一种基于稀疏异构分组的高光谱遥感影像的分类器构建方法技术

一种基于稀疏异构分组的高光谱遥感影像的分类器构建方法，本发明专利技术涉及基于稀疏异构分组的高光谱遥感影像的分类器构建方法。本发明专利技术为了解决技术需要大量的训练样本及分类精度降低的问题。本发明专利技术步骤为：一、输入一个待分类的高光谱遥感影像；二、构造样本集L；三、获得稀疏描述矢量集合V；四、获得异构组列表GL；五、获得待训练波段列表TBList；六、根据TBList和有分类标签的训练样本集合LS构造训练样本子集，通过支持向量机算法学习获得高光谱遥感影像的分类器。本发明专利技术利用较少样本选取到一组有足够差异性的高光谱遥感影像波段，构造分类器，获得较好的高光谱遥感影像分类质量。本发明专利技术应用于遥感影像分析与处理技术领域。

【技术实现步骤摘要】

本专利技术涉及基于稀疏异构分组的高光谱遥感影像的分类器构建方法。
技术介绍
高光谱遥感影像是通过高光谱传感器，在电磁波谱的紫外、可见光、近红外和中红外区域，以数十至数百个连续且细分的光谱波段对目标区域同时成像产生的。利用高光谱影像可以在更深层次上反应地物的特征，对于识别较难区分的地物具有很重要的作用，目前已经广泛的应用于地表分类、农业监测、环境管理等领域。要利用高光谱遥感影像需要对每个像元进行分类，获得每个像元对应的土地利用类型。构建分类器可以对高光谱影像进行自动分类可对影像中的每一个像元赋予对应的类目，因此构建分类器对于高光谱影像应用十分重要。由于高光谱遥感影像包含数百个波段，数据维度较高，直接构造分类模型会引起过渡拟合现象，所以目前采用的技术主要是先利用主成分分析、基于决策能力的属性选取、基于遗传算法的染色体选取等技术进行高光谱波段的选取，然后根据选取到的波段利用神经网、支持向量机、决策树等算法构造分类器，进而利用该分类器进行自动化分类。此类方法具有以下两个局限性，一是，此类方法需要大量的训练样本，而某些地区可获得的训练样本数量非常少，难以保证选取到有价值波段；二是，较难保证选取到的波段具有足够的差异性来全面的反应待分类的目标，使得获得的分类模型与分类目标之间存在较大偏差。两种局限性均会导致分类精度降低，使得高光谱遥感影像分类质量下降。
技术实现思路
本专利技术是为了解决现有技术需要大量的训练样本及分类精度降低的问题，而提出的一种基于稀疏异构分组的高光谱遥感影像的分类器构建方法。一种基于稀疏异构分组的高光谱遥感影像的分类器构建方法按以下步骤实现：步骤一：输入一个待分类的高光谱遥感影像；步骤二：输入高光谱遥感影像分类的类目个数M，输入有分类标签的训练样本集合LC，在一个高光谱遥感影像中随机选取获得无分类标签的训练样本集合LUC，整合有分类标签的训练样本集合和无分类标签的训练样本集合构造样本集L；步骤三：高光谱遥感影像包含波段集合Band，对每一个波段构造稀疏描述矢量，构成稀疏描述矢量集合V：V＝(V1,V2,…,Vi,…,VBN)V1为Band1的描述矢量，V2为Band2的描述矢量，Vi为Bandi的描述矢量，VBN为BandBN的描述矢量；Band＝(Band1,Band2,…,Bandi,…,BandBN)Band1为第1个波段，Band2为第2个波段，Bandi为第i个波段，BandBN为第BN个波段；步骤四：根据稀疏描述矢量集合V，将高光谱遥感影像的所有波段分为M个异构组，构成异构组列表GL；步骤五：在异构组列表GL中，每个组取出组内的第一个和最后一个波段，构成待训练波段列表TBList；步骤六：根据TBList和有分类标签的训练样本集合LS构造训练样本子集，通过支持向量机算法学习获得高光谱遥感影像的分类器。专利技术效果：本专利技术提供一种基于稀疏异构分组的高光谱遥感影像的分类器构建方法，利用本方法可以利用较少样本选取到一组有足够的差异性的高光谱遥感影像的波段，并利用这些波段构建一个分类模型。通过该方法可以实现较高精度的高光谱遥感影像分类。可以广泛的应用于地表分类、农业监测、环境管理等领域，尤其是对于训练样本获取困难、地物类型混杂难于确定样本的地区具有较好的应用价值。附图说明图1为本专利技术流程图；图2为构造样本集L的流程图；图3为获得稀疏描述矢量集合V的流程图；图4为获得异构组列表GL的流程图；图5为获得待训练波段列表TBList的流程图；图6为获得高光谱遥感影像的分类器的流程图。具体实施方式具体实施方式一：如图1所示，一种基于稀疏异构分组的高光谱遥感影像的分类器构建方法包括以下步骤：步骤一：输入一个待分类的高光谱遥感影像；步骤二：如图2所示，输入高光谱遥感影像分类的类目个数M，输入有分类标签的训练样本集合LC，在一个高光谱遥感影像中随机选取获得无分类标签的训练样本集合LUC，整合有分类标签的训练样本集合和无分类标签的训练样本集合构造样本集L；步骤三：高光谱遥感影像包含波段集合Band，对每一个波段构造稀疏描述矢量，构成稀疏描述矢量集合V：V＝(V1,V2,…,Vi,…,VBN)V1为Band1的描述矢量，V2为Band2的描述矢量，Vi为Bandi的描述矢量，VBN为BandBN的描述矢量；Band＝(Band1,Band2,…,Bandi,…,BandBN)Band1为第1个波段，Band2为第2个波段，Bandi为第i个波段，BandBN为第BN个波段；步骤四：根据稀疏描述矢量集合V，将高光谱遥感影像的所有波段分为M个异构组，构成异构组列表GL；步骤五：在异构组列表GL中，每个组取出组内的第一个和最后一个波段，构成待训练波段列表TBList；步骤六：根据TBList和有分类标签的训练样本集合LS构造训练样本子集，通过支持向量机算法学习获得高光谱遥感影像的分类器。具体实施方式二：本实施方式与具体实施方式一不同的是：所述步骤一中的高光谱遥感影像的宽度为Width，高度为Height，包含BN个波段，所有波段的构成波段的集合Band。其它步骤及参数与具体实施方式一相同。具体实施方式三：本实施方式与具体实施方式一或二不同的是：所述步骤二中LC为一个包含N个样本的集合；LC＝(LC1,LC2,…LCI,…LCN)在LC中LC1是第1个样本，LC2是第2个样本，LCI是第I个样本，1≤I≤N，LCN是第N个样本；对于每个样本LCI＝(X,Y,C)，其中，X为该样本在高光谱遥感影像中的X坐标，Y为该样本在高光谱遥感影像中的Y坐标；C为类目编号，取值范围为1到M。其它步骤及参数与具体实施方式一或二相同。具体实施方式四：本实施方式与具体实施方式一至三之一不同的是：所述步骤二中LUC包含U个样本；LUC＝(LUC1,LUC2,…LUCJ,…LUCU)在LUC中LUC1是第1个样本，LUC2是第2个样本，LUCJ是第J个类目，1≤J≤N,LUCU是第U个类目；LUCJ＝(UX,UY,UC)；其中，UX＝Random(1～Width)为1到Width之间的随机整数，为该样本在高光谱遥感影像中的X坐标；UY＝Random(1～Height)为1到Height之间的随机整数，为该样本在高光谱遥感影像中的Y坐标；UC＝-1表示对应的样本所属类别未知。其它步骤及参数与具体实施方式一至三之一相同。具体实施方式五：本实施方式与具体实施方式一至四之一不同的是：所述步骤二中构造样本集L具体为：L＝LC∪LUC样本集L为分类标签的训练样本集合LC与无分类标签的训练样本集和LUC的并集，L表示为：L＝(L1,L2,…,LU+N)在L中共包含U+N个样本，L1为第1个样本，L2为第2个样本，LU+N为第U+N个样本；其中任意一个元素Lk＝(SX，SY，SC)，SX为其横坐标，SY为其纵坐标，SC为其对应类目；若该样本来自LC，则SX＝X，SY＝Y，SC＝C；若该样本来自于LUC，则SX＝UX，SY＝UY，SC＝UC。其它步骤及参数与具体实施方式一至四之一相同。具体实施方式六：本实施方式与具体实施方式一至五之一不同的是：如图3所示，所述步骤三中Bandi的描述矢量Vi的构造过程为：步骤三一：初始化Bandi的描述矢量Vi；Vi＝zero本文档来自技高网...

【技术保护点】
一种基于稀疏异构分组的高光谱遥感影像的分类器构建方法，其特征在于，所述分类器构建方法包括以下步骤：步骤一：输入一个待分类的高光谱遥感影像；步骤二：输入高光谱遥感影像分类的类目个数M，输入有分类标签的训练样本集合LC，在一个高光谱遥感影像中随机选取获得无分类标签的训练样本集合LUC，整合有分类标签的训练样本集合和无分类标签的训练样本集合构造样本集L；步骤三：高光谱遥感影像包含波段集合Band，对每一个波段构造稀疏描述矢量，构成稀疏描述矢量集合V：V＝(V1,V2,…,Vi,…,VBN)V1为Band1的描述矢量，V2为Band2的描述矢量，Vi为Bandi的描述矢量，VBN为BandBN的描述矢量；Band＝(Band1,Band2,…,Bandi,…,BandBN)Band1为第1个波段，Band2为第2个波段，Bandi为第i个波段，BandBN为第BN个波段；步骤四：根据稀疏描述矢量集合V，将高光谱遥感影像的所有波段分为M个异构组，构成异构组列表GL；步骤五：在异构组列表GL中，每个组取出组内的第一个和最后一个波段，构成待训练波段列表TBList；步骤六：根据TBList和有分类标签的训练样本集合LS构造训练样本子集，通过支持向量机算法学习获得高光谱遥感影像的分类器。...

【技术特征摘要】
1.一种基于稀疏异构分组的高光谱遥感影像的分类器构建方法，其特征在于，所述分类器构建方法包括以下步骤：步骤一：输入一个待分类的高光谱遥感影像；步骤二：输入高光谱遥感影像分类的类目个数M，输入有分类标签的训练样本集合LC，在一个高光谱遥感影像中随机选取获得无分类标签的训练样本集合LUC，整合有分类标签的训练样本集合和无分类标签的训练样本集合构造样本集L；步骤三：高光谱遥感影像包含波段集合Band，对每一个波段构造稀疏描述矢量，构成稀疏描述矢量集合V：V＝(V1,V2,…,Vi,…,VBN)V1为Band1的描述矢量，V2为Band2的描述矢量，Vi为Bandi的描述矢量，VBN为BandBN的描述矢量；Band＝(Band1,Band2,…,Bandi,…,BandBN)Band1为第1个波段，Band2为第2个波段，Bandi为第i个波段，BandBN为第BN个波段；步骤四：根据稀疏描述矢量集合V，将高光谱遥感影像的所有波段分为M个异构组，构成异构组列表GL；步骤五：在异构组列表GL中，每个组取出组内的第一个和最后一个波段，构成待训练波段列表TBList；步骤六：根据TBList和有分类标签的训练样本集合LS构造训练样本子集，通过支持向量机算法学习获得高光谱遥感影像的分类器。2.根据权利要求1所述的一种基于稀疏异构分组的高光谱遥感影像的分类器构建方法，其特征在于，所述步骤一中的高光谱遥感影像的宽度为Width，高度为Height，包含BN个波段，所有波段的构成波段的集合Band。3.根据权利要求2所述的一种基于稀疏异构分组的高光谱遥感影像的分类器构建方法，其特征在于，所述步骤二中LC为一个包含N个样本的集合；LC＝(LC1,LC2,…LCI,…LCN)在LC中LC1是第1个样本，LC2是第2个样本，LCI是第I个样本，1≤I≤N，LCN是第N个样本；对于每个样本LCI＝(X,Y,C)，其中，X为该样本在高光谱遥感影像中的X坐标，Y为该样本在高光谱遥感影像中的Y坐标；C为类目编号，取值范围为1到M。4.根据权利要求3所述的一种基于稀疏异构分组的高光谱遥感影像的分类器构建方法，其特征在于，所述步骤二中LUC包含U个样本；LUC＝(LUC1,LUC2,…LUCJ,…LUCU)在LUC中LUC1是第1个样本，LUC2是第2个样本，LUCJ是第J个类目，1≤J≤N，LUCU是第U个类目；LUCJ＝(UX,UY,UC)；其中，UX＝Random(1～Width)为1到Width之间的随机整数，为该样本在高光谱遥感影像中的X坐标；UY＝Random(1～Height)为1到Height之间的随机整数，为该样本在高光谱遥感影像中的Y坐标；UC＝-1表示对应的样本所属类别未知。5.根据权利要求4所述的一种基于稀疏异构分组的高光谱遥感影像的分类器构建方法，其特征在于，所述步骤二中构造样本集L具体为：L＝LC∪LUC样本集L为分类标签的训练样本集合LC与无分类标签的训练样本集和LUC的并集，L表示为：L＝(L1,L2,…,LU+N)在L中共包含U+N个样本，L1为第1个样本，L2为第2个样本，LU+N为第U+N个样本；其中任意一个元素Lk＝(SX，SY，SC)，SX为其横坐标，SY为其纵坐标，SC为其对应类目；若该样本来自LC，则SX＝X，SY＝Y，SC＝C；若该样本来自于LUC，则SX＝UX，SY＝UY，SC＝UC。6.根据权利要求5所述的一种基于稀疏异构分组的高光谱遥感影像的分类器构建方法，其特征在于，所述步骤三中Bandi的描述矢量Vi的构造过程为：步骤三一：初始化Bandi的描述矢量Vi；Vi＝zeros(M)其中，zeros(M)表示生成一个M个元素的矢量，该矢量所有元素值为0；步骤三二：计算Bandi中的最大值Max和最小值Min；步骤三三：将描述矢量计数器Counter置为1；步骤三四：初始化计数矢量C1和计数矢量C2；C1＝zeros(10)，其中zeros(10)表示初始化一个10个元素，且值全为0的矢量；C2＝zeros(10)，其中zeros(10)表示初始化一个10个元素，且值全为0的矢量；步骤三五：分段计数器SCounter置为1；步骤三六：构造值域区间[Lower,Upper]；其中，[Lower,Upper]通过如下公式计算：Lower＝Min+(SCounter-1)×(Max-Min)/10Upper＝Min+SCounter×(Max-Min)/10步骤三七：对于样本集L，每一个样本根据其SX和SY坐标取出第i个波段对应的值value，统计数量落入区间[Lower,Upper]的样本个数计入C1和C2之中；C1[SCounter]＝在样...

【专利技术属性】
技术研发人员：潘欣，赵健，徐宏年，任斌，
申请(专利权)人：长春工程学院，
类型：发明
国别省市：吉林;22