【技术实现步骤摘要】
一种基于加权邻域的多尺度高光谱图像分类方法
本专利技术涉及遥感信息处理
，特别涉及一种基于加权邻域的多尺度高光谱图像分类方法。
技术介绍
高光谱图像通过光学传感器所采集，通常高光谱图像具有维数高、信息海量等特点。高光谱图像分类是将每个像元所包含的所有波谱信息作为一个整体，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，依据这种差异性将每个像元赋予样本类别标号。联合协作表达分类(Jointcollaborativerepresentationclassification，JCRC)被成功的引入高光谱图像分类中，并具有一定的优势。JCRC：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。采用一个固定尺寸的正方形窗口作为邻域窗口，其中测试像元x作为中心元素，将邻域中所有像元组成联合矩阵XJ来参与系数ψ的求解。ψ可用获取，||·||F表示Frobenius范数，λ为大于零的数，为平衡因子。最终JCRC通过选取最小残差的类别来标记测试像元x。JCRC分类方法...
【技术保护点】
1.一种基于加权邻域的多尺度高光谱图像分类方法，其特征在于，包括以下步骤：/n(1)、读入高光谱图像数据；/n(2)、根据高光谱数据选取训练样本，构建字典D；/n(3)、确定待处理测试样本的多尺度邻域信息；/n(4)、针对尺度为C
【技术特征摘要】
1.一种基于加权邻域的多尺度高光谱图像分类方法，其特征在于，包括以下步骤：
(1)、读入高光谱图像数据；
(2)、根据高光谱数据选取训练样本，构建字典D；
(3)、确定待处理测试样本的多尺度邻域信息；
(4)、针对尺度为Ce的邻域集合，确定邻域元素所占的权重；
(5)、求解尺度为Ce邻域所对应的系数矩阵Ψe；
(6)、重构样本，计算尺度为Ce邻域所对应的重构残差集合Re；
(7)、计算不同尺度邻域所对应的重构残差信息；
(8)、通过重构残差集合，最终确定高光谱像元类别。
2.根据权利要求1所述的一种基于加权邻域的多尺度高光谱图像分类方法，其特征在于，步骤(1)包括以下过程：
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。
3.根据权利要求1所述的一种基于加权邻域的多尺度高光谱图像分类方法，其特征在于，步骤(2)包括以下过程：
高光谱数据一共包含j个类别地物，从各个类别中分别选取一部分像元样本作为训练样本，同时将这些训练样本的集合作为字典D，D＝[D1，D2，…，Di，…，Dj]，其中Di表示由第i类别的地物所构成的字典子集。
4.根据权利要求1所述的一种基于加权邻域的多尺度高光谱图像分类方法，其特征在于，步骤(3)包括以下过程：
根据高光谱图像给出所需邻域的M个不同尺度信息：
Ce为尺度的大小，为正的奇整数。
5.根据权利要求1所述的一种基于加权邻域的多尺度高光谱图像分类方法，其特征在于，步骤(4)包括以下过程：
(4.1)提取邻域集合；
假设使用尺度为Ce(e的初始值为1)的邻域，针对待处理的测试像元x，以该测试像元所处的位置为中心点构建一个尺寸为Ce×Ce的方形邻域，邻域窗口大小为Ce；邻域窗口所覆盖的像元集合为像元x的方形邻域集合FCe，其大小为Ce×Ce×q；将FCe进行矩阵维数转换平铺为二维矩阵，成为测试样本x对应的尺度为Ce的邻域测试集合Je；
(4.2)分别确定不同邻域元素所占的权重；详细的步骤为：
(1)、针对邻域集合进行扩充；
首先，确定相似模板大小为(2f+1)×(2f+1)，将方形邻域集合(大小为Ce×Ce×q)整体做为中心元素，通过复制手段扩充成为大小为(Ce+2f)×(Ce+2f)×q的处理矩阵集合PU；
(2)、计算邻域元素的邻域像元距离；
方形邻域集合FCe共具有Ce×Ce个邻域元素，下边计算第fang个邻域元素的邻域像元距离，其中1≤fang≤(Ce×Ce)；
由于图像具有q个波段，分别针对每个波段进行如下操作；
针对第op波段，其中(1≤op≤q)；使用大小为(2f+1)×(2f+1)的观测模板，观测模板中心为处理矩阵集合中心元素中该邻域元素所处位置，被观测模板所覆盖的处理矩阵区域构成该邻域像元的观测矩阵GU；
使用大小为(2f+1)×(2f+1)的相似模板，相似模板的中心点从处理矩阵PU的位置从(1+f，1+f)处开始，以步长为1进行滑动，直到滑动到(Ce+f，Ce+f)处结束；每滑动一次，被相似模板所覆盖的处理矩阵区域均构成一个相似矩阵SUhua，其中的1≤hua≤(Ce×Ce)；
每滑动一次都要及计算一次对应的相似矩阵与观测矩阵的高斯加权距离，并将这些高斯加权距离进行累计加和操作，最终...
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。