CN101930548A - 一种基于独立成分分析算法的高空间分辨率影像的识别方法 - Google Patents

Abstract

本发明提出了一种基于独立成分分析算法的高空间分辨率影像的识别方法。目的在于解决高空间分辨率影像的分类识别问题。具体步骤如下：首先对高空间分辨率影像使用主成分分析算法进行白化处理，然后用独立成分分析算法对图像进行分类提取特征空间，最后以欧式距离为基础进行分类识别。

Description

一种基于独立成分分析算法的高空间分辨率影像的识别方法 

技术领域：

本发明属于遥感图像处理及图像识别技术领域，是基于独立成分分析算法，能够处理高空间分辨率影像并能有效地对其进行分类识别。 

背景技术：

当前遥感数据呈现出高空间、高光谱和高时间分辨率等特点，其种类(星载与机载、光学与雷达影像)与容量(海量数据)都达到前所未有的规模，目视解译海量数据早已公认是不能完成的任务，必须依靠计算机自动进行信息解译。然而，高空间分辨率影像信息的高度细节化、纹理变化复杂造成同物异谱现象更为突出，给专题信息提取工作带来了很大困难，导致识别的自动化程度和正确率难以提高。如何有效地缓解或克服“数据过剩”与“信息贫乏”之间的矛盾是目前亟待解决的问题。高分辨率影像目标识别已成为遥感应用与模式识别研究领域的重要课题之一。 

从整体上看，遥感影像目标识别过程包括影像数据预处理、图像分割、特征提取、分类等几个部分。而特征提取环节是整个识别过程中尤为重要的部分，对遥感影像提取的特征的好坏直接决定了最后识别的效果。因此，深层次地挖掘高空间分辨率影像的特征信息成为了高空间分辨率影像目标识别的核心内容。 

目标识别领域目前已经发展了多种提取特征空间的方法，其中最为常用的是传统的主分量分析(PCA)方法(参考对比文件1)和最近几年发展迅猛的独立成分分析(ICA)方法(参考对比文件2)。PCA方法以消除随机变量之间的相关性为目标，是一种基于二阶统计特性的线性特征提取方法，其特点是在对高维数据进行降维处理的同时尽可能地保留了原始数据的特征。由于PCA方法只对随机变量的协方差矩阵进行计算和分析，所以，提取的特征向量只能消除随机变量之间的二阶冗余信息，反映随机变量的全局特征。但是，由于在其处理过程中，没有考虑随机变量的高阶统计特性，所以经过PCA方法处理后的数据仍然存在着随机变量之间的高阶冗余信息。但是，实际上，在高空间分辨率影像中，其高阶统计特性常常包含着对分类产生更为重要影响的特征信息。而ICA方法以将混合信号分离成相互独立的成分为目标，是一种基于高阶统计信息的非线性特征提取方法，其特点在于不仅消除了输入的随机变量之间的相关性(ICA方法分解出来的各分量是相互独立性，进而也就消除了各分量之间的相关性)，保留了原始数据的特征，而且ICA方法充分考虑了输入的随机变量的高阶统计信息，提取的特征向量还反应了高阶统计信息的特性。因此，由ICA方法提取的特征向量不仅是相互独立的，而且还反映了高空间分辨率影像的全局特征、局部特征和边缘特征。所以，在实际应用中，ICA方法更适用于对高空间分辨率影像进行特征提取。 

对比文件1：甘俊英，李春芝，2008.2DPCA-ICA算法在人脸识别中的应用[J].电路与系统学报，13(4)：24-28. 

对比文件2：Kwak，K.C.，Pedrycz，W.，2007.Face recognition using an enhanced independent component analysisapproach[J].IEEE Trans on Nerual Networks，18(2)：530-541. 

发明内容：

由于基于传统独立成分分析方法提取的特征空间不能最优区分不同类别样本，为此，本发明提出一种改进的基于独立成分分析的目标识别方法(Multi-ICA)。该方法为每个类别的样本构造单独的特征空间，通过投影到特征空间，得到表征该类别样本特征的特征向量集合。Multi-ICA方法提取的特征空间是基于某类样本图像的共性特征建立，同一类别样本间的欧式距离要小于不同类别样本之间的欧式距离。因此，可以将待识别样本分类到具有最小欧式距离的特征空间所对应的类别上。 

这种种基于独立成分分析算法的高空间分辨率影像的识别方法，包括独立成分分析算法提取特征空间、分类识别两个步骤。 

其中独立成分分析算法提取特征空间算法包括： 

现有一个具有m个类别的图像训练集，每个类别有t_i(i＝1，2，...，m)个样本。将训练样本集中的每一幅 图像按行扫描成行向量。建立特征空间的步骤为： 

(a)对第i类的图像样本进行预处理。首先是进行零均值处理，然后进行白化处理。i＝1，2，...，m； 

(b)采用快速独立成分分析算法估计分离矩阵W，进而估计出混合矩阵A和到得第i类的图像样本的基图像矢量S_i； 

(c)对基图像矢量S_i求伪逆，即得到第i类图像样本的特征空间 

(d)对各类的特征空间 

进行优化； 

(e)将第i类的图像样本x_i向其特征空间 投影： 

得到表征第i类图像样本x_i的特征向量y_i。 

其中分类识别算法包括： 

对于一个待识别的图像样本f，其识别步骤为： 

(a)向第i类图像样本的特征空间投影，得到其特征向量； 

(b)计算其与第i类图像样本的平均特征向量 

的欧式距离d_i； 

(c)取距离向量d(d＝(d₁，...，d_m))中的最小分量所对应的类别为其所属类别。 

附图说明：

图1是北京地区的Quickbird高分辨率卫星部分影像。 

图2是经过灰度化处理后的部分样本图像。 

图3是本发明整体流程图。 

图4是分类识别结果比较表。 

具体实施方式：

本发明的目的在于解决高空间分辨率影像的分类识别问题。具体步骤如下：首先对高空间分辨率影像使用主成分分析算法进行白化处理，然后用独立成分分析算法对图像进行分类提取特征空间，最后以欧式距离为基础进行分类识别。 

上述方法中，所述“独立成分分析算法”如下：现有一个具有m个类别的图像训练集，每个类别有t_i(i＝1，2，...，m)个样本。将训练样本集中的每一幅图像按行扫描成行向量。建立特征空间的步骤为： 

(a)对第i类的图像样本进行预处理。首先是进行零均值处理，然后进行白化处理。i＝1，2，...，m； 

(b)采用快速独立成分分析算法估计分离矩阵W，进而估计出混合矩阵A和到得第i类的图像样本的基图像矢量S_i； 

(c)对基图像矢量S_i求伪逆，即得到第i类图像样本的特征空间 

(d)对各类的特征空间 

进行优化； 

(e)将第i类的图像样本x_i向其特征空间 投影： 

得到表征第i类图像样本x_i的特征 向量y_i。 

上述方法中，所述“分类识别算法”如下：对于一个待识别的图像样本f，其识别步骤为： 

(a)向第i类图像样本的特征空间投影，得到其特征向量； 

(b)计算其与第i类图像样本的平均特征向量 

的欧式距离d_i； 

(c)取距离向量d(d＝(d₁，...，d_m))中的最小分量所对应的类别为其所属类别。 

实验结果： 

我们以北京地区的高分辨率卫星Quickbird影像为例，进行目标识别实验，结果表明，本发明提出的基于独立成分分析算法的高空间分辨率影像的识别方法的识别率有明显的提高，这是因为Multi-ICA算法的识别率要高于传统ICA算法和PCA算法，这是因为传统ICA算法和PCA算法得到的特征空间是建立在所有类别样本图像的共性之上的，对于类别之间的差异描述得不够充分，而Multi-ICA算法的特征空间则是建立在某类样本图像的共性之上，不同类别的样本对应着不同的特征空间，因而，类别之间的差异得到描述，所以，Multi-ICA算法的识别率效果更好。并且在一定程度上，缓解了由于样本数量增加导致样本特征向量维数增加的问题。 

Claims (3)

1.一种基于独立成分分析算法的高空间分辨率影像的识别方法，包括独立成分分析算法提取特征空间、分类识别两个步骤。

2.如权利要求1基于独立成分分析算法的高空间分辨率影像的识别方法，其中独立成分分析算法提取特征空间算法包括：

现有一个具有m个类别的图像训练集，每个类别有t_i(i＝1，2，...，m)个样本。将训练样本集中的每一幅图像按行扫描成行向量。建立特征空间的步骤为：

(a)对第i类的图像样本进行预处理。首先是进行零均值处理，然后进行白化处理。i＝1，2，...，m；

(b)采用快速独立成分分析算法估计分离矩阵W，进而估计出混合矩阵A和到得第i类的图像样本的基图像矢量S_i；

(c)对基图像矢量S_i求伪逆，即得到第i类图像样本的特征空间

(d)对各类的特征空间

进行优化；

(e)将第i类的图像样本x_i向其特征空间

投影：

得到表征第i类图像样本x_i的特征向量y_i。

3.如权利要求1基于独立成分分析算法的高空间分辨率影像的识别方法，其中分类识别算法包括：对于一个待识别的图像样本f，其识别步骤为：

(a)向第i类图像样本的特征空间投影，得到其特征向量；

(b)计算其与第i类图像样本的平均特征向量的欧式距离d_i；

(c)取距离向量d(d＝(d₁，...，d_m))中的最小分量所对应的类别为其所属类别。

Images