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，本专利技术提出了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，借助于半监督学习技术，利用少量的标记样本和大量的未标记样本建立分类模型，从而在标记样本有限的情况下即能取得良好的分类性能；同时借助于稀疏表达在图像处理领域的优势，从遥感图像中得到字典集，实现对遥感图像的稀疏表达，提升遥感图像场景的分类精度。本专利技术解决其技术问题所采用的技术方案是：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，具有以下步骤：(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；(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(2)的优化涉及矩阵Al、A、D、W和G，需要通过交替迭代算法优化参数，优化一个参数时，将其它参数固定，直到满足相应的收敛条件或最大的迭代数目，其主要交替执行如下步骤：①固定矩阵D，W和G，更新Al和A，半监督稀疏表达问题转化为如下形式：为了便于求解，引入辅助矩阵Y＝[Yl,0c×(n-l)]，式(3)转化为：使用梯度下降法求解矩阵A的列分量式(4)对ai求偏导数的计算式为：f′(x)的计算式为'表示求偏导数操作，T为矩阵的转置，求得的的前l个向量构成矩阵Al；②固定矩阵Al、A、W和G，更新D，半监督稀疏表达问题转化为如下形式：使用拉格朗日对偶方法求解式D，可得D＝(XAT)(AAT+Λ)-1，Λ是由求解式(6)所得最优对偶变量构成的对角矩阵；③固定Al、A、D和G，更新W，半监督稀疏表达问题转化为如下形式：使用最小二乘方法求解式W，可得④将字典矩阵D代入式(1)，更新邻近图矩阵G；⑤判断迭代次数是否达到预设数目或字典矩阵D是否趋于稳定，如果是，则将最后一次迭代得到的Al、A、D、W和G作为半监督稀疏表达模型的最优参数；如果否，则返回步骤①，继续执行Al、A、D、W和G的更新；上述步骤(4)所述的使用得到的半监督稀疏表达模型对待检测遥感图像进行分类，其具体步骤如下：(41)获取待分类的遥感图像样本z；(42)将样本z和步骤(3)得到的字典矩阵D代入下式，计算样本z的稀疏表示μ是一个正实数，使用正则最小二乘法可得(43)将和步骤(3)得到的分类系数矩阵W代入分类决策函数得到样本z的类别标签向量I，样本z的场景类别是I中最大分量的索引。本专利技术的有益效果是：1)本专利技术充分利用有标记和无标记的遥感图像，能有效降低学习训练过程中的标记样本数量，在很多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；2)稀疏表达实现对遥感图像结构特性蕴含稀疏特征的有效表示，本专利技术提出的方法在不同遥感图像场景的分类任务中能取得良好的性能；3)本专利技术实现对遥感图像场景的自动识别，用户操作简单、方便。附图说明下面结合附图和实施例对本专利技术进一步说明。图1是基于半监督稀疏表达模型的遥感图像的场景分类方法的流程图。图2是本专利技术的半监督稀疏表达模型训练过程的流程图。图3是本专利技术实施例的遥感图像数据集部分实例图。具体实施方式现在结合附图对本专利技术作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本专利技术的基本结构，因此其仅显示与本专利技术有关的构成。参见图1～图3所示，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，本实施例选取Google遥感图像数据集，Google数据集是一个空中场景数据集，由12个类别的场景图像组成，包括商业、港口、工业、公园和河流等类别，每个类有200张像素为200×200的遥感图像。随机选取1500张图像用作模型的训练，其余用作模型的测试。(1)对待处理的遥感图像进行特征提取，本实施例采用卷积神经网络模型VGG-16对2400张遥感图像进行特征提取，提取得到的特征维数是1024，1500张用作模型训练的遥感图像表示为X＝{x1,x2,...,x1500}，取样本集前240个样本{x1,x2,...,x240}记为Xl，进行场景类别的标记，得到含12个场景类别的标签集Yl＝{y1,y2,...,y240}，表示样本xi的场景类别是第j类，每个场景类别均包含20张遥感图像。样本本文档来自技高网...

【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