基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法技术

本发明专利技术提供了一种基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法。首先，为了尽可能降低噪声对特征提取的影响，使用基于堆栈去噪自编码器网络对高光谱图像进行无监督地特征提取；然后，通过充分挖掘高光谱图像中类内的相似性及类间的差异性，建立基于低秩表示的鲁棒分类器；最后，采用有效的优化方法对目标函数进行优化求解。在训练数据中存在噪声的情况下，也能获得较好的分类效果。

Robust classification of hyperspectral images based on segmented depth features and low rank representation

The present invention provides a robust classification method for hyperspectral images based on piecewise depth characteristics and low rank representation. Firstly, in order to reduce the influence of noise on feature extraction as much as possible, stack-based denoising self-encoding network is used to extract unsupervised features from hyperspectral images. Then, a robust classifier based on low rank representation is established by fully mining similarities and differences between classes in hyperspectral images. Effective optimization method is used to optimize the objective function. In the presence of noise in training data, a better classification effect can also be achieved.

【技术实现步骤摘要】
基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法
本专利技术属高光谱图像处理
，具体涉及一种基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法。
技术介绍
目前高光谱图像已经被广泛应用于资源勘探、环境监测及目标识别等领域，但是在实际的应用中，由于成像环境及传输过程的影响，高光谱图像易受噪声干扰，导致图像质量下降，从而影响高光谱图像解译的精度。如何在噪声广泛存在的情况下，有效地完成高光谱图像分类任务逐渐受到国内外学者的广泛关注。大量实验表明，堆栈自编码器是一种有效的无监督特征学习方法，如文献“ZabalzaJ.；RenJ.C.；ZhengJ.B.；ZhaoH.M.；QingC.M.；YangZ.J；DuP.J；MarshallaS.NovelsegmentedstackedautoencoderforeffectivedimensionalityreductionandfeatureextractioninhyperspectralimagingNeurocomputing,2016,185,1-10”中方法充分考虑高光谱图像光谱间的相关性，对原始的高光谱图像在光谱维上进行分段，然后使用不同的堆栈自编码器对分段的高光谱图像进行无监督地特征提取，最后使用支持向量机对获得的深度特征进行分类。然而，该方法仅考虑了光谱间的相关性，并没有充分挖掘高光谱图像空间的相关性，以及类内相似性和类间差异性，从而限制了高光谱图像分类的精度。
技术实现思路
为了克服现有技术的不足，本专利技术提出一种基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法。首先，为了尽可能降低噪声对特征提取的影响，使用基于堆栈去噪自编码器网络对高光谱图像进行无监督地特征提取。然后，通过充分挖掘高光谱图像中类内的相似性及类间的差异性，建立基于低秩表示的鲁棒分类器，最后，采用有效的优化方法对目标函数进行优化求解。一种基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法，其特征在于包括以下步骤：步骤一：计算高光谱图像不同波段光谱间的相关系数，然后将相关系数大于0的相邻波段图像划分为一段，高光谱图像在光谱维上共划分为s段；步骤二：将高光谱图像像素随机地分为训练数据和测试数据，并按照步骤一的光谱维划分方法，分别将训练数据和测试数据在光谱维上划分为s段，然后，利用分段的训练数据分别对堆栈去噪自编码器进行训练，每一段得到一个训练好的堆栈去噪自编码器，共得到s个训练好的堆栈去噪自编码器；其中，每个堆栈去噪自编码器的隐藏层的层数为2～10层，每个隐藏层的神经元数为10、20、50、100、150或200；步骤三：分别利用训练好的堆栈去噪自编码器对其光谱维上对应段的高光谱图像进行特征提取，得到分段的高光谱图像深度特征，然后将所有分段的深度特征进行级联得到高光谱图像的深度特征F，其中，包括训练数据的深度特征Ftrain和测试数据的深度特征Ftest；步骤四：利用逻辑回归方法对训练数据的深度特征Ftrain进行预分类，分为L类，并生成预测类别标签labelpredict，其中，L表示高光谱图像中已知的像元类别数。步骤五：首先，选取深度特征Ftrain中训练较好的特征构建得到字典D，即：D＝{fi},当fi∈Ftrain且labelpredict(i)＝labeloriginal(i)(1)其中，i表示Ftrain中特征的位置索引，labelpredict(i)表示i位置处特征的预测类别标签，labeloriginal(i)表示i位置处特征的真实类别标签。然后，对字典D中的特征按照类别顺序进行重新排列得到D＝[D1,D2,...,DL]，其中，Dj表示字典D中第j类特征的集合，j＝1,...,L。步骤六：按下式建立基于权值核范数的低秩表示模型：其中，Z为低秩表示系数矩阵，E为误差项，||E||1表示E的L1范数，λ为平衡因子，λ＝0.1，表示矩阵Z的权值核范数，sn表示矩阵Z的奇异值的个数，表示σi(Z)的权值，C为预定义的标量，C＝10-5，ε为足够小的标量，ε＝10-6，σi(Z)表示矩阵Z的第i个奇异值，|·|表示绝对值。步骤七：引入分离变量Y，将基于权值核范数的低秩表示模型改写为：公式(3)是增广拉格朗日函数表示为：其中，Q为乘子一，P为乘子二，η为惩罚系数一，γ为惩罚系数二。然后，采用交替方向乘子法对公式(4)进行优化求解，得到低秩表示系数矩阵Z。具体为：步骤a：初始化，令循环次数k＝0，分离变量初始值Y0＝0，低秩表示系数初始值Z0＝0，误差项初始值E0＝0，乘子一初始值Q0＝0，乘子二初始值P0＝0，惩罚系数一初始值η＝10-5，惩罚系数二初始值γ＝10-5，惩罚系数一最大值ηmax＝108，惩罚系数二最大值γmax＝108，惩罚系数更新因子ρ＝1.1，最大循环次数Tmax＝500；步骤b：按照Zk+1＝USVT计算得到Zk+1，其中，S为对角矩阵，对角线元素为Sii＝max(Σii-wi/η,0)，UΣVT为矩阵(Yk+Qk/η)的奇异值分解，Σii表示矩阵Σ的第i个对角线元素；步骤c：按照Ek+1＝AVT计算得到Ek+1，其中，Aij＝max((Ftest-DYk+Pk/γ)ij-λ//γ,0)，下标ij表示矩阵的第i行j列的元素；步骤d：按照Yk+1＝(γDTD+ηI)-1[DT(γFtest+Pk-λEk+1)+ηZk+1-Qk]计算得到Yk+1；步骤e：分别按照Pk+1＝Pk+γ(Ftest-DYk+1-Ek+1)和Qk+1＝Qk+η(Yk+1-Zk+1)计算得到Pk+1和Qk+1；步骤f：分别按照γ＝min(ργ,γmax)和η＝min(ρη,ηmax)更新γ和η；步骤g：当k＞Tmax，并且时，得到最终的Z＝Zk+1，否则，k＝k+1，返回步骤b；步骤八：按照对高光谱图像的深度特征Ftest进行分类，得到最终的分类结果；其中，ci为特征fi的类别标签，fi表示Ftest中第i个特征，Dl为D中第l类特征的集合，zi为矩阵Z中与特征fi对应的稀疏系数。本专利技术的有益效果是：由于采用堆栈去噪自编码器提取高光谱图像的分段特征，充分挖掘了光谱间的相关性；采用基于权值核范数的低秩表示的鲁棒分类模型，可以更好地区别背景和噪声点。本专利技术方法在训练数据中存在噪声的情况下，也能获得较好的分类效果。具体实施方式本专利技术提出了一种基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法，具体过程如下：1、计算光谱间相关系数高光谱图像包括上百个连续的光谱波段，因为这种连续性，波段间存在强的相关性。为了更好地探索不同光谱区域的相关性，计算高光谱图像不同波段光谱间的相关系数，然后将相关系数大于0的相连光谱波段划分成一段，进而将原始高光谱图像在光谱维上划分为s段。2、训练堆栈去噪自编码器首先，将高光谱图像像素随机地分为训练数据和测试数据，按照步骤1的光谱维划分方法，分别将训练数据和测试数据在光谱维上划分为s段。然后，利用分段的训练数据分别对堆栈去噪自编码器(StackedDenoisedAuto-encoder,SDAE)进行训练，得到s个训练好的堆栈去噪自编码器。其中，每个堆栈去噪自编码器的隐藏层的层数为2～10层，每个隐藏层的神经元数的选择范围为[10,20,50,100,1本文档来自技高网...

【技术保护点】
1.一种基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法，其特征在于包括以下步骤：步骤一：计算高光谱图像不同波段光谱间的相关系数，然后将相关系数大于0的相邻波段图像划分为一段，高光谱图像在光谱维上共划分为s段；步骤二：将高光谱图像像素随机地分为训练数据和测试数据，并按照步骤一的光谱维划分方法，分别将训练数据和测试数据在光谱维上划分为s段，然后，利用分段的训练数据分别对堆栈去噪自编码器进行训练，每一段得到一个训练好的堆栈去噪自编码器，共得到s个训练好的堆栈去噪自编码器；其中，每个堆栈去噪自编码器的隐藏层的层数为2～10层，每个隐藏层的神经元数为10、20、50、100、150或200；步骤三：分别利用训练好的堆栈去噪自编码器对其光谱维上对应段的高光谱图像进行特征提取，得到分段的高光谱图像深度特征，然后将所有分段的深度特征进行级联得到高光谱图像的深度特征F，其中，包括训练数据的深度特征Ftrain和测试数据的深度特征Ftest；步骤四：利用逻辑回归方法对训练数据的深度特征Ftrain进行预分类，分为L类，并生成预测类别标签labelpredict，其中，L表示高光谱图像中已知的像元类别数；步骤五：首先，选取深度特征Ftrain中训练较好的特征构建得到字典D，即：D＝{fi},当fi∈Ftrain且labelpredict(i)＝labeloriginal(i)   (1)其中，i表示Ftrain中特征的位置索引，labelpredict(i)表示i位置处特征的预测类别标签，labeloriginal(i)表示i位置处特征的真实类别标签；然后，对字典D中的特征按照类别顺序进行重新排列得到D＝[D1,D2,...,DL]，其中，Dj表示字典D中第j类特征的集合，j＝1,...,L；步骤六：按下式建立基于权值核范数的低秩表示模型：...

【技术特征摘要】
1.一种基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法，其特征在于包括以下步骤：步骤一：计算高光谱图像不同波段光谱间的相关系数，然后将相关系数大于0的相邻波段图像划分为一段，高光谱图像在光谱维上共划分为s段；步骤二：将高光谱图像像素随机地分为训练数据和测试数据，并按照步骤一的光谱维划分方法，分别将训练数据和测试数据在光谱维上划分为s段，然后，利用分段的训练数据分别对堆栈去噪自编码器进行训练，每一段得到一个训练好的堆栈去噪自编码器，共得到s个训练好的堆栈去噪自编码器；其中，每个堆栈去噪自编码器的隐藏层的层数为2～10层，每个隐藏层的神经元数为10、20、50、100、150或200；步骤三：分别利用训练好的堆栈去噪自编码器对其光谱维上对应段的高光谱图像进行特征提取，得到分段的高光谱图像深度特征，然后将所有分段的深度特征进行级联得到高光谱图像的深度特征F，其中，包括训练数据的深度特征Ftrain和测试数据的深度特征Ftest；步骤四：利用逻辑回归方法对训练数据的深度特征Ftrain进行预分类，分为L类，并生成预测类别标签labelpredict，其中，L表示高光谱图像中已知的像元类别数；步骤五：首先，选取深度特征Ftrain中训练较好的特征构建得到字典D，即：D＝{fi},当fi∈Ftrain且labelpredict(i)＝labeloriginal(i)(1)其中，i表示Ftrain中特征的位置索引，labelpredict(i)表示i位置处特征的预测类别标签，labeloriginal(i)表示i位置处特征的真实类别标签；然后，对字典D中的特征按照类别顺序进行重新排列得到D＝[D1,D2,...,DL]，其中，Dj表示字典D中第j类特征的集合，j＝1,...,L；步骤六：按下式建立基于权值核范数的低秩表示模型：其中，Z为低秩表示系数矩阵，E为误差项，||E||1表示E的L1范数，λ为平衡因子，λ＝0.1，表示矩阵Z的权值核范数，sn表示矩阵Z的奇异值的个数，表示σi(Z...

【专利技术属性】
技术研发人员：魏巍，张艳宁，王聪，张磊，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西,61