【技术实现步骤摘要】
基于自适应邻域及字典的联合协作表达高光谱分类方法
本专利技术涉及遥感信息处理
，特别涉及一种基于自适应邻域及字典的联合协作表达高光谱分类方法。
技术介绍
高光谱图像分类以光学传感器所采集的高维图像作为处理对象，分类的目的是将图像以像元为单位，给每个像元赋予一个标签类别。分类的依据为不同类别所对应的波谱信息由于地物反射电磁能量不同而存在一定的差异性。随着技术的发展，协作表达分类(collaborativerepresentationclassification,CRC)被成功的引入高光谱图像分类中，并具有一定的优势。现有的高光谱图像协作表达分类方法中主要存在以下问题：1、针对不同的像元，高光谱图像中的邻域信息没有得到自适应性有效地提取。2、针对不同的像元，字典集合中不相关元素并没有得到自适应地筛减。上述问题导致高光谱图像不能得到较好的表达致使分类精度不高。针对以上问题，本专利技术提出一种基于自适应邻域及字典的联合协作表达高光谱分类方法。现有技术的CRC：假设高光谱图像含有j个不同类别的样本，每个类别中选取出一定的训练样本构成训练数据D。采用基于l2-范数约束表...
【技术保护点】
1.基于自适应邻域及字典的联合协作表达高光谱分类方法，其特征在于，包括如下步骤：(1)读入高光谱图像数据，并提取第一主成分分量即PC1；(2)利用PC1，寻找每个像元的自适应邻域集合，并保存；(3)通过自适应邻域，进行图像均值滤波；(4)根据均值高光谱数据构建自适应字典Dk；(5)求解对应的系数矩阵ψ；(6)重构样本，计算对应的残差；(7)确定高光谱像元类别；高光谱图像中的每个测试样本都经过步骤(4)至步骤(7)的处理过程，最终输出高光谱图像分类结果。
【技术特征摘要】
1.基于自适应邻域及字典的联合协作表达高光谱分类方法，其特征在于，包括如下步骤：(1)读入高光谱图像数据，并提取第一主成分分量即PC1；(2)利用PC1，寻找每个像元的自适应邻域集合，并保存；(3)通过自适应邻域，进行图像均值滤波；(4)根据均值高光谱数据构建自适应字典Dk；(5)求解对应的系数矩阵ψ；(6)重构样本，计算对应的残差；(7)确定高光谱像元类别；高光谱图像中的每个测试样本都经过步骤(4)至步骤(7)的处理过程，最终输出高光谱图像分类结果。2.根据权利要求1所述的基于自适应邻域及字典的联合协作表达高光谱分类方法，其特征在于：所述的步骤(1)具体包括以下过程：(1.1)维数转换，将三维数据转换为二维数据S；(1.2)将二维数据S中心化，得到中心化向量Y；(1.3)计算Y的协方差矩阵，并求取对应特征值向量；(1.4)提取PC1；所述的步骤(2)具体包括以下过程：(2.1)确定邻域的尺度集合和方向；(2.2)针对每个方向找出所对应的自适应邻域尺度；(2.3)确定自适应邻域集合，并保存；所述的步骤(4)具体包括以下过程：(4.1)构建训练集字典D；(4.2)计算与字典D中每个字典原子的欧式距离；(4.3)根据距离排序构建自适应字典Dk。3.根据权利要求2所述的基于自适应邻域及字典的联合协作表达高光谱分类方法，其特征在于，所述的步骤(1)具体包括以下过程：(1.1)维数转换，将三维数据转换为二维数据S；读入三维高光谱数据维数为b*L*q，其中图像大小为b*L，具有q个波段；将三维数据平铺展开为二维数据S，维数为其中(1.2)将二维数据S中心化，得到中心化向量Y；将S减去所对应的均值向量得到中心化向量Y；(1.3)计算Y的协方差矩阵，并求取对应特征值向量；计算Y的协方差矩阵COV＝E{YYT}，E{·}表示数学期望，上标T表示矩阵转置；通过求解得到协方差矩阵COV所对应的特征值矩阵W和特征向量矩阵Λ；其中，满足COV＝ΛWΛT；(1.4)提取PC1；找到特征值矩阵W中最大特征值，其所对应的特征向量为w1，进行矩阵投影得到PC1，有PC1＝w1TY。4.根据权利要求3所述的基于自适应邻域及字典的联合协作表达高光谱分类方法，其特征在于，所述的步骤(2)具体包括以下过程：(2.1)确定邻域的尺度集合和方向；针对高光谱图像的PC1给出m个邻域尺度h所构成的尺度集合H，H＝{h1,h2,…,hm}(h1＜h2…＜hm)，其中，h(h∈H)，m为尺度个数，为正整数；针对高光谱图像的PC1给出N个不同的方向θn(n＝1,2,…,N)；(2.2)针对每个方向找出所对应的自适应邻域尺度；包括以下步骤：(a)针对像元x，计算不同方向所对应的尺度估计值y(x,θn)h，其中为卷积运算，为局部多项式自适应核，h∈H；(b)计算y(x,θ...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。