一种基于空-谱信息的高光谱半监督分类方法技术

本发明专利技术属于遥感信息处理技术领域，具体涉及一种基于空-谱信息的高光谱半监督分类方法。本发明专利技术包括：参数设置；空-谱信息提取；分类过程；半监督分类无标签样本的选取。本发明专利技术将空间信息与光谱信息相结合可以有效地有监督分类方法的性能，随无标签训练样本数的增多本文所提方法性能提升，这是因为当无标签样本增多时，其提供了更多的空间分布信息，使得分类器做出更好的预测。

【技术实现步骤摘要】
一种基于空-谱信息的高光谱半监督分类方法
本专利技术属于遥感信息处理
，具体涉及一种基于空-谱信息的高光谱半监督分类方法。
技术介绍
随着遥感技术的发展，高光谱图像得到了广泛应用。然而在处理高光谱数据时，有监督分类方法受到了限制：1、高光谱数据高维数与有限的训练样本之间的矛盾，引起了hughes现象，严重影响了有监督分类性能；2、高光谱图像覆盖区域大，实地考察困难且周期长，有标签样本的获取需要耗费大量的人力物力。区别于监督分类只利用有标签样本和无监督分类只利用无标签样本，半监督分类是综合利用有标签样本和无标签样本蕴含的信息，来提高分类方法性能的技术。在近十多年里，多种高光谱图像半监督分类方法相继提出，其中，基于支持向量机（SVM）的半监督分类方法最为常见，在这类方法中，将无标签样本蕴含的分布信息，融入到支持向量机中。如Kuo等人提出基于空间信息的半监督支持向量机方法（SC3SVM），是较为典型的空间信息与半监督方法相结合的方法，其利用了有标签样本的空间邻域信息来选择无标签训练样本，重新训练分类器，进而提高性能。虽然该方法有效的缓解了有监督学习中有标签样本不足的问题，但是依然存在明显不足，当有标签样本过少的情况下，该方法性能提高不明显。传统的分类方法一般建立在光谱信息之上，空间信息没有得到有效挖掘和利用。在此背景下，本专利技术提出一种新的基于空-谱信息的半监督分类方法，更加有效的利用了样本的空间信息，且选取的无标签样本更具代表性，性能提高更为明显。
技术实现思路
本专利技术目的在于更加有效的利用样本的空间信息，提出一种基于空-谱信息的高光谱半监督分类方法。本专利技术的目的是这样实现的：（1）参数设置：选取训练集和多分类器策略，以及确定Gabor滤波器和基于概率模型的支持向量机的参数：1.1选取N个类别进行分类，每类选取s个样本，共ln＝s×N个有标签样本组成初始训练集剩余样本为无标签样本其中表示第li个像元的光谱特征，表示的标签，un表示无标签样本的个数。对迭代次数进行初始化k＝0，且每次迭代加入训练集的无标签样本迭代终止条件为加入训练集的无标签样本总数为nu；1.2Gabor滤波器最大频率为fmax，且频率和尺度个数分别为U、V，高斯半径为σ，Gabor函数的相角为φ；1.3利用m次交叉验证获得基于概率模型支持向量机最优的高斯半径和惩罚参数；1.4采用“一对余”多分类器策略将多分类问题转化成多个二分类问题。（2）空-谱信息提取：、，利用主成分分析方法对高光谱图像进行特征提取，得到每个像元的光谱信息xw∈Ra，利用二维Gabor滤波器对第一主成分分量进行空间信息提取，得到每个像元的空间信息xs∈Rb，且将xw和xs进行级联，得到x＝(xw,xs)∈Ra+b：2.1光谱信息提取：利用主成分分析方法对高光谱图像进行特征提取，得到每个像元的光谱信息xw∈Ra；2.2空间信息提取：利用二维Gabor滤波器对第一主成分分量I进行空间信息提取，为二维Gabor滤波器的核函数，其中，x和y表示I中某点坐标，f和θ分别为Gabor函数的频率和方向角，φ表示Gabor函数的相角，σ表示高斯半径，γ表示高斯的方向角，为提取I的空间信息，需利用多个不同频率不同方向角的Gabor滤波函数与I(xn,yn)进行卷积，令：u＝0,...,U-1,v＝0,...,V-1卷积运算后，得到每个像元的空间信息xs，且对其进行特征提取有：xs∈Rb；2.3空-谱信息融合：将xw和xs进行级联，得到x＝(xw,xs)∈Ra+b；（3）分类过程：利用训练样本集对N个基于概率模型的支持向量机进行训练，且对测试样本集进行分类，得到一个后验概率矩阵PN×n_test，，求取PN×n_test每一列的最大值得到n_test维向量P1×n_test，且最大值对应的行数为该测试样本预测标签i＝1，...，n_test;（4）半监督分类无标签样本的选取：选取信息最大的无标签样本加入训练集，且重新训练分类器：4.1空间邻域信息提取：对求一阶空间邻域样本，去除冗余信息，将空间邻域样本的预测标签同其对应的训练样本标签进行对比，若相等则保留该空间邻域样本得到4.2主动学习：采用RS、BT以及MBT三种不同的主动学习策略，对进一步简化，从中选取信息量最大的n个样本组成集合更新训练集返回步骤2，直至满足终止条件，训练集中无标签样本总数为nu。本专利技术的有益效果在于：本专利技术将空间信息与光谱信息相结合可以有效地有监督分类方法的性能，随无标签训练样本数的增多本文所提方法性能提升，这是因为当无标签样本增多时，其提供了更多的空间分布信息，使得分类器做出更好的预测。附图说明图1有标签样本空间邻域信息的提取策略；图2a）基于光谱信息分类图；图2b）基于空-谱信息分类；图3a）无标签样本数对总体分类精度OA的影响图；图3b）无标签样本数对Kappa系数的影响图；图4a）有监督方法分类结果；图4b）SC3SVM分类结果；图4c）所提新方法分类结果。具体实施方式下面结合附图举例对本专利技术做更详细地描述。本专利技术包括参数设置、空-谱信息提取、分类过程、半监督分类无标签样本的选取四个步骤。具体分析步骤如下：步骤S1：参数设置。选取训练集和多分类器策略，以及确定Gabor滤波器和基于概率模型的支持向量机的参数。步骤S2：空-谱信息提取。利用主成分分析方法（PCA）对高光谱图像进行特征提取，得到每个像元的光谱信息xw∈Ra。利用二维Gabor滤波器对第一主成分分量进行空间信息提取，得到每个像元的空间信息xs∈Rb，且将xw和xs进行级联，得到x＝(xw,xs)∈Ra+b；步骤S3：分类过程。利用训练样本集对基于概率模型的分类器进行训练，且得到每个测试样本的预测标签n_test表示测试样本的个数；步骤S4：半监督分类无标签样本的选取。利用空间邻域信息提取策略与主动学习相结合选取信息量最大的无标签样本加入训练集，且重新训练分类器。本专利技术为一种有效利用样本空间信息的半监督分类方法，包括参数设置、空-谱信息提取、分类过程、半监督分类无标签样本的选取四个步骤。参数设置是提出新方法初始化的过程；空-谱信息提取将每个像元的光谱信息和空间信息相结合；分类过程利用训练样本训练分类器，且获得测试样本预测标签；半监督分类无标签样本的选取是利用空间邻域信息提取策略与主动学习相结合选取出信息量最大样本作为无标签训练样本，加入训练集。下面给出详细过程：当前任务是提取样本的空-谱信息；且第k次迭代利用有标签训练样本集的空间邻域信息结合主动学习方法选取具有空间分布信息的无标签样本将其加入训练样本集重新训练分类器，从而提高所提方法的分类精度。具体分析步骤如下：步骤S1：参数设置。选取训练集和多分类器策略，以及确定Gabor滤波器和基于概率模型的支持向量机的参数。该步骤进一步包括以下步骤：步骤S1.1：选取N个类别进行分类，每类选取s个样本，共ln＝s×N个有标签样本组成初始训练集剩余样本为无标签样本其中表示第li个像元的光谱特征，表示的标签，un表示无标签样本的个数。对迭代次数进行初始化k＝0，且每次迭代加入训练集的无标签样本迭代终止条件为加入训练集的无标签样本总数为nu；步骤S1.2：Gabor滤波器最大频率为fmax，且频率和尺度个本文档来自技高网...

【技术保护点】
一种基于空‑谱信息的高光谱半监督分类方法，其特征在于：（1）参数设置：选取训练集和多分类器策略，以及确定Gabor滤波器和基于概率模型的支持向量机的参数：1.1选取N个类别进行分类，每类选取s个样本，共ln＝s×N个有标签样本组成初始训练集Dl0={(xl1,yl1),...,(xln,yln)},]]>剩余样本为无标签样本Du={xu1,xu2,...,xun},]]>其中表示第li个像元的光谱特征，表示的标签，un表示无标签样本的个数，对迭代次数进行初始化k＝0，且每次迭代加入训练集的无标签样本迭代终止条件为加入训练集的无标签样本总数为nu；1.2Gabor滤波器最大频率为fmax，且频率和尺度个数分别为U、V，高斯半径为σ，Gabor函数的相角为φ；1.3利用m次交叉验证获得基于概率模型支持向量机最优的高斯半径和惩罚参数；1.4采用“一对余”多分类器策略将多分类问题转化成多个二分类问题；（2）空‑谱信息提取：利用主成分分析方法对高光谱图像进行特征提取，得到每个像元的光谱信息xw∈Ra，利用二维Gabor滤波器对第一主成分分量进行空间信息提取，得到每个像元的空间信息xs∈Rb，且将xw和xs进行级联，得到x＝(xw,xs)∈Ra+b：2.1光谱信息提取：利用主成分分析方法对高光谱图像进行特征提取，得到每个像元的光谱信息xw∈Ra；2.2空间信息提取：利用二维Gabor滤波器对第一主成分分量I进行空间信息提取，为二维Gabor滤波器的核函数，其中，x和y表示I中某点坐标，f和θ分别为Gabor函数的频率和方向角，φ表示Gabor函数的相角，σ表示高斯半径，γ表示高斯的方向角，为提取I的空间信息，需利用多个不同频率不同方向角的Gabor滤波函数与I(xn,yn)进行卷积，令：fu=fmax/2u,θv=v6π,]]>u＝0,...,U‑1,v＝0,...,V‑1卷积运算后，得到每个像元的空间信息xs，且对其进行特征提取有：xs∈Rb；2.3空‑谱信息融合：将xw和xs进行级联，得到x＝(xw,xs)∈Ra+b；（3）分类过程：利用训练样本集对N个基于概率模型的支持向量机进行训练，且对测试样本集进行分类，得到一个后验概率矩阵PN×n_test，，求取PN×n_test每一列的最大值得到n_test维向量P1×n_test，且最大值对应的行数为该测试样本预测标签i＝1，...，n_test;（4）半监督分类无标签样本的选取：选取信息最大的无标签样本加入训练集，且重新训练分类器：4.1空间邻域信息提取：对求一阶空间邻域样本，去除冗余信息，将空间邻域样本的预测标签同其对应的训练样本标签进行对比，若相等则保留该空间邻域样本得到4.2主动学习：采用RS、BT以及MBT三种不同的主动学习策略，对进一步简化，从中选取信息量最大的n个样本组成集合更新训练集返回步骤2，直至满足终止条件，训练集中无标签样本总数为nu。...

【技术特征摘要】
1.一种基于空-谱信息的高光谱半监督分类方法，其特征在于：（1）参数设置：选取训练集和多分类器策略，以及确定Gabor滤波器和基于概率模型的支持向量机的参数：1.1选取N个类别进行分类，每类选取s个样本，共ln＝s×N个有标签样本组成初始训练集剩余样本为无标签样本其中表示第li个像元的光谱特征，表示的标签，un表示无标签样本的个数，对迭代次数进行初始化k＝0，且每次迭代加入训练集的无标签样本迭代终止条件为加入训练集的无标签样本总数为nu；1.2Gabor滤波器最大频率为fmax，且频率和尺度个数分别为U、V，高斯半径为σ，Gabor函数的相角为φ；1.3利用m次交叉验证获得基于概率模型支持向量机最优的高斯半径和惩罚参数；1.4采用“一对余”多分类器策略将多分类问题转化成多个二分类问题；（2）空-谱信息提取：利用主成分分析方法对高光谱图像进行特征提取，得到每个像元的光谱信息xw∈Ra，利用二维Gabor滤波器对第一主成分分量进行空间信息提取，得到每个像元的空间信息xs∈Rb，且将xw和xs进行级联，得到x＝(xw,xs)∈Ra+b：2.1光谱信息提取：利用主成分分析方法对高光谱图像进行特征提取，得到每个像元的光谱信息xw∈Ra；2.2空间信息提取：利用二维Gabor滤波器对第一主成分分量I进行...

【专利技术属性】
技术研发人员：王立国，郝思媛，窦峥，赵春晖，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙江;23