【技术实现步骤摘要】
一种遥感图像的分类方法
本专利技术涉及遥感图像处理领域,特别是一种遥感图像地物分类的方法。
技术介绍
遥感图像在国民经济的各个领域发挥着越来越重要的作用,其中,遥感图像分类显得尤为重要,如根据植被覆盖率进行水土流失监测、根据分类后的海洋溢油面积计算估算损失和环境保护、通过遥感图像分类后得到的结果可以自动生成测绘地图等。在图像处理中,根据分类过程中所使用的样本是否有标记,将现有的遥感图像分类方法分为全监督、半监督和非监督的三类方法。文献“SemisupervisedNeuralNetworksforEfficientHyperspectralImageClassification,IEEETransactionsonGeoscienceandRemoteSensing,2010,Vol.48(5),p2271–2282.”提出了一种半监督神经网络的超光谱图像分类方法。该方法首先构建了基于流形正则化框架下的半监督神经网络,然后使用带有平衡约束的随机梯度下降法对能量函数进行优化。但是,该方法分类训练过程复杂、估计误差较大,且通过经验误差来确定判别函数,分类精度不高且会陷入局部最优,其泛化能力尚有提高空间。
技术实现思路
为了克服现有技术的不足,本专利技术提供一种对遥感图像进行半监督分类的方法,能够有效提高地物分类精度。本专利技术的技术方案包括下述步骤:构建半监督神经网络模型以用于遥感图像的地物分类、用拟牛顿法对模型进行求解得到地物分类结果。(a)获取遥感图像中地物的样本。从遥感图像中提取各个像素的灰度特征,根据不同地物具有不同灰度值的特性,对遥感图像中已知地物类别的 ...
【技术保护点】
一种遥感图像的分类方法,其特征在于包括下述步骤:(a)从遥感图像中提取各个像素的灰度特征,根据不同地物具有不同灰度值的特性,对遥感图像中已知地物类别的部分进行标记,从而获得标记样本;未知类别部分则作为无标记样本;将标记样本与无标记样本集合,即得到了用于进行分类的样本数据;(b)构建用于地物分类的半监督神经网络模型,该神经网络模型为一个三层感知神经网络,其中输入层包括1个神经元,隐层包括三个神经元,输出层包括4个神经元;在该神经网络中,将SVM中的结构性误差引入代替感知神经网络的经验误差,以此作为新的正则化目标函数,从而得到了基于结构误差的新的半监督神经网络模型;(c)采用拟牛顿进行求解半监督神经网络,进行地物分类。
【技术特征摘要】
1.一种遥感图像的分类方法,其特征在于包括下述步骤:(a)从遥感图像中提取各个像素的灰度特征,根据不同地物具有不同灰度值的特性,对遥感图像中已知地物类别的部分进行标记,从而获得标记样本;未知类别部分则作为无标记样本;将标记样本与无标记样本集合,即得到了用于进行分类的样本数据,具体如下:以遥感图像中像素的灰度值作为描述地物的特征,从包含多种地物的遥感图像中,提取遥感图像中各类地物的特征,形成一个由像素灰度值组成的样本集合其中样本x1,x2,…,xl,xl+1,…,xn表示遥感图像中各个像素的一维灰度特征向量,n表示所有遥感图像中包含的像素个数;针对样本集合人工为其前l个样本标记类别,形成标记集合{y1,…,yl},其中yi∈{-1,+1}(i=1,2,...,l),其中每个像素灰度值xi是实数,并且标记yi∈{-1,+1};而样本集合中后u个数据点为未标记数据;对图像进行半监督分类也就是构建并求解目标函数的过程,决策函数f的最小化正则化函数为:其中,V表示标记数据导致损失的代价函数,γM控制数据边缘分布内蕴几何的复杂度,在构建的新模型中,选择神经网络构造f(w,x),在模型中,用于解决不适定问题的Laplacian正则化项改为根据nguyen-widrow设置初始权值,使用l+u个节点构造数据邻域图,边缘的权值为Sij,由这些权值形成一个(l+u)×(l+u)矩阵S,那么L=D-S,其中D为S的对角矩阵,其对角元素且f=[f(w,x1),…f(w,xl+u)]T;(b)构建用于地物分...
【专利技术属性】
技术研发人员:孙莉,张群,马苗,田光见,李秀秀,马润年,
申请(专利权)人:中国人民解放军空军工程大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。