一种基于局部低秩表示的半监督高光谱图像分类方法技术

本发明专利技术提出一种基于局部低秩表示的半监督高光谱图像分类方法，利用局部低秩系数来刻画空谱信息，最终借助获得的空谱信息得到一种增强的高光谱图像半监督分类方法。本方法首先通过局部低秩表示对空谱信息进行刻画，然后对无标记的样本进行标签初始化，最后基于已获得的空谱信息对高光谱图像进行半监督分类。本发明专利技术的方法能够适用于标签样本数量不足的高光谱图像分类的情况中，同时实现提高分类准确率，边界模糊性明显降低。

A semi supervised hyperspectral image classification method based on local low rank representation

A semi supervised hyperspectral image classification method based on local low rank representation is proposed. The local low rank coefficient is used to depict the spatial spectrum information. Finally, an enhanced hyperspectral image semi supervised classification method is finally obtained based on the acquired spectral information. Firstly, the null spectral information is represented by local low rank, then label the unlabeled samples. Finally, the hyperspectral image is supervised by semi supervised classification based on the acquired spatial spectrum information. The method of the invention can be applied to the situation of hyperspectral image classification with insufficient number of labels, and at the same time, it can improve classification accuracy and reduce boundary fuzziness.

【技术实现步骤摘要】
一种基于局部低秩表示的半监督高光谱图像分类方法
本专利技术属于遥感图像处理领域，尤其是一种基于局部低秩表示的半监督高光谱图像分类方法。
技术介绍
高光谱遥感图像具有非常高的光谱分辨率，在地质勘探、地球资源调查和精准农业等方面得到越来越多的应用。目前，对于高光谱图像分类，主要存在两种方法。一种是对高光谱数据进行降维后再分类，这种方法将高维数据投影到地位空间，大部分信息集中在了少数几个特征中。但这种方法会损失一些重要的信息，不能体现高光谱的优势。第二种方法是直接对高光谱数据进行分类，但由于高维度数据的存在，会产生Hughes现象。一方面，优秀的高光谱分类结果需要大量有标签的训练数据；另一方面，实际分类中，标签数量往往很有限，训练出的分类器存在过拟合情况。针对于上述这种情况，半监督方法受到了越来越多的重视。对于高光谱图像而言，标签的获取是一项极为耗时耗力的工作。若仅仅使用少量的标签，对分类的结果是不利的。半监督可以有效缓解这一问题，它综合利用无标签和有标签样本进行训练，避免了分类器过拟合。在高光谱图像中，仅仅使用光谱信息是不能得到较好的分类结果的，因此，很多研究者开始着手于高光谱图像中的空间信息。常规方法如马尔可夫随机场(MarkovRandomField,MRF)可以用来提取空间信息，这对于提高图像的分类准确率具有重要的影响。同时，超像素、gabor滤波等方法也被广泛运用。然而，这些方法会导致分类图像边界出现模糊的情况，因此，需要获取更加精确的空间特征以避免这一问题。
技术实现思路
本专利技术所解决的技术问题在于提供一种基于局部低秩表示的半监督高光谱图像分类方法，以局部低秩系数为基础，提取精确的空谱特征，并将其应用到半监督分类中，实现提高高光谱图像分类的效果。实现本专利技术目的的技术解决方案为：一种基于局部低秩表示的半监督高光谱图像分类方法，包括以下步骤：步骤1：在高光谱图像的空间域中，以待分类样本为中心选取空间邻域，并建立若干个空间邻域结构；步骤2：对每一个空间邻域结构中的低秩约束样本进行局部低秩建模，获取低秩系数；步骤3：对空间邻域中无标签的样本进行标签初始化；步骤4：从局部低秩系数中获取样本间的空谱信息，进行半监督的高光谱图像分类，得到分类图像。进一步的，本专利技术的基于局部低秩表示的半监督高光谱图像分类方法，步骤1中选取空间邻域的方法具体为：分别选取待分类样本X0的上下左右4个近邻像素Xi作为低秩约束样本，并在剩余的样本中选取近邻的16个样本作为对应的字典原子Dm，其中，i＝1,2,3,4，m＝1,2,...,16。进一步的，本专利技术的基于局部低秩表示的半监督高光谱图像分类方法，步骤2中局部低秩建模公式为：满足Xn＝Dn·Zn+En，其中，n为空间邻域的标号，Zn为低秩系数，En为噪声，Xn是低秩约束样本，Dn为字典原子，*表示核范数，F表示Frobenius范数，λ用来控制噪声的权重，λ＞1.3。进一步的，本专利技术的基于局部低秩表示的半监督高光谱图像分类方法，步骤2中采用非精度增广拉格朗日乘子法来获取低秩系数。进一步的，本专利技术的基于局部低秩表示的半监督高光谱图像分类方法，获取每一个空间邻域结构的低秩系数Z的具体步骤为：步骤2-1：初始化参数：Z＝J＝0，E＝0，Y1＝0，Y2＝0，μ＝10-6，μmax＝106，ρ＝1.1，ε＝10-8，E为噪声，J、Y1、Y2、μ、μmax、ρ、ε均为过渡参数无实际含义；步骤2-2：对变量进行迭代更新：当||X-DZ-E||∞＞ε或||Z-J||＞ε时，执行：Y1＝Y1+μ(X-DZ-E)Y2＝Y2+μ(Z-J)μ＝min(ρμ,μmax)步骤2-3：计算得到低秩系数Z。进一步的，本专利技术的基于局部低秩表示的半监督高光谱图像分类方法，步骤3中标签初始化的具体步骤为：步骤3-1：根据有标签样本和无标签样本的光谱特征，构建权重矩阵Wij：满足其中，xi、xj均为图像中的样本点，N(xi)表示xi的邻域范围；步骤3-2：根据权重矩阵构建概率传播矩阵Pij：其中，p用来指示矩阵W的所有列，Wip表示矩阵W的第i行、第p列元素。步骤3-3：根据概率传播矩阵执行标签传播：其中，Fl+u表示所有样本的标签，k为迭代次数。进一步的，本专利技术的基于局部低秩表示的半监督高光谱图像分类方法，步骤4中半监督的高光谱图像分类包括半监督迭代更新标签，具体为：其中，是字典的标签，Fn是低秩约束样本的标签，n代表空间邻域的索引号，k是迭代次数，迭代完成后，从Fn和中得到所有无标签样本的标签。本专利技术采用以上技术方案与现有技术相比，具有以下技术效果：1、本专利技术的基于局部低秩表示的半监督高光谱图像分类方法能够适用于标签数量较少的高光谱图像分类中，借助极少的标签信息就能进行分类，且相较于其他方法能够显著提高分类准确率；实验结果表明，在不同规模的有标签样本数量下，本方法均能取得较好的试验效果；2、本专利技术的基于局部低秩表示的半监督高光谱图像分类方法能够缓解分类边界标签模糊的的问题，本方法得到的图像分类边界区域相较于其他方法更加清晰，实验结果表明，本方法的边界模糊性相较于其他方法显著降低。附图说明图1是本专利技术的基于局部低秩表示的半监督高光谱图像分类方法流程图；图2是本专利技术的局部邻域示意图；图3是本专利技术实施例1的分类得到图像的放大示意图，其中(a)是真实地物图像，(b)是对圆圈区域的放大，(c)～(f)是其他几种高光谱分类方法得到的放大图，(g)是本专利技术方法得到的放大图。具体实施方式下面详细描述本专利技术的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本专利技术，而不能解释为对本专利技术的限制。一种基于局部低秩表示的半监督高光谱图像分类方法，分为四个阶段，即建立空间邻域结构，获取低秩系数，通过标签传播算法对无标签样本进行标签初始化，借助低秩系数进行增强的半监督分类。低秩系数作为空谱信息用于提高高光谱图像半监督分类的能力。如图1所示，具体包括以下步骤：步骤1：在高光谱图像的空间域中，以待分类样本为中心选取空间邻域，并建立若干个空间邻域结构。在空间邻域中，进一步划分低秩样本和字典样本，具体为：分别选取待分类样本X0的上下左右4个近邻像素Xi作为低秩约束样本，并在剩余的样本中选取近邻的16个样本作为对应的字典原子Dm，其中，i＝1,2,3,4，m＝1,2,...,16。对邻域内样本进行低秩表示，不仅可以刻画空谱信息，同时也能够进一步获得准确的空谱信息。步骤2：对每一个空间邻域结构中的低秩约束样本进行局部低秩建模，获取低秩系数。在步骤1的基础上，进行如下的局部低秩表示：满足Xn＝Dn·Zn+En，其中，n为空间邻域的标号，Zn为低秩系数，En为噪声，Xn是低秩约束样本，Dn为字典原子，*表示核范数，F表示Frobenius范数，λ用来控制噪声的权重，λ＞1.3。然后采用非精度增广拉格朗日乘子法来获取低秩系数，具体步骤为：步骤2-1：初始化参数：Z＝J＝0，E＝0，Y1＝0，Y2＝0，μ＝10-6，μmax＝106，ρ＝1.1，ε＝10-8，E为噪声，J、Y1、Y2、μ、μmax、ρ、ε均为过渡参数无实际含义；步骤2-2本文档来自技高网...

【技术保护点】
一种基于局部低秩表示的半监督高光谱图像分类方法，其特征在于，包括以下步骤：步骤1：在高光谱图像的空间域中，以待分类样本为中心选取空间邻域，并建立若干个空间邻域结构；步骤2：对每一个空间邻域结构中的低秩约束样本进行局部低秩建模，获取低秩系数；步骤3：对空间邻域中无标签的样本进行标签初始化；步骤4：从局部低秩系数中获取样本间的空谱信息，进行半监督的高光谱图像分类，得到分类图像。

【技术特征摘要】
1.一种基于局部低秩表示的半监督高光谱图像分类方法，其特征在于，包括以下步骤：步骤1：在高光谱图像的空间域中，以待分类样本为中心选取空间邻域，并建立若干个空间邻域结构；步骤2：对每一个空间邻域结构中的低秩约束样本进行局部低秩建模，获取低秩系数；步骤3：对空间邻域中无标签的样本进行标签初始化；步骤4：从局部低秩系数中获取样本间的空谱信息，进行半监督的高光谱图像分类，得到分类图像。2.根据权利要求1所述的基于局部低秩表示的半监督高光谱图像分类方法，其特征在于，步骤1中选取空间邻域的方法具体为：分别选取待分类样本X0的上下左右4个近邻像素Xi作为低秩约束样本，并在剩余的样本中选取近邻的16个样本作为对应的字典原子Dm，其中，i＝1,2,3,4，m＝1,2,...,16。3.根据权利要求1所述的基于局部低秩表示的半监督高光谱图像分类方法，其特征在于，步骤2中局部低秩建模公式为：满足Xn＝Dn·Zn+En，其中，n为空间邻域的标号，Zn为低秩系数，En为噪声，Xn是低秩约束样本，Dn为字典原子，*表示核范数，F表示Frobenius范数，λ用来控制噪声的权重，λ＞1.3。4.根据权利要求1所述的基于局部低秩表示的半监督高光谱图像分类方法，其特征在于，步骤2中采用非精度增广拉格朗日乘子法来获取低秩系数。5.根据权利要求1或4所述的基于局部低秩表示的半监督高光谱图像分类方法，其特征在于，获取每一个空间邻域结构的低秩系数Z的具体步骤为：步骤2-1：初始化参数：Z＝J＝0，E＝0，Y1＝0，Y2＝0，μ＝10-6，μmax＝106，ρ＝1.1，ε＝10-8，E为噪声，J、Y1、Y2、μ、μmax、ρ、ε...

【专利技术属性】
技术研发人员：任守纲，万升，顾兴健，徐焕良，李庆铁，
申请(专利权)人：南京农业大学，
类型：发明
国别省市：江苏,32