高光谱图像邻域信息进行分类的缺点。本发明专利技术实现的步骤是：(1)输入高光谱图像；(2)获得样本集；(3)确定训练样本集与测试样本集；(4)字典学习；(5)求测试样本集稀疏系数；(6)加权稀疏系数；(7)高光谱图像分类；(8)输出分类图像。本发明专利技术具有在高光谱图像边缘和同质区域的分类效果更精确的优点，可用于高光谱图像的分类。

【技术实现步骤摘要】
基于光谱和邻域信息字典学习的高光谱图像分类方法
本专利技术属于图像处理
，更进一步涉及高光谱图像分类
中的一种基于光谱和邻域信息字典学习的高光谱图像分类方法。本专利技术可用于对高光谱图像进行地物分类。
技术介绍
高光谱图像空域和谱域分辨率的提高，为分类提供了更加丰富信息的同时，也带来了巨大的挑战。传统的分类方法包括最大似然分类法、决策树分类法、人工神经网络分类方法、支撑向量机分类方法都仅仅从光谱域层面对地物特征进行分类。然而，高光谱遥感数据不仅包含丰富的地物光谱信息，而且在图像空间维、光谱维两个不同的维度都会对地物特征有具体的描述和表达。传统的高光谱图像分类方法，往往只着重于数据光谱维上的特性，而忽视了空间维的信息，从而使分类精度受到一定的限制。西安电子科技大学在其专利申请“基于均值漂移和组稀疏编码的高光谱图像空谱域分类方法”（专利申请号：201310161280.X，公开号：CN103208011A）中提出了一种基于均值漂移和组稀疏编码的高光谱图像空谱域分类方法。该方法的具体步骤是：首先，使用均值漂移算法mean-shift对高光谱图像作过分割，根据分割结果对高光谱样本进行分组；其次，利用组稀疏编码对分组后的高光谱样本进行稀疏编码；最后，利用支撑向量机和构造的样本集对高光谱样本进行分类。该方法虽然能够很好的利用高光谱图像的空域上下文信息，但是仍然存在的不足是，mean-shift分割方法易产生过分割问题，在边缘地区的分类效果不是很好。西安电子科技大学在其专利申请“基于局部协同表示和邻域信息约束的高光谱图像分类方法”（专利申请号：201310025247.4，公开号：CN103065160A）中提出了一种基于局部协同表示和邻域信息约束的高光谱图像分类方法。该方法的具体步骤是：首先，利用高光谱图像的邻域相似性来约束测试样本和训练样本之间的线性相关性，求解测试样本通过字典协同表示的系数；然后，结合该系数的能量大小，选择N个贡献程度最大的原子构成新的字典，利用新的字典对测试样本进行第二次协同表示。通过计算测试样本和第二次协同表示重构各部分之间的残差，得到最后的分类结果。该方法虽然能够快速地对高光谱图像进行分类，但是仍然存在的不足是，通过比较欧式距离获取邻域样本集矩阵，不能很好的获取样本的邻域信息，导致在同质区域的分类效果不好。
技术实现思路
本专利技术的目的在于克服上述已有技术的不足，提出了一种基于光谱和邻域信息字典学习的高光谱图像分类方法，本专利技术可以充分利用高光谱图像中地物的光谱信息和邻域信息，在边缘和同质区域都能达到理想的分类效果。为实现上述目的，本专利技术的具体步骤如下：(1)输入高光谱图像。输入待分类的高光谱图像，将输入的高光谱图像中的每一个像素点设定为一个样本。(2)获得样本集。(2a)对高光谱图像所有样本的坐标位置，采用坐标变换方法，得到高光谱图像光谱域的样本集。(2b)设定一个7×7大小的高光谱图像光谱域样本窗口，对高光谱图像光谱域的样本集进行均值滤波，得到高光谱图像邻域的样本集。(3)确定训练样本集与测试样本集。(3a)采用等概率采样的方法，在高光谱图像光谱域的样本集中，依次随机选取10%的样本，作为高光谱图像光谱域的训练样本集，并记录高光谱图像光谱域训练样本集的坐标位置；将剩余90%的样本，作为高光谱图像光谱域的测试样本集。(3b)在高光谱图像的邻域样本集中，选取与高光谱图像光谱域训练样本集的坐标位置对应的样本，作为高光谱图像邻域的训练样本集，将剩余90%的样本作为高光谱图像邻域的测试样本集。(4)字典学习。(4a)对高光谱图像光谱域训练样本集，采用字典学习方法，得到高光谱图像光谱域训练样本集的稀疏编码系数和字典。(4b)对高光谱图像邻域训练样本集，采用字典学习方法，得到高光谱图像邻域训练样本集的稀疏编码系数和字典。(5)求测试样本集稀疏系数。(5a)对高光谱图像光谱域测试样本集，采用稀疏编码系数更新公式，得到高光谱图像光谱域测试样本集的稀疏系数。(5b)对高光谱图像邻域训练样本集，采用稀疏编码系数更新公式，得到高光谱图像邻域训练样本集的稀疏系数。(6)加权稀疏系数：(6a)对高光谱图像光谱域训练样本集与高光谱图像邻域训练样本集的稀疏系数，采用加权公式，计算高光谱图像光谱域训练样本集的稀疏系数。(6a)对高光谱图像光谱域测试样本集与高光谱图像邻域测试样本集的稀疏系数，采用加权公式，计算高光谱图像光谱域测试样本集的稀疏系数。(7)高光谱图像分类：利用线性支撑向量机分类器，对高光谱图像光谱域测试样本集的稀疏系数进行分类，得到分类的高光谱图像。(8)输出分类图像。本专利技术与现有的技术相比具有以下优点：克服了传统高光谱图像分类方法只利用高光谱图像的光谱信息，忽略了高光谱图像的邻域信息的问题。本方法充分利用了高光谱图像提供的光谱和邻域信息，实现了对高光谱图像的精细分类。(1)本专利技术采用结合高光谱图像的光谱信息和邻域信息的分类方法，克服了现有技术只利用高光谱图像的光谱信息，对高光谱图像分类会导致边缘部分错分的缺点，使得本专利技术具有在边缘部分分类更加精确的优点。(2)本专利技术采用均值滤波获取高光谱图像的邻域信息，克服了现有技术中不能有效利用高光谱图像邻域信息的缺点，使得本专利技术具有在同质区域分类效果更好的优点。附图说明图1是本专利技术的流程图；图2是本专利技术与现有技术对印第安松树IndianPines高光谱图像的分类结果对比图。具体实施方式下面结合附图对本专利技术做进一步的描述。参照附图1，本专利技术的实现步骤如下：步骤1,输入高光谱图像。输入待分类的高光谱图像，将输入的高光谱图像中的每一个像素点设定为一个样本。步骤2,获得样本集。首先，采用坐标变换方法，对高光谱图像进行处理，将高光谱图像每一维的样本排成一个行向量，组成一个二维矩阵，得到高光谱图像光谱域的样本集。其次，设定一个7×7大小的高光谱图像光谱域样本窗口，对高光谱图像光谱域的样本集进行均值滤波，得到高光谱图像邻域的样本集。步骤3,确定训练样本集与测试样本集。首先，采用等概率采样的方法，在高光谱图像光谱域的样本集中，依次随机选取10%的样本，作为高光谱图像光谱域的训练样本集，并记录高光谱图像光谱域训练样本集的坐标位置；将剩余90%的样本，作为高光谱图像光谱域的测试样本集。其次，在高光谱图像的邻域样本集中，选取与高光谱图像光谱域训练样本集的坐标位置对应的样本，作为高光谱图像邻域的训练样本集，将剩余90%的样本作为高光谱图像邻域的测试样本集。步骤4,字典学习。首先，采用字典学习方法，得到高光谱图像光谱域训练样本集的稀疏系数和字典，字典学习方法的具体步骤如下：第一步，初始化一个大小为200×256的实数矩阵作为字典。第二步，按照下式，计算高光谱图像光谱域训练样本集的稀疏系数：其中，表示更新得到的高光谱图像光谱域训练样本集的稀疏系数，argmin表示最小值操作，X表示高光谱图像光谱域的训练样本集，D表示字典，Y1表示高光谱图像光谱域训练样本集的稀疏系数，表示求Frobenius范数的平方和操作，γ表示正则化参数，Σ表示求和操作，N表示高光谱图像光谱域训练样本集的总列数，s表示高光谱图像光谱域训练样本集稀疏系数的列数，||·||1表示取1范数操作，Ys表示稀疏系数矩阵Y1本文档来自技高网...

【技术保护点】
一种基于光谱和邻域信息字典学习的高光谱图像分类方法，包括步骤如下：(1)输入高光谱图像：输入待分类的高光谱图像，将输入的高光谱图像中的每一个像素点设定为一个样本；(2)获得样本集：(2a)对高光谱图像所有样本的坐标位置，采用坐标变换方法，得到高光谱图像光谱域的样本集；(2b)设定一个7×7大小的高光谱图像光谱域样本窗口，对高光谱图像光谱域的样本集进行均值滤波，得到高光谱图像邻域的样本集；(3)确定训练样本集与测试样本集：(3a)采用等概率采样的方法，在高光谱图像光谱域的样本集中，依次随机选取10%的样本，作为高光谱图像光谱域的训练样本集，并记录高光谱图像光谱域训练样本集的坐标位置；将剩余90%的样本，作为高光谱图像光谱域的测试样本集；(3b)在高光谱图像的邻域样本集中，选取与高光谱图像光谱域训练样本集的坐标位置对应的样本，作为高光谱图像邻域的训练样本集，将剩余90%的样本作为高光谱图像邻域的测试样本集；(4)字典学习：(4a)对高光谱图像光谱域训练样本集，采用字典学习方法，得到高光谱图像光谱域训练样本集的稀疏编码系数和字典；(4b)对高光谱图像邻域训练样本集，采用字典学习方法，得到高光谱图像邻域训练样本集的稀疏编码系数和字典；(5)求测试样本集稀疏系数：(5a)对高光谱图像光谱域测试样本集，采用稀疏编码系数更新公式，得到高光谱图像光谱域测试样本集的稀疏系数；(5b)对高光谱图像邻域训练样本集，采用稀疏编码系数更新公式，得到高光谱图像邻域训练样本集的稀疏系数;(6)加权稀疏系数：(6a)对高光谱图像光谱域训练样本集与高光谱图像邻域训练样本集的稀疏系数，采用加权公式，计算高光谱图像光谱域训练样本集的稀疏系数；(6a)对高光谱图像光谱域测试样本集与高光谱图像邻域测试样本集的稀疏系数，采用加权公式，计算高光谱图像光谱域测试样本集的稀疏系数；(7)高光谱图像分类：利用线性支撑向量机分类器，对高光谱图像光谱域测试样本集的稀疏系数进行分类，得到分类的高光谱图像；(8)输出分类图像。...

【技术特征摘要】
1.一种基于光谱和邻域信息字典学习的高光谱图像分类方法，包括步骤如下：(1)输入高光谱图像：输入待分类的高光谱图像，将输入的高光谱图像中的每一个像素点设定为一个样本；(2)获得样本集：(2a)对高光谱图像所有样本的坐标位置，采用坐标变换方法，得到高光谱图像光谱域的样本集；(2b)设定一个7×7大小的高光谱图像光谱域样本窗口，对高光谱图像光谱域的样本集进行均值滤波，得到高光谱图像邻域的样本集；(3)确定训练样本集与测试样本集：(3a)采用等概率采样的方法，在高光谱图像光谱域的样本集中，依次随机选取10％的样本，作为高光谱图像光谱域的训练样本集，并记录高光谱图像光谱域训练样本集的坐标位置；将剩余90％的样本，作为高光谱图像光谱域的测试样本集；(3b)在高光谱图像的邻域样本集中，选取与高光谱图像光谱域训练样本集的坐标位置对应的样本，作为高光谱图像邻域的训练样本集，将剩余90％的样本作为高光谱图像邻域的测试样本集；(4)字典学习：(4a)对高光谱图像光谱域训练样本集，采用字典学习方法，得到高光谱图像光谱域训练样本集的稀疏系数和字典；所述的字典学习方法，按如下步骤进行：第一步，初始化一个大小为200×256的实数矩阵作为字典；第二步，按照下式，计算高光谱图像光谱域训练样本集的稀疏系数：其中，表示更新的高光谱图像光谱域训练样本集的稀疏系数，argmin表示最小值操作，X表示高光谱图像光谱域的训练样本集，D表示字典，Y1表示高光谱图像光谱域训练样本集的稀疏系数，表示求Frobenius范数的平方和操作，γ表示正则化参数，∑表示求和操作，N表示高光谱图像光谱域训练样本集的总列数，s表示高光谱图像光谱域训练样本集稀疏系数的列数，||·||1表示取1范数操作，Ys表示稀疏系数Y1的第s列；第三步，按照下式，计算高光谱图像光谱域训练样本集的字典：其中，表示字典更新得到的高光谱图像光谱域训练样本集的字典，argmin表示最小值操作，X表示高光谱图像光谱域的训练样本集，D表示字典，表示更新得到的高光谱图像光谱域训练样本集的稀疏系数，表示求Frobenius范数的平方和操作，s.t.表示约束操作，||·||2表示取2范数操作，i表示高光谱图像光谱域训练样本集字典D的列数，Di表示字典D的第i列原子，表示取任意的i操作，i的取值范围为：{1,…,k}，k表示字典D的总列数；第四步，重复执行第二步和第三步10次，得到高光谱图像光谱域训练样本集的稀疏系数和字典(4b)对高光谱图像邻域训练样本集，采用字典学习方法，得到高光谱图像邻域训练样本集的稀疏系数和字典；所述的字典学习方法，按如下步骤进行：第一步，初始化一个大小为200×256的实数矩阵作为字典；第二步，按照下式，计算高光谱图像邻域训练样本集的稀疏系数：其中，表示更新的高光谱图像邻域训练样本集的稀疏系数，argmin表示最小值操作，C表示高光谱图像邻域的训练样本集，D'表示初始化的字典，Y2表示高光谱图像邻域训练样本集的稀疏系数，表示求Frobenius范数的平方和操作，γ表示正则化参数，∑表示求和操作，M表示高光谱图像邻域训练样本集的总列数，p表示高光谱图像邻域训练样本集稀疏系数...

【专利技术属性】
技术研发人员：白静，焦李成，勾珍珍，李甜甜，王爽，张向荣，马文萍，马晶晶，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61