基于局部-非局部不确定性分析的高光谱图像分类方法技术

本发明专利技术公开了一种基于局部

【技术实现步骤摘要】
基于局部
‑
非局部不确定性分析的高光谱图像分类方法


[0001]本专利技术属于图像分类
，涉及一种基于局部
‑
非局部不确定性分析的高光谱图像分类方法。

技术介绍

[0002]高光谱图像分类在地质研究和植被调查等方面一直是热点研究课题。尤其是在地物分类中，研究者通过对高光谱传感器获取的高光谱图像进行像素标记，以达到地物分类的目的。高效以及高精确度的高光谱图像分类算法可以在地质检测、植被研究、城市规划、军事侦察和土地利用等方面发挥巨大的作用。
[0003]在传统方法中，仅利用光谱维度信息的逐像素高光谱图像分类方法有计算简单、便于拓展等特点，然而并未考虑样本的空间关联性，即地物分布的空间连续性，这会导致两个主要问题：1)在较小的样本下难以对如此高维的数据学习出一个高精度的分类器，这即是著名的休斯现象；2)高维的光谱特征往往会导致分类模型中需要估计的参数量的增加，这会造成过拟合以至于模型的泛化性能难以提升。另外，同一类地物受光照强弱、阴影等因素的影响，其光谱特征也不尽相同，因而不包含空间信息的逐像素分类方法难以取得令人满意的分类结果。相比SAR图像和多光谱图像来说，高光谱图像虽然建模时需要大量的参数，但同时也提供了丰富的空间信息和光谱信息，显著地提高了图像数据分析的质量、细节性、可靠性以及可信度。到目前为止，使用图像的光谱信息和空间信息的高光谱图像分类方法也已经被众多学者关注和研究，在提高分类精度方面取得了比较好的效果。
[0004]目前提出的高光谱分类方法有：/>[0005]曹相湧等在文章“基于马尔可夫随机场和卷积神经网络的高光谱图像分类”中提出了一种新的遥感高光谱图像(HSI)监督分类算法，它将光谱和空间信息集成在一个统一的贝叶斯框架中。首先，该分类方法从贝叶斯的角度来表述高光谱图像分类问题。然后，采用卷积神经网络(CNN)，使用补丁式训练策略来学习后验类分布，以更好地利用空间信息。接下来，通过在标签上放置空间平滑度，可以进一步考虑空间信息。最后，我们使用随机梯度下降迭代更新CNN参数，并使用基于α扩展的最小割算法更新所有像素向量的类标签。然而，该方法以牺牲大量人工标记的数据集为代价，同时CNN对数据有很强的贪婪属性。虽然在现实世界中，获得大量未标记的数据集相对简单，但数据集的手工标签的成本很高；对于那些标签需要高度专业知识的领域尤其如此。
[0006]Alberto Villa等在文章“Hyperspectral ImageClassification With IndependentComponent Discriminant Analysis”中提出了一种利用独立主成分(IC)判别分析(ICDA)用于遥感分类的方法。ICDA是一种非参数的判别分析方法，基于对由ICs组成的信号应用贝叶斯分类规则。该方法利用独立主成分分析(ICA)来选择变换矩阵，使变换后的分量尽可能独立。当数据被投影到一个独立的空间时，它们的多元密度函数的估计可以用单变量密度的乘积来计算。最后，应用贝叶斯规则进行分类分配。这篇文章研究了利用ICDA对高光谱图像进行分类的可能性，并且研究了增强独立性的算法和保留的IC数目对分类的
影响，提出了一种估计最合适的IC数目的有效方法。将该方法应用于多幅高光谱图像，以测试不同的数据集条件(城市/农业面积、训练集大小、传感器类型)。然而该方法只单纯的关注了高光谱图像的光谱特征，忽略了特征间的空间关联性，这会大大降低图像的分类精度。
[0007]综上所述，高光谱图像维度高，建模时需要大量的参数，训练数据不够时反而会影响分类精度。又如果不考虑像素间的空间关联性，仅利用光谱信息进行分类，也会使得分类精度不高。所以这些方法都不能得到高精度的分类图像。

技术实现思路

[0008]本专利技术的目的是提供一种基于局部
‑
非局部不确定性分析的高光谱图像分类方法，采用该方法能够对高光谱图像进行精确分离。
[0009]本专利技术所采用的技术方案是，基于局部
‑
非局部不确定性分析的高光谱图像分类方法，具体包括如下步骤：
[0010]步骤1，通过变量分离和增广拉格朗日算法来学习最大后验概率参数ω；
[0011]步骤2，基于步骤1得到的参数ω推断给定像素x
i
属于y
i
类的后验概率P(y
i
|x
i
)；
[0012]步骤3，计算像素x
i
的先验概率P(v
i
|y
i
)；
[0013]步骤4，基于步骤2和步骤3所得结果确定基于中心像素x
i
非局部区域的后验概率P(y
i
|x
i
，v
i
)，得到像素的分类结果。
[0014]本专利技术的特点还在于：
[0015]步骤2的具体过程为：
[0016]利用多项式逻辑回归模型给后验概率P(y
i
|x
i
)建模，即
[0017]P(y
i
|x
i
)＝P(y
i
|y
i
|x
i
，ω)
ꢀꢀꢀ
(1)；
[0018][0019][0020]其中，是由k(x
i
，x
j
)＝exp(
‑
||x
i
‑
x
j
||2/2ρ2)提供的高斯径向基核函数，ρ为高斯径向基核函数的宽度参数。
[0021]步骤3的具体过程为：
[0022]令v
i，j
为以图像像素x
i
为中心的受限区域中的像素集合，图像像素x
i
的预定非局部覆盖区域为S
i
，对应于K个类中像素x
j
的先验，其中：
[0023][0024][0025][0026]则：
[0027][0028]其中，μ为平滑强度，z为归一化常数，像素j∈S
i
；B1，B2，......B
J
为非局部覆盖区域S
i
的子集，A代表S
i
中的任何一个子集；d
i，j
为类间相对距离；
[0029]其中k也为归一化常数，计算公式如下：
[0030][0031]步骤3中，以图像像素x
i
为中心的受限区域为像素在5*5～23*23的范围之间。
[0032]步骤4的具体过程为：采用如下公式(9)计算后验概率P(y
i
|x
i
，v
i
)：
[0033][0034]其中，n为非局部区域中的像素个数。
[0035]本专利技术的有益效果是，本专利技术采用局部
‑
非局部先验信息融本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于局部
‑
非局部不确定性分析的高光谱图像分类方法，其特征在于：具体包括如下步骤：步骤1，通过变量分离和增广拉格朗日算法来学习最大后验概率参数ω；步骤2，基于步骤1得到的参数ω推断给定像素x
i
属于y
i
类的后验概率P(y
i
|x
i
)；步骤3，计算像素x
i
的先验概率P(v
i
|y
i
)；步骤4，基于步骤2和步骤3所得结果确定基于中心像素x
i
非局部区域的后验概率P(y
i
|x
i
，v
i
)，得到像素的分类结果。2.根据权利要求1所述的基于局部
‑
非局部不确定性分析的高光谱图像分类方法，其特征在于：所述步骤2的具体过程为：利用多项式逻辑回归模型给后验概率P(y
i
|x
i
)建模，即P(y
i
|x
i
)＝P(y
i
|x
i
，ω)
ꢀꢀꢀꢀ
(1)；(1)；其中，是由提供的高斯径向基核函数，ρ为高斯径向基核函数的宽度参数。3.根据权利要求2所述的基于局部
...

【专利技术属性】
技术研发人员：贾萌，张亚文，赵志强，白佳伟，张诚，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：