基于稀疏表示模型的可解释多源遥感影像联合分类方法技术

本发明专利技术公开了基于稀疏表示模型的可解释多源遥感影像联合分类方法，包括以下步骤；加载高光谱、激光雷达图像以及相应的地物标签图并进行预处理；将预处理后的高光谱和激光雷达图像划分为训练集和测试集，得到待分类样本点的光谱和高程信息；引入自适应空谱信息融合模块，得到高光谱图像含空谱信息和激光雷达图像含有空间高程信息的待分类样本特征，并从每类样本特征中选取部分作为初始训练字典；利用样本点空谱信息和空间高程信息和初始训练字典通过稀疏表示模型迭代m次得到稀疏系数矩阵；获得多模态地物特征，通过分类器，得到分类结果。本发明专利技术将神经网络模型可解释化，提升了网络模型的泛化性能，提高了分类的精度。提高了分类的精度。提高了分类的精度。

【技术实现步骤摘要】
基于稀疏表示模型的可解释多源遥感影像联合分类方法


[0001]本专利技术属于遥感图像处理
，具体涉及基于稀疏表示模型的可解释多源遥感影像联合分类方法。

技术介绍

[0002]在遥感领域中已经有大量算法用来实现高光谱图像和激光雷达图像地物分类。现有的方法主要分为两大类，基于模型的方法和基于深度学习的方法。
[0003]基于模型的方法经过了大量推导，理论严谨，易于理解，并在实际应用中取得了不错的地物分类结果。一般来说，这些方法包含两个步骤。首先，他们将高光谱数据表示在特征空间中，降低维数并提取一些信息含量高的特征，将提取的特征送入分类器。在传统的训练方法中，具有非线性核的支持向量机非常受欢迎，特别是在训练数据有限的情况下。极限学习机(ELM)也被用于高光谱图像分类，从高光谱图像中提取局部二进制模式(lbp)并用于分类。在对未标记高光谱图像进行分类时，常常使用随机森林的鉴别能力。基于稀疏表示的方法，将像素表示为几个字典原子的线性组合，在降低复杂度的同时提取样本的主要特征。
[0004]随着人工神经网络的提出，深度学习方法已经广泛本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于稀疏表示模型的可解释多源遥感影像联合分类方法，其特征在于，包括以下步骤；加载相同时相的高光谱图像、激光雷达图像以及该时相下的地物标签图并进行预处理；预处理后的高光谱和激光雷达图像为样本点的光谱和高程信息，将预处理后的高光谱和激光雷达图像划分为训练集和测试集；引入自适应空谱信息融合模块，得到高光谱图像含空谱信息和激光雷达图像含有空间高程信息的待分类样本特征，并从每类样本特征中选取部分作为初始训练字典和利用样本点空谱信息和空间高程信息和初始训练字典通过稀疏表示模型迭代m次得到稀疏系数矩阵和级联高光谱图像稀疏系数矩阵和激光雷达图像稀疏系数矩阵作为多模态地物特征通过分类器，得到分类结果。2.根据权利要求1所述的基于稀疏表示模型的可解释多源遥感影像联合分类方法，其特征在于，对预处理后的高光谱图像和激光雷达图像进行自适应空谱信息联合得到融合空谱信息的高光谱图像和激光雷达图像L；通过自适应空谱信息融合模块使用欧几里德距离计算相邻像素和中心像素之间的相似性，计算相邻像素权重并自适应加权到中心像素中，含有空谱特征的高光谱样本点通过下式获得：其中h
i
表示与中心像素h相邻像素中的第i个像素，n是相邻像素的数量，ω
i
是h
i
对应的权重，该权重针对每个相邻的像素进行自适应调整；含有空间高程信息的激光雷达图像样本点通过下式获得：其中l
j
表示与中心像素l相邻中的第j个像素，n是相邻像素的数量，ω
j
是l
j
对应的权重，该权重针对每个相邻的像素进行自适应调整；ω
i
和ω
j
越大，意味着h
i
和h越相似，l
j
和l越相似，更可能属于同一类地物，通过自适应加权H与L中每个样本像素周围邻域的空间信息获得含有空谱信息高光谱样本点和空间高程信息的激光雷达样本点因此，和L中的每个样本点不仅包含了地物的光谱和高程特征，还自适应地加权了地物周围的空间信息，从而更完整地提取了图像地物特征。3.根据权利要求2所述的基于稀疏表示模型的可解释多源遥感影像联合分类方法，其特征在于，同一类地物使用相同的特征来表示，任意所述同一类地物能够使用代表所有类别地物的特征(字典)乘以该类地物的权重来进行表示，该线性表示为；
H≈D
H
A
H
＝[d1,d2,d3…
d
M*N
][α1,α2,α3…
α
M*N
]
T
其中D
H
为一个大小为M*N的字典,M为地物类别数，N为字典中每类地物所取的数目，α
M*N
表示稀疏系数矩阵，代表字典的权重，因此一个待分类的样本可以通过字典乘以稀疏系数矩阵来表示。4.根据权利要求2所述的基于稀疏表示模型的可解释多源遥感影像联合分类方法，其特征在于，所述空谱信息融合模块首先使用欧氏距离计算大小为B
×
B的空间像素与中心像素的相似性(权重)，再通过SoftMax层将权重归一化，通过加权求和得到高光谱和激光雷达图像带有空谱信息的样本点，使用卷积层对该光谱向量进行特征提取，得到待分类样本点的空谱特征，在特征提取过程末端将高光谱图像与激光雷达图像的待分类样本点通道数保持一致，便于后续稀疏系数矩阵和的拼接。5.根据权利要求1所述的基于稀疏表示模型的可解释多源遥感影像联合分类方法，其特征在于，所述初始训练字典和确定后，通过一种可解释的正交匹配追踪算法来实现稀疏向量的求解；在正交匹配追踪算法的每次迭代中，待分类样本特征即为最初始的残差，将与待分类样本点最相似的字典原子的索引添加到索引集中，并更新分类样本特征，重复上述选取操作，当达到所需的稀疏程度K时，算法终止，求得K个与待分类样本点的最相关字典，并根据最相关字典集求解稀疏系数矩阵A
H
和A
L
；根据求解出的A
H
和A
L<...

【专利技术属性】
技术研发人员：曲家慧，杨元博，董文倩，李云松，肖嵩，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：