一种基于矩阵群的KNN的场景分类方法和系统技术方案

本发明专利技术公开了一种基于矩阵群的KNN的场景分类方法和系统，获取待处理的遥感数据集，按比例划分为训练数据文件和测试数据文件；将训练样本投影到李群流形空间；计算各个类别的李群样本的内均值；随机从测试数据中取样本，进行投影计算其李群样本内均值；计算其与所有已知类别内均值之间距离；按距离升序排列，取前K个最小距离对应的所属类别样本；取其中所属类别样本个数最多的类别，赋予测试样本。本发明专利技术具有如下优点：(1)本发明专利技术既能满足向量样本的计算又能满足矩阵样本的计算，具有很好的拓展性。(2)本发明专利技术使用范式距离代替Euclid距离，具有很好的抗噪性。样本的维度低，具有很好的计算性能。

A KNN scene classification method and system based on matrix group

【技术实现步骤摘要】
一种基于矩阵群的KNN的场景分类方法和系统
本专利技术涉及遥感影像处理、场景分类领域，尤其是涉及一种基于矩阵群的KNN的场景分类方法和系统。
技术介绍
由于各种光学遥感成像技术的提升和各类传感器的快速发展，使得我们能够比以往更快更容易的获得高分辨率遥感影像，更有助于我们了解生活的环境。高空间分辨率(HSR)遥感影像可以提供关于事务的结构、纹理、形状、轮廓等大量有参考意义的信息，从而有助于提高遥感影像的识别准确度。与此同时，各类遥感影像数据集数量也在增多。但是，现有的遥感影像分类方法很难做到高准确率的同时保持良好的存储、计算性能。因此，遥感影像的分类仍然是当前研究的一项重要任务。遥感影像在城市土地覆盖检测、城市绿地检测、目标检测、环境监测和气体污染等领域都起着非常突出的作用。常用的分类方法有：(1)KNN分类方法：该方法无需训练，通过计算测试样本与已知类别的K个样本的欧氏距离，来判断测试样本所属的类别。(2)深度学习方法，卷积神经网络(CNN)由不同类型的层组成，例如卷积层，池化层和全连接层(FC)，并使用共享权重的方式。每一层将输入量转本文档来自技高网...

【技术保护点】
1.一种基于矩阵群的KNN的场景分类方法，其特征在于，包括如下步骤：/nStep1、获取待处理的遥感影像数据集，将所需处理的遥感数据集分为训练集和测试集；/nStep2、将上述训练集和测试集分别转化为训练数据文件和测试数据文件；/nStep3、将所述训练数据文件中影像集投影到李群流形空间，得到李群样本集；/nStep4、计算各个类别的李群样本的内均值

【技术特征摘要】
1.一种基于矩阵群的KNN的场景分类方法，其特征在于，包括如下步骤：
Step1、获取待处理的遥感影像数据集，将所需处理的遥感数据集分为训练集和测试集；
Step2、将上述训练集和测试集分别转化为训练数据文件和测试数据文件；
Step3、将所述训练数据文件中影像集投影到李群流形空间，得到李群样本集；
Step4、计算各个类别的李群样本的内均值
Step5、随机从测试数据文件中取一个样本Ttest，将Ttest投影到李群流形空间并计算其李群样本的内均值
Step6、计算与所有已知类别李群样本的内均值之间的距离
Step7、根据上述的距离进行升序排列，取前K个最小的距离对应的所属类别样本；
Step8、取所属类别样本中所属类别样本个数最多的类别，赋予测试样本。


2.如权利要求1所述的一种基于矩阵群的KNN的场景分类方法，其特征在于：所述Step3具体包括：
对每个样本做李群映射：xij＝exp(Mij)，其中，Mij表示训练数据文件中第i类别的第j个李群样本，xij表示李群训练样本集中第i个分类中第j个样本。


3.如权利要求2所述的一种基于矩阵群的KNN的场景分类方法，其特征在于：所述Step4具体包括：
每个类别李群样本的内均值其中xij表示李群训练样本集第i个分类中第j个样本，ni表示第i个分类中训练样本的个数，c代表总的类别数，得到的内均值为矩阵，即其中，其中tkl表示第k行第l列的值，k和l的取值为分别为1-m和1-n，为m×n矩阵。


4.如权利要求3所述的一种基于矩阵群的KNN的场景分类方法，其特征在于：所述Step6具体包括：
计算与所有已知类别李群样本的内均值之间的距离其中


5.一种基于矩阵群的KNN的...

【专利技术属性】
技术研发人员：徐承俊，朱国宾，舒静倩，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42