一种自适应近邻图优化的高光谱半监督分类方法技术

本发明专利技术涉及高光谱分类技术领域，具体为一种自适应近邻图优化的高光谱半监督分类方法，包括以下步骤：步骤1：构建初始的自适应近邻图模型；输入高光谱图像其中n表示样本点的个数，d表示样本的维数，x

【技术实现步骤摘要】
一种自适应近邻图优化的高光谱半监督分类方法


[0001]本专利技术涉及高光谱分类
，具体为一种自适应近邻图优化的高光 谱半监督分类方法。

技术介绍

[0002]高光谱图像是由机载或星载成像光谱仪在特定波长范围内对同一场景进 行连续扫描成像获取的遥感图像。成像光谱仪较多的成像波段数涵盖了十分 丰富的地物信息。遥感影像的光谱维数和分辨率随着成像光谱仪的空间分辨 率和谱间分辨率指标的提高而实现了极大地增加。获取的各类地物的特征随 着光谱分辨率的提高而越来越精细，通过分析海量的遥感影像，挖掘出不同 应用需求下的地物信息。高光谱遥感影像分类技术对提取专题信息、监测地 物动态变化具有重要的作用，广泛应用于制作专题地图、工程勘探、交通规 划管理、环境监测、土地利用和农作物估产等领域中。
[0003]高光谱影像的数据量比较大，需要标记大量的样本，耗费较大的人力物 力。无监督的高光谱影像分类方法将影像分割成几类，不需要任何的类标信 息，往往导致分类精度不高。半监督分类方法利用少量有标记样本和大量无 标记样本构建预测模型，将标签信息从少量有标记的样本点传递给无标记的 样本点，可以节约样本标记耗费的人力物力，具有重要的应用价值。因此， 开展高光谱影像的半监督分类技术研究具有重要的现实意义，传统的基于图 的半监督学习模型由于输入的数据图是固定的，图的质量对模型的性能具有 重要的影响，鉴于此，我们提出一种自适应近邻图优化的高光谱半监督分类 方法。

技术实现思路

[0004]本专利技术的目的在于提供一种自适应近邻图优化的高光谱半监督分类方 法，以解决上述
技术介绍
中提出的传统的基于图的半监督学习模型由于输入 的数据图是固定的，图的质量对模型的性能具有重要的影响问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：
[0006]一种自适应近邻图优化的高光谱半监督分类方法，包括以下步骤：
[0007]步骤1：构建初始的自适应近邻图模型；
[0008]输入高光谱图像其中n表示样本点的个数，d表示 样本的维数，x
i
为X中的第i个样本点；
[0009]步骤2：构建自适应近邻图优化的高光谱半监督分类模型；
[0010]设样本点为其中{x1,
…
,x
l
}表示前l个有标 记的样本点，令C＝{1,
…
,c}为标签集合，表示前l个样本点x
i
(i≤l)的标签为y
i
∈C，剩下u个数据点{x
l+1
,
…
,x
n
}没有标签，n＝l+u，表 示样本点的真实标签，其中对于有标记的数据点，如果x
i
的 标签为j，则Y
ij
＝1；对于无标记的样本点，Y
ij
＝0，令表示 软标签矩阵，F中的每一个元素为F
i
∈[0,1]。
[0011]优选的，所述步骤1还包括以下步骤：
[0012]步骤1.1：根据“两点之间的距离越小成为同一类的概率越大”的原则构 建初始的自适应近邻图：
[0013][0014]其中，s
ij
为向量的第j个元素，1为所有元素为1的列向量，其中， γ为正则化参数；
[0015]步骤1.2：令步骤1.2：令为向量中的第j个元素，式 的向量形式为：
[0016][0017]步骤1.3：采用拉格朗日方法对式进行求解：
[0018][0019]其中，η是一个标量，和β
i
…
0是拉格朗日系数向量，根据KKT条件可以 得到s
i
的最佳解为：
[0020][0021]优选的，所述步骤2还包括以下步骤：
[0022]步骤2.1：图半监督学习的经典模型是其中S是相似矩 阵，采用自适应近邻方法构建初始的相似矩阵S后，对S进行不断优化，根据 半监督学习目标，学习一个相似矩阵A，使A与S越接近越好，构建如下基于 自适应近邻图优化的半监督学习模型：
[0023][0024]其中，A为优化后的相似矩阵，采用如下迭代优化方对式进行求解；
[0025]步骤2.2：固定A，求F：
[0026]A固定时，式等价于：
[0027][0028]又由谱图理论可知：
[0029][0030]其中，为相似矩阵A对应的拉普拉斯矩阵，度矩阵为 对角矩阵，对角线上的元素为因此，式可写为：
[0031][0032]其中，F和L又可写为分块矩阵形式，因 此，式又可写为：
[0033][0034]令J(F
u
)关于F
u
的导数为0可得式的解，即：
[0035][0036]最终J(F
u
)的解为：
[0037][0038]计算得到无标签样本点的软标签矩阵后，对应的标签值可以根据下式得 到：
[0039]yi＝argmaxj≤cFij；
[0040]步骤2.2：固定F，求A：
[0041]F固定时，式等价于：
[0042][0043]令则式等价于：
[0044][0045]式的向量形式为：
[0046][0047]式等价于：
[0048][0049]优选的，所述步骤2.2中：式的解与式
[0050]的解相同，为：
[0051][0052]优选的，所述步骤1.3中，k为近邻点个数，通过式可以 看出得到的s
i
具有参数少，只涉及加减乘除简单运算的优点。
[0053]与现有技术相比，本专利技术的有益效果是：
[0054]1.该自适应近邻图优化的高光谱半监督分类方法，构建的初始自适应近 邻图具有参数少、运算简单的优点，为后续图的学习奠定了良好的基础。
[0055]2.该自适应近邻图优化的高光谱半监督分类方法，根据高光谱半监督分 类目标构建的图优化学习模型，能够获得更加稳健的图模型。
[0056]3.该自适应近邻图优化的高光谱半监督分类方法，通过数值推导同时得 到了优化图和样本标签，实现了图的学习和高光谱半监督分类的同步
具体实施方式
[0057]为了使本专利技术的目的、技术方案及优点更加清楚明白，结合实施例，对 本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以 解释本专利技术，并不用于限定本专利技术：
[0058]一种自适应近邻图优化的高光谱半监督分类方法，包括以下步骤：
[0059]步骤1：构建初始的自适应近邻图模型；
[0060]输入高光谱图像其中n表示样本点的个数，d表示 样本的维数，x
i
为X中的第i个样本点；
[0061]步骤2：构建自适应近邻图优化的高光谱半监督分类模型；
[0062]设样本点为其中{x1,
…
,x
l
}表示前l个有标 记的样本点，令C＝{1,...

【技术保护点】

【技术特征摘要】
1.一种自适应近邻图优化的高光谱半监督分类方法，包括以下步骤：步骤1：构建初始的自适应近邻图模型；输入高光谱图像其中n表示样本点的个数，d表示样本的维数，x
i
为X中的第i个样本点；步骤2：构建自适应近邻图优化的高光谱半监督分类模型；设样本点为其中{x1,
…
,x
l
}表示前l个有标记的样本点，令C＝{1,
…
,c}为标签集合，表示前l个样本点x
i
(i≤l)的标签为y
i
∈C，剩下u个数据点{x
l+1
,
…
,x
n
}没有标签，n＝l+u，表示样本点的真实标签，其中对于有标记的数据点，如果x
i
的标签为j，则Y
ij
＝1；对于无标记的样本点，Y
ij
＝0，令表示软标签矩阵，F中的每一个元素为F
i
∈[0,1]。2.根据权利要求1所述的自适应近邻图优化的高光谱半监督分类方法，其特征在于：所述步骤1还包括以下步骤：步骤1.1：根据“两点之间的距离越小成为同一类的概率越大”的原则构建初始的自适应近邻图：其中，s
ij
为向量的第j个元素，1为所有元素为1的列向量，其中，γ为正则化参数；步骤1.2：令步骤1.2：令为向量中的第j个元素，式的向量形式为：步骤1.3：采用拉格朗日方法对式进行求解：其中，η是一个标量，和β
i
…
0是拉格朗日...

【专利技术属性】
技术研发人员：何佑明，何芳，李毅，马荣荣，王颖，谢群，凡成福，徐宏翠，施培松，雷金方，
申请(专利权)人：安徽文达信息工程学院，
类型：发明
国别省市：