一种基于核协同表示的高光谱图像交互式分类方法技术

本发明专利技术公开了一种基于核协同表示的高光谱图像交互式分类方法，包括如下步骤：对高光谱图像数据，载入或手工选定感兴趣训练区域；以训练区域内的像元作为训练集，采用核协同表示进行分类，得到高光谱图像概率分布图；以高光谱图像中的像元为节点，依据像元的空间位置关系建立空谱联合图；将概率分布图和空谱联合图共同放入后处理模型，进行分类结果预测；依据分类预测结果，手工重复添加或删除部分训练区域，进行精细化分类结果预测。本发明专利技术首先进行粗粒化核协同表示空谱联合分类，再通过实时化添加删除部分训练区域，进行细粒化核协同表示空谱联合分类，可显著提高分类制图精度和效率。

An Interactive Classification Method for Hyperspectral Images Based on Kernel Cooperative Representation

The present invention discloses an interactive classification method for hyperspectral images based on kernel cooperative representation, which includes the following steps: loading hyperspectral image data into or manually selecting the training area of interest; classifying the pixels in the training area as a training set, using kernel cooperative representation to obtain the probability distribution map of hyperspectral images; and taking the pixels in the hyperspectral image as nodes, according to the training set. The spatial position relationship of pixels is used to establish spatial spectrum joint map; the probability distribution map and spatial spectrum joint map are put into the post-processing model to predict the classification results; according to the classification prediction results, some training areas are added or deleted manually, and the fine classification results are predicted. The method first carries out the joint classification of coarse-grained nuclear cooperative representation space spectrum, and then adds and deletes part of the training area through real-time, and carries out the joint classification of fine-grained nuclear cooperative representation space spectrum, which can significantly improve the accuracy and efficiency of classification mapping.

【技术实现步骤摘要】
一种基于核协同表示的高光谱图像交互式分类方法
本专利技术涉及高光谱图像处理
，具体涉及一种基于核协同表示的高光谱图像交互式分类方法。
技术介绍
高光谱遥感传感器能够在许多连续且狭窄的波段上获取成百上千幅图像，其成像区域覆盖了可见光到红外区域。高光谱遥感图像这一较高的光谱分辨率特性，使得其在地表目标探测、城市规划、农业预警和军事侦察等领域等到广泛应用。高光谱遥感图像分类是高光谱遥感图像应用中一个比较重要的环节。目前，较常用的分类方法有：支持向量机、多项式逻辑回归、稀疏表示和协同表示等。由于这些分类方法并未将高光谱遥感数据视为图像，一些研究者考虑在分类中融入高光谱图像的空间信息，以进一步提高高光谱遥感图像分类的精度。对有监督高光谱遥感图像分类而言，数据标签的获取是一项极其费时费力的工作。而且，由于成像条件的差异性，不同数据集上标签的通用性往往较差。因此，如何需要充分利用有限的数据标签提高高光谱遥感图像分类精度是本领域技术人员需要解决的问题。
技术实现思路
本专利技术的目的在于提供一种基于核协同表示的高光谱图像交互式分类方法，充分利用数据标签信息提高分类精度，并在此基础上与用户进行交互，进一步提高分类精度。实现本专利技术的技术方案如下：一种基于核协同表示的高光谱图像交互式分类方法，包括以下步骤：步骤1：对高光谱图像数据，载入或手工选定感兴趣训练区域；步骤2：以训练区域内的像元作为训练集，采用核协同表示进行分类，得到高光谱图像概率分布图；步骤3：以高光谱图像中的像元为节点，依据像元的空间位置关系建立空谱联合图；步骤4：将概率分布图和空谱联合图共同放入后处理模型，进行分类结果预测；步骤5：依据分类预测结果，手工重复添加或删除部分训练区域，进行精细化分类结果预测。进一步的，步骤2中核协同表示分类的公式为：Y＝T(Q+λI)-1P其中，Y为所有像元的概率化分类结果，Q为训练样本高斯径向核特征矩阵，P为高光谱图像高斯径向核特征矩阵，I为单位矩阵，T用来累加每个测试样本在每个类别上的系数，λ用来控制核协同表示系数，λ＝0.001。进一步的，步骤3中构建空谱联合图的方法具体为：对高光谱图像进行主成分分析，选取前3个主成分作为特征并规范化到[0,1]区间内；以每个像元为顶点，选取周围8个像元作为邻居，并根据相似性建立权重矩阵W，从而构建空谱联合图G。进一步的，步骤4中后处理分类的公式为：其中，为未标记像元精细化的分类结果，Yl为标记像元的概率化分类结果，Yu为未标记像元的概率化分类结果，L为空谱联合图G对应的图拉普拉斯，Llu和Luu为L对应的标记样本与未标记样本子矩阵，γ用来控制空间光滑程度。进一步的，步骤5中精细化分类结果预测的具体步骤为：步骤2-1：保存中间变量矩阵T，F＝(Q+λI)-1和P；步骤2-2：根据分类图，手工选择部分训练区域，更新和保存中间变量矩阵，执行步骤2-2和2-4；步骤2-3：根据分类图，手工去除部分训练区域，更新和保存中间变量矩阵，执行步骤2-2和2-4；步骤2-4：重复执行步骤2-2或2-3，以得到精细化分类结果。进一步的，步骤2-2中更新中间变量矩阵的公式为：其中，N'＝(N+λI-ZTFZ)-1，Z'＝-FZN'，M'＝F-FZZ'T，Z为新添加样本与原样本对应的核特征矩阵，N为新添加样本核特征矩阵。进一步的，步骤2-3中更新中间变量矩阵的公式为：其中，F＝[M'Z'；Z'TN']按照训练样本和去除训练样本的次序排列。本专利技术的有益技术效果是：本专利技术将高光谱图像的空谱信息和数据样本的位置信息融入模型，可以在数据样本比较少的情况下进行分类。同时，分类各个阶段的模型都有具体的公式，可以简便快速完成分类任务。本专利技术可以在粗分类的基础之上添加和删除部分标签样本，无需重新计算模型，可以满足与用户实时交互的需求。附图说明图1是本专利技术一种基于核协同表示的高光谱图像交互式分类方法流程图。图2是本专利技术实施例提供的IndianPines高光谱遥感图像及其分类图，(a)伪彩色图，(b)真实地物分类图，(c)SVM分类图，(d)本专利技术像素级分类图，(e)SVM后处理分类图，(f)本专利技术分类图。图3是本专利技术实施例提供的UniversityofPavia高光谱遥感图像及其分类图，(a)伪彩色图，(b)真实地物分类图，(c)SVM分类图，(d)本专利技术像素级分类图，(e)SVM后处理分类图，(f)本专利技术分类图。具体实施方式下面结合附图对本专利技术的具体实施方式做进一步说明。一种基于核协同表示的高光谱图像交互式分类方法，分为五个阶段，即选定初始训练样本，以进行核协同表示分类，建立空谱联合图，以进行后处理分类，通过手工筛选样本，以进一步提高分类结果。如图1所示，具体包括以下步骤：步骤1：对高光谱图像数据，载入或手工选定感兴趣训练区域。步骤2：以训练区域内的像元作为训练集，采用核协同表示进行分类，得到高光谱图像概率分布图。核协同表示分类的公式为：Y＝T(Q+λI)-1P其中，Y为所有像元的概率化分类结果，Q为训练样本高斯径向核特征矩阵，P为高光谱图像高斯径向核特征矩阵，I为单位矩阵，T用来累加每个测试样本在每个类别上的系数，λ用来控制核协同表示系数，λ＝0.001。高斯径向核的公式为：其中，x和y为高光谱像元，σ用来控制核带宽。步骤3：以高光谱图像中的像元为节点，依据像元的空间位置关系建立空谱联合图。构建空谱联合图的方法具体为：对高光谱图像进行主成分分析，选取前3个主成分作为特征并规范化到[0,1]区间内；以每个像元为顶点，选取周围8个像元作为邻居，并根据相似性建立权重矩阵W，从而构建空谱联合图G。权重矩阵W的公式为：其中，和为像元对应的主成分向量，β用来控制光滑程度。步骤4：将概率分布图和空谱联合图共同放入后处理模型，进行分类结果预测。后处理分类的公式为：其中，为未标记像元精细化的分类结果，Yl为标记像元的概率化分类结果，Yu为未标记像元的概率化分类结果，L为空谱联合图G对应的图拉普拉斯，Llu和Luu为L对应的标记样本与未标记样本子矩阵，γ＝106用来控制空间光滑程度。步骤5：依据分类预测结果，手工重复添加或删除部分训练区域，进行精细化分类结果预测。精细化分类结果预测的具体步骤为：步骤2-1：保存中间变量矩阵T，F＝(Q+λI)-1和P。步骤2-2：根据分类图，手工选择部分训练区域，更新和保存中间变量矩阵，执行步骤2-2和2-4。这里，更新中间变量矩阵的公式为：其中，N'＝(N+λI-ZTFZ)-1，Z'＝-FZN'，M'＝F-FZZ'T，Z为新添加样本与原样本对应的核特征矩阵，N为新添加样本核特征矩阵。步骤2-3：根据分类图，手工去除部分训练区域，更新和保存中间变量矩阵，执行步骤2-2和2-4。这里，更新中间变量矩阵的公式为：其中，F＝[M'Z'；Z'TN']按照训练样本和去除训练样本的次序排列。步骤2-4：重复执行步骤2-2或2-3，以得到精细化分类结果。现结合一个具体的实施方式对本专利技术的方法进行进一步的说明。本实施例采用IndianPines(参见图2(a)和(b))和UniversityofPavia(参见图3(a)和(b))高光谱公共数据集，利用本专利技术所诉方法进行分类。IndianPines数据大小为145像素×本文档来自技高网...

【技术保护点】
1.一种基于核协同表示的高光谱图像交互式分类方法，其特征在于，包括如下步骤：步骤1：对高光谱图像数据，载入或手工选定感兴趣训练区域；步骤2：以训练区域内的像元作为训练集，采用核协同表示进行分类，得到高光谱图像概率分布图；步骤3：以高光谱图像中的像元为节点，依据像元的空间位置关系建立空谱联合图；步骤4：将概率分布图和空谱联合图共同放入后处理模型，进行分类结果预测；步骤5：依据分类预测结果，手工重复添加或删除部分训练区域，进行精细化分类结果预测。

【技术特征摘要】
1.一种基于核协同表示的高光谱图像交互式分类方法，其特征在于，包括如下步骤：步骤1：对高光谱图像数据，载入或手工选定感兴趣训练区域；步骤2：以训练区域内的像元作为训练集，采用核协同表示进行分类，得到高光谱图像概率分布图；步骤3：以高光谱图像中的像元为节点，依据像元的空间位置关系建立空谱联合图；步骤4：将概率分布图和空谱联合图共同放入后处理模型，进行分类结果预测；步骤5：依据分类预测结果，手工重复添加或删除部分训练区域，进行精细化分类结果预测。2.根据权利要求1所诉的一种基于核协同表示的高光谱图像交互式分类方法，其特征在于，步骤2中核协同表示分类的公式为：Y＝T(Q+λI)-1P其中，Y为所有像元的概率化分类结果，Q为训练样本高斯径向核特征矩阵，P为高光谱图像高斯径向核特征矩阵，I为单位矩阵，T用来累加每个测试样本在每个类别上的系数，λ用来控制核协同表示系数，λ＝0.001。3.根据权利要求1所诉的一种基于核协同表示的高光谱图像交互式分类方法，其特征在于，步骤3中构建空谱联合图的方法，具体为：对高光谱图像进行主成分分析，选取前3个主成分作为特征并规范化到[0,1]区间内；以每个像元为顶点，选取周围8个像元作为邻居，并根据相似性建立权重矩阵W，从而构建空谱联合图G。4.根据权利要求1所诉的一种基于核协同表示的高光谱图像交互式分类方...

【专利技术属性】
技术研发人员：刘建军，陈浩，
申请(专利权)人：江南大学，
类型：发明
国别省市：江苏,32