基于半监督稀疏表达模型的遥感图像的场景分类方法技术

本发明专利技术涉及一种基于半监督稀疏表达模型的遥感图像的场景分类方法，其步骤如下：(1)对待处理的遥感图像进行特征提取，获得半监督训练集；(2)根据遥感图像的场景类别标签，对有标记图像进行样本配对，构成相似样本对集合和非相似样本对集合；(3)使用训练集、标签集、相似样本对集合和非相似样本对集合建立半监督稀疏表达模型；(4)使用得到的半监督稀疏表达模型对待检测遥感图像进行场景分类。本发明专利技术充分利用有标记和无标记的遥感图像，在仅有少量有标记样本的遥感图像场景的分类中得到有效使用，且具有自动检测、分类准确性高等优点。

【技术实现步骤摘要】
基于半监督稀疏表达模型的遥感图像的场景分类方法
本专利技术涉及图像处理及图像分类
，尤其是一种基于半监督稀疏表达模型的遥感图像的场景分类方法。
技术介绍
遥感图像分类技术能够更精确的识别地物的类别信息，在精细农业、地质调查、军事侦察和识别伪装等方面有重要应用。遥感场景分类是根据从遥感图像中的进行特征提取后的内容，实现对遥感场景进行分类和识别的过程。提高实时场景分类的准确率可以带来诸多便利，比如提高目标检测效果，更好的完成对土地资源问题进行覆盖率分析、利用率分析、土地规划建设等任务。近年来，随着模式识别技术的发展，自动识别遥感图像的场景已受到广泛关注。然而，分类精度受标签样本的数量和质量的影响较大。由于标记遥感图像需要大量的人力和物力，且时间长，效率低，导致标签样本不易获取。另一方面，随着航空摄影技术的快速发展，产生了大量的遥感图像，这些无标签样本包含丰富的信息却不能被充分利用。因此，现有全监督的遥感图像的分类方法常常难以满足场景分类的需要。
技术实现思路
本专利技术要解决的技术问题是：为了克服现有技术中之不足，本专利技本文档来自技高网...

【技术保护点】
1.一种基于半监督稀疏表达模型的遥感图像的场景分类方法，其特征是：包括如下步骤：/n(1).采集c个不同类别的共n张遥感图像，特征提取后得到训练集X＝{x

【技术特征摘要】
1.一种基于半监督稀疏表达模型的遥感图像的场景分类方法，其特征是：包括如下步骤：
(1).采集c个不同类别的共n张遥感图像，特征提取后得到训练集X＝{x1,x2,...,xn}，取样本集X的前l个样本{x1,x2,...,xl}记为Xl，进行场景类别的标记，得到类别标签集Yl＝{y1,y2,...,yl}，标签向量表示样本xi的场景类别是第j类，样本集X的后(n-l)个样本{xl+1,xl+2,...,xn}未标记场景类别记为Xu；
(2).根据遥感图像的场景类别标签，对Xl进行样本配对，构成相似样本对集合M和非相似样本对集合N，其中M＝{(xi,xj)|yi＝yj}，N＝{(xi,xj)|yi≠yj}；
(3).使用训练集X、标签集Yl、集合M和集合N建立半监督稀疏表达模型；
(4).使用得到的半监督稀疏表达模型的最优参数对待检测遥感图像进行分类；
上述步骤(3)所述的使用训练集X、标签集Yl、集合M和集合N建立半监督稀疏表达模型，其具体步骤如下：
(31).使用K-SVD稀疏编码算法在训练集X集上进行字典学习，得到初始字典矩阵D＝{d1,d2,...,dK}和初始稀疏系数矩阵A＝{a1,a2,...,an}，其中K表示字典D的原子数目；
(32).在训练集X上构建字典D的邻近图矩阵G，G中的元素Gi,j为：



其中KNN(dj)返回k个距离dj最近的字典原子，1≤i,j≤K；
(33).利用训练集X、标签集Yl、邻近图矩阵G、字典矩阵D和稀疏系数矩阵A建立半监督稀疏表达模型，半监督稀疏表达模型的目标函数为：



其中W是分类系数矩阵，子稀疏系数矩阵Al是A的前l列，分类校准函数f(x)的计算式为：γ、λ、β、η、θ1和θ2是正实数，τs和τd是两个阈值，||·||2是2-范数；
(34).目标函数式...

【专利技术属性】
技术研发人员：顾晓清，倪彤光，
申请(专利权)人：常州大学，
类型：发明
国别省市：江苏;32