提升光谱图像监督分类性能的样本扩充与一致性判别方法技术

本发明专利技术公开了一种提升光谱图像监督分类性能的样本扩充与一致性判别方法，包括以下步骤：构造形状匹配模板库；计算单个训练样本的邻域相似度矩阵；使用模板库对相似度矩阵进行匹配，并根据匹配度选取最佳匹配模板；根据最佳匹配模板扩充训练样本；使用扩充后的训练集训练监督分类器；计算测试样本的邻域预测矩阵；使用模板库对邻域预测矩阵进行匹配，并根据一致性度量计算最佳判别结果。本发明专利技术通过形状模板匹配有效扩充监督样本，利用模板库与分类预测矩阵一致性判别改善分类结果的局部聚集性，大幅提升监督分类器的精度，提升了小样本监督分类算法的鲁棒性，可适用于任何监督分类器。

【技术实现步骤摘要】
提升光谱图像监督分类性能的样本扩充与一致性判别方法
本专利技术涉及高光谱图像监督分类算法中的预处理及后处理技术，具体涉及一种提升光谱图像监督分类性能的样本扩充与一致性判别方法。技术背景遥感高光谱图像是由几十甚至上百连续光谱波段组成的三维数据集，由于每个像元的通道数量远远超过普通RGB彩色图像的通道数量，所以在地物识别与分类应用中具有很强的分辨性能。因此，在诸如农业监测、污染监测、矿物识别等领域具有广泛的应用。而利用高光谱图像进行识别与分类是在图像获取后最重要的处理过程，其识别精度决定了高光谱图像对地物鉴别的最终效果。在高光谱图像分类研究中，机器学习相关方法受到了广泛关注。传统机器学习方法例如极限学习机、支持向量机、贝叶斯等方法在高光谱图像监督分类领域中都有一定的应用，但由于高光谱数据集样本间具有很强的相似性，以及同谱异物、同物异谱等现象的出现，导致分类器性能在一定程度上下降，使得最终分类精度不高。利用遥感图像的空间信息提升分类性能变得尤为重要。而常规的空-谱联合方法常将样本的空间信息与光谱信息进行融合并生成新的样本，例如增加样本属性维度的Gabor-SVM等方法会使得模型的输入维度增高，从而引入维度扩张带来的额外影响。目前，有许多针对在不改变数据维度的前提下利用预处理及后处理技术提升分类效果的方法，例如慕彩红等人在主动学习方法的基础上提出了利用测试样本邻域高相似像元判别结果来对目标样本的判别结果进行优化的方法(慕彩红,焦李成,王依萍,等.主动学习和邻域信息相结合的高光谱图像分类方法:,CN104182767A[P].2014.)，取得了较好的效果。然而，上述方法的判定规则较为复杂，且像元相似度参数固定，无法根据数据自适应调整，因此方法应用范围受限。
技术实现思路
本专利技术的目的在于提供一种提升光谱图像监督分类性能的样本扩充与一致性判别方法，通过形状模板匹配有效扩充监督样本，利用模板库与分类预测矩阵一致性判别改善分类结果的局部聚集性，大幅提升监督分类器的精度，提升了小样本监督分类算法的鲁棒性，可适用于任何监督分类器。实现本专利技术目的的技术解决方案为：一种提升光谱图像监督分类性能的样本扩充与一致性判别方法，包括以下步骤：第一步，构造形状匹配模板库，即构造若干大小为d×d的形状匹配模板，作为模板库；第二步，计算单个训练样本的邻域相似度矩阵，即截取以该训练样本为中心的d×d邻域像元块，并计算其邻域像元与中心像元的相似度，将相似度顺序排列成矩阵形式作为该训练样本的邻域相似度矩阵；第三步，使用模板库对相似度矩阵进行匹配，并根据匹配度选取最佳匹配模板；第四步，根据最佳匹配模板扩充训练样本，即将最佳匹配模板所覆盖的像元划归到与中心像元同类别训练集中；第五步，使用扩充后的训练集训练监督分类器；第六步，计算测试样本的邻域预测矩阵，即截取以该测试样本为中心的d×d邻域像元块并分别预测其中每个像元的类别，将预测类别顺序排列成矩阵形式作为该样本的邻域预测矩阵；第七步，使用模板库对邻域预测矩阵进行匹配，并根据一致性度量计算最佳判别结果，即依次计算邻域预测矩阵与模板库中各模板匹配所对应各类别的一致性度量，选取最大值所对应类别作为该样本的最终判别结果。本专利技术与现有技术相比，其显著特点在于：(1)通过形状模板匹配可以有效扩充监督样本，从而有效提升小样本监督学习的性能；(2)通过对邻域预测结果的最佳一致性判别，可以大幅度提升最终分类结果的精度；(3)本专利技术方法适用于任意监督分类器，具有广泛的应用性；(4)本专利技术对数据本身特性不敏感，因此拥有较好的自适应性和扩展性，并且在同物异谱和同谱异物问题上进行了改善，大幅度提升了算法的最终分类精度。附图说明图1为本专利技术提升光谱图像监督分类性能的样本扩充与一致性判别方法流程图。图2为大小为3×3的匹配模板库示例图。图3为大小为5×5的匹配模板库示例图。图4(a)为IndianPines数据集真实地物分布图。图4(b)为IndianPines数据集采用ELM方法的分类效果图。图4(c)为IndianPines数据集采用ELM方法配合本专利技术方法(使用大小为3×3的匹配模板)的分类效果图。图4(d)为IndianPines数据集采用ELM方法配合本专利技术方法(使用大小为5×5的匹配模板)的分类效果图。图4(e)为IndianPines数据集采用SVM方法的分类效果图。图4(f)为IndianPines数据集采用SVM方法配合本专利技术方法(使用大小为3×3的匹配模板)的分类效果图。图4(g)为IndianPines数据集采用SVM方法配合本专利技术方法(使用大小为5×5的匹配模板)的分类效果图。图5(a)为PaviaCenter数据集真实地物分布图。图5(b)为PaviaCenter数据集采用ELM方法的分类效果图。图5(c)为PaviaCenter数据集采用ELM方法配合本专利技术方法(使用大小为3×3的匹配模板)的分类效果图。图5(d)为PaviaCenter数据集采用ELM方法配合本专利技术方法(使用大小为5×5的匹配模板)的分类效果图。图5(e)为PaviaCenter数据集采用SVM方法的分类效果图。图5(f)为PaviaCenter数据集采用SVM方法配合本专利技术方法(使用大小为3×3的匹配模板)的分类效果图。图5(g)为PaviaCenter数据集采用SVM方法配合本专利技术方法(使用大小为5×5的匹配模板)的分类效果图。具体实施方式结合图1，一种提升光谱图像监督分类性能的样本扩充与一致性判别方法，包括以下步骤：第一步，构造形状匹配模板库，即构造若干大小为d×d的形状匹配模板，作为模板库；第二步，计算单个训练样本的邻域相似度矩阵，即截取以该训练样本为中心的d×d邻域像元块，并计算其邻域像元与中心像元的相似度，将相似度顺序排列成矩阵形式作为该训练样本的邻域相似度矩阵；第三步，使用模板库对相似度矩阵进行匹配，并根据匹配度选取最佳匹配模板；第四步，将最佳匹配模板所覆盖的像元划归到与中心像元同类别训练集中；第五步，使用扩充后的训练集训练监督分类器；第六步，计算测试样本的邻域预测矩阵，即选取以该测试样本为中心的d×d邻域像元块并分别预测其中每个像元的类别，将预测类别顺序排列成矩阵形式作为该样本的邻域预测矩阵；第七步，使用模板库对邻域预测矩阵进行匹配，并根据一致性度量计算最佳判别结果，即依次计算邻域预测矩阵与模板库中各模板匹配所对应各类别的一致性度量，选取最大值所对应类别作为该样本的最终判别结果。进一步的，第一步构造L个大小为d×d的形状匹配模板作为模板库，其中L≥8，d≥3且d为奇数；构造匹配模板的基本原则为：(1)在模板中以像素点为单位，将所有像素分为覆盖与未覆盖，覆盖取1，未覆盖取0；(2)在模板中所覆盖的像素区域须满足连通性，即模板中值为1的像素可组成满足4-邻接的连同区域，且连通区域须覆盖中心点；(3)模板中的覆盖区域点个数n须满足n＝(d-1)2。进一步的，第二步计算单个训练样本的邻域相似度矩阵，具体过程为：(1)对于第i个训练样本xi，在高光谱图像中截取以像元xi为中心的d×d邻域像元块，记为Di，表示如下：1≤i≤N，N为训练样本数；(2)依次计算中心像元xi与邻域像元块Di中的像元的相似度,记为其中1≤e本文档来自技高网...

【技术保护点】
1.一种提升光谱图像监督分类性能的样本扩充与一致性判别方法，其特征在于，包括以下步骤：第一步，构造形状匹配模板库，即构造若干大小为d×d的形状匹配模板，作为模板库；第二步，计算单个训练样本的邻域相似度矩阵，即截取以该训练样本为中心的d×d邻域像元块，并计算其邻域像元与中心像元的相似度，将相似度顺序排列成矩阵形式作为该训练样本的邻域相似度矩阵；第三步，使用模板库对相似度矩阵进行匹配，并根据匹配度选取最佳匹配模板；第四步，将最佳匹配模板所覆盖的像元划归到与中心像元同类别训练集中；第五步，使用扩充后的训练集训练监督分类器；第六步，计算测试样本的邻域预测矩阵，即选取以该测试样本为中心的d×d邻域像元块并分别预测其中每个像元的类别，将预测类别顺序排列成矩阵形式作为该样本的邻域预测矩阵；第七步，使用模板库对邻域预测矩阵进行匹配，并根据一致性度量计算最佳判别结果，即依次计算邻域预测矩阵与模板库中各模板匹配所对应各类别的一致性度量，选取最大值所对应类别作为该样本的最终判别结果。

【技术特征摘要】
1.一种提升光谱图像监督分类性能的样本扩充与一致性判别方法，其特征在于，包括以下步骤：第一步，构造形状匹配模板库，即构造若干大小为d×d的形状匹配模板，作为模板库；第二步，计算单个训练样本的邻域相似度矩阵，即截取以该训练样本为中心的d×d邻域像元块，并计算其邻域像元与中心像元的相似度，将相似度顺序排列成矩阵形式作为该训练样本的邻域相似度矩阵；第三步，使用模板库对相似度矩阵进行匹配，并根据匹配度选取最佳匹配模板；第四步，将最佳匹配模板所覆盖的像元划归到与中心像元同类别训练集中；第五步，使用扩充后的训练集训练监督分类器；第六步，计算测试样本的邻域预测矩阵，即选取以该测试样本为中心的d×d邻域像元块并分别预测其中每个像元的类别，将预测类别顺序排列成矩阵形式作为该样本的邻域预测矩阵；第七步，使用模板库对邻域预测矩阵进行匹配，并根据一致性度量计算最佳判别结果，即依次计算邻域预测矩阵与模板库中各模板匹配所对应各类别的一致性度量，选取最大值所对应类别作为该样本的最终判别结果。2.根据权利要求1所述的提升光谱图像监督分类性能的样本扩充与一致性判别方法，其特征在于，第一步构造L个大小为d×d的形状匹配模板作为模板库，其中L≥8，d≥3且d为奇数；构造匹配模板的基本原则为：(1)在模板中以像素点为单位，将所有像素分为覆盖与未覆盖，覆盖取1，未覆盖取0；(2)在模板中所覆盖的像素区域须满足连通性，即模板中值为1的像素可组成满足4-邻接的连同区域，且连通区域须覆盖中心点；(3)模板中的覆盖区域点个数n须满足n＝(d-1)2。3.根据权利要求1所述的提升光谱图像监督分类性能的样本扩充与一致性判别方法，其特征在于，第二步计算单个训练样本的邻域相似度矩阵，具体过程为：(1)对于第i个训练样本xi，在高光谱图像中截取以像元xi为中心的d×d邻域像元块，记为Di，表示如下：其中1≤i≤N，N为训练样本数；(2)依次计算中心像元xi与邻域像元块Di中的像元的相似度,记为其中1≤e≤d2，计算方法为：(3)将中心像元xi与邻域像元的相似度按照顺序摆放成矩阵形式，作为该训练样本的邻域相似度矩阵，记为Si，表示如下：4.根据权利要求1所述的提升光谱图像监督分类性能的样本扩充与一致性...

【专利技术属性】
技术研发人员：肖亮，刘启超，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏,32