【技术实现步骤摘要】
基于局部信息约束和稀疏表示的光谱图像分类方法及系统
本专利技术涉及光谱图像分类领域，具体地说，本专利技术涉及一种基于局部信息约束和稀疏表示的光谱图像分类技术方案。
技术介绍
高光谱图像可提供丰富的空间信息与光谱信息。光谱图像中每个像素包含紫外、可见光、近红外、中红外和热红外波段范围内近数百波段的光谱数据。近年来，物质分类已成为光谱图像的最基本技术需求，且被应用于城市规划、地质勘探、环境监测等领域。在已经提出的分类方法中，最具代表性的方法之一是支持向量机(SVM)，即使在小样本的情况下，SVM也可以取得较为满意的分类结果[1]。近年来，基于稀疏表示的分类方法(SRC)在高光谱图像分类领域得到了越来越多的关注。稀疏表示假设每个测试像素可由给定标签数据集中尽可能少的原子线性组合而成，测试像素的最终标签由最小重构误差对应的类决定。为了解决SRC在高维数据中计算法复杂度高的问题，文献[2]中张等人提出了一种基于l2范数的协作表示的分类框(CRC)，待测像素由字典中所有原子重构表示，取得了较好的分类效果。此外，为了将稀疏表示与协...
【技术保护点】
1.一种基于局部信息约束和稀疏表示的光谱图像分类方法，其特征在于：包括对光谱图像中待分类像素光谱与已知标签像素光谱之间的欧几里得距离度量，根据距离大小确定字典集范围；基于类别信息建立光谱图像分类的数学模型，得到相应的优化问题；根据优化问题求解待分类光谱的丰度系数，根据令目标函数取最小值的解对光谱图像进行分类。/n
【技术特征摘要】
1.一种基于局部信息约束和稀疏表示的光谱图像分类方法，其特征在于：包括对光谱图像中待分类像素光谱与已知标签像素光谱之间的欧几里得距离度量，根据距离大小确定字典集范围；基于类别信息建立光谱图像分类的数学模型，得到相应的优化问题；根据优化问题求解待分类光谱的丰度系数，根据令目标函数取最小值的解对光谱图像进行分类。
2.根据权利要求1所述基于局部信息和稀疏表示的光谱图像分类方法，其特征在于：实现过程包括以下步骤，
步骤1，构建局部约束字典集；令光谱图像为X∈RM×N×B，其中R为实数，M和N为图像在空间维度的高度与宽度，B为光谱维度上的波段数目，X中每个像素对应的光谱记为xm,n，m＝1,2,...,M，n＝1,2,...,N，将光谱图像X中从左到右从上到下像素对应光谱按列排列成矩阵为T＝[x1,1,x1,2,...,x1,N,x2,1...,xM,N]∈RB×MN；
设任意一待分类像素的光谱为y，且光谱图像中共有C种目标类别，利用K最近邻方法在矩阵T中选择出与y欧几里得距离最近的K条光谱，并将选择范围内的光谱按照已知类别信息排列形成局部约束字典集其中Dc为c第类子字典集，为c第类子字典集第kc条光谱；
步骤2，建立光谱图像分类模型，得到相应的优化问题；待分类像素光谱y可由所属类别的光谱线性组合构成，数学模型如下：
y＝Dcαc+e，
其中为局部约束子字典集对应的丰度系数，e∈RB×1表示重构误差；
对于分类像素的光谱为y，利用光谱中数据的先验类别信息将分类模型转化为如下优化问题:
上式需符合约束条件||αc||0≤S0，另min为最小化算子，||·||2，||·||0分别表示l2与l0范数，S0表示丰度系数的稀疏度；
步骤3，求解步骤2所得的优化问题，得到令目标函数最小值的解；
步骤4，根据步骤3求解到的对待测像素y进行分类；待分类像素y的类别标签Class(y)由最小重构误差决定：
上式子表示如果1到C中的某个值c令取到最小值，则y就归属第c个类别。
3.根据权利要求2所述基于局部信息和稀疏表示的光谱图像分类方法，其特征在于：步骤1中，实现K近邻方法的方式如下，
利用线性判别分析方法将高维光谱数据投影到最佳矢量空间，在低维矢量空间中计算T中元素光谱与待分类像素y的欧几里得距离差异pm,n，如下：
其中Γ∈B′×B为线性判别分析方法求得的投影算子，B′为矢量空间维度，记录K个最小pm,n值对应的索引，选择该索引集对应的光谱集。
4.根据权利要求2或3所述基于局部信息约束和稀疏表示的光谱图像分类方法，其特征在于：步骤3首先将待分类像素光谱y与字典集D中所有光谱分别进行归一化处理，公式如下：
其中t为任意光谱的原始辐射值，为光谱归...
【专利技术属性】
技术研发人员：马泳，张媛舒，梅晓光，马佳义，黄珺，樊凡，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42
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。