CN102096825B - 基于图的半监督高光谱遥感图像分类方法 - Google Patents

Abstract

本发明是一种基于图的半监督高光谱遥感图像分类方法，实现步骤涉及：提取输入图像特征；从无标签的样本中随机采样M个点与已标记的L个点构建成集合S，剩余的点构成集合R；使用类概率距离计算集合S和R中的点在集合S中的K个近邻点；使用线性表示方法构建两个稀疏矩阵W_SS和W_SR；使用标签传播得到预测标记函数

计算集合R中样本点的标签预测函数

确定输入图像所有像素点的类标。本发明使用类概率距离计算样本点的近邻点，使用半监督推导实现对高光谱图像的准确分类，大大减小了计算复杂度。解决了基于图的半监督学习算法不能用于大规模数据处理的问题，使用本发明在单位时间内计算效率至少提高了20-50倍，分类结果图的视觉效果较好。

Description

基于图的半监督高光谱遥感图像分类方法

技术领域

本发明属于图像处理技术领域，涉及高光谱遥感图像的分类，可用于对高光谱遥感图像进行预处理，具体是一种基于图的半监督高光谱遥感图像分类方法。

背景技术

高光谱遥感图像具有较高的光谱分辨率，提供了关于地物类型的丰富的信息。遥感图像的分类是遥感图像分析和应用的关键技术之一，如何面对高光谱的海量数据以及高维特点，将高光谱图像的各种特征相结合，研究快速、高效的目标识别与分类算法是目前和未来一段时间内高光谱图像处理研究的一个热点。

高光谱遥感之所以受到世界各国遥感科学家的普遍关注，其中一个重要原因就是：这一技术将确定物质或地物性质的光谱与揭示其空间和几何关系的图像革命性地结合在一起，而许多物质的特征往往表现在一些狭窄的光谱范围内，高光谱遥感实现了捕获地物的光谱特征同时又不失其整体形态及其与周围地物的关系。高光谱技术产生的一组图像所提供的丰富信息可以显著地提高分析的质量、细节性、可靠性以及可信度。

高光谱遥感在很多领域中都有重要的应用。在民用方面的应用有：地质调查，植被遥感，农业监测(产量估计、作物分析)，精农业研究，大气遥感(包括水蒸气、云及气溶胶探测)，水文学(涉及沿海地区和内陆水域环境、冰雪性质)，灾害环境遥感(生物量燃烧和弃矿污染调查)，土壤调查(评价、分类、侵蚀退化预测及监测)及城市环境遥感(包括城市地物和人工目标物的标识、城区制图和城市环境监测)等等。在这些应用中分类是一个非常重要的技术。

目前已有很多高光谱遥感图像的分类方法，包括无监督和监督的学习方法以及半监督的分类方法。无监督的方法包括K均值(k-means)聚类，谱聚类等，监督学习方法包括最近邻(NN)方法，支持向量机(SVM)的方法以及神经网络的方法。

现有的半监督学习方法有生成模型方法，自训练方法，协同训练和多视图学习，基于图的方法等。(1)基于生成模型的方法：这类算法假设用模型p(x，y)＝p(y)p(x|y)对数据建模，其中p(x|y)是一个混和分布。这样大量的无标识数据加上少量的各类的带标识数据就能用来求出该混合分布的各个参数。(2)自训练(Self-training)半监督学习：该算法首先用标注数据训练分类器，然后用训练好的分类器为无标注数据进行分类或标记，再选取其中置信度最高的若干个无标注数据放入到标注数据训练集里，接着用新的训练集对前面的分类器再次训练，并不断重复此过程，直至达到某停止条件。(3)协同训练(Co-training)和多视图学习(Multiview learning)：协同训练学习方法指的是多个学习机互相提供训练，即互相学习。半监督的互训练思想体现为：首先将特征集分成两个尽可能的相对平衡的特征集，再对每一个学习机采用已标识的样本进行训练，训练完毕后采用另一学习机为本学习机中的无标签样本集中具有较高置信的样本进行标识，然后进行再训练，如此循环直至算法稳定。以上三种方法较基于图的半监督方法相比泛化性较差。(4)基于图的半监督学习：目前大多数基于图的半监督学习算法都使用了图拉普拉斯算子，并且通过图来估计一个分类函数f。f通常需要满足：对已标识样本的识别尽可能与目标标识一致，对整个图的标识尽可能光滑。这样基于图的半监督学习方法就可以用正则框架来描述，即对已标识样本的损失函数加上光滑正则项。

基于图的方法是半监督图像分类技术中的重要组成部分，该类方法的基本内容是：构建一个图用来表征所有像素之间的相似性；已标注像素点的类别信息可以在带权图上传递，传递的结果可以为未标注图像提供有效的分类信息。很多基于图的半监督学习方法都是相似的，都是先建立优化目标函数或代价函数(通常由损失函数和正则项构成)，并通过各种最优化方法进行求解，使代价函数最小化。大部分基于图的半监督学习算法之间不同的地方只是在于对损失函数和正则项的选择不同。目前基于图的半监督学习算法主要有：基于高斯场(Gaussian Fields)和调和函数(Harmonic Function)的方法，局部和全局一致性(local andglobal consistency)的方法，流形正则化(Manifold Regularization)算法以及线性近邻传播算法(Linear neighborhood propagate，英文缩写为LNP)等。

基于图的半监督学习方法的核心的图的构建，由于和所有像素点存在一一对应的关系，图节点的数目是显而易见的，因此构建图的关键是权值的选择。目前常用的图有ε近邻图，k近邻图，全连接图，稀疏图，大多都是用高斯核函数计算权值。与很多基于图的半监督学习方法不同，线性近邻传播方法使用k近邻的稀疏图，并且使用线性表示的方法求图中边的权值，与已有传统方法相比，性能有所提高。

对于高光谱遥感图像的分类，由于已标识的样本点较少，使用传统的监督的学习算法很难获得较好的分类效果，无监督的方法不使用标签的信息，也很难得到较好的分类结果。半监督学习方法可以利用大量的未标记样本的信息，提高分类的精确率，因此可以把半监督学习用于高光谱图像分类，以提高分类的精度。然而由于大多数基于图的半监督学习方法计算量和存储量都很大，处理海量的高光谱数据会有困难，本发明提出使用半监督推导的方法处理海量高光谱数据，解决计算量和存储量的问题。

发明内容

本发明的目的在于克服上述已有技术的不足，提出一种分类准确度高，运算复杂度低，数据处理量增加50倍的基于图的半监督高光谱遥感图像分类方法。做好高光谱图像的预处理，为进一步处理打好基础。

本发明的实现在于：本发明是一种基于图的半监督高光谱图像分类方法，其特征在于：包括如下步骤：

(1)被分类的高光谱遥感图像具有N个像素点，其中标记点为L个，所有的L个标记点构成有标签点的集合，输入的高光谱遥感图像每一个像素点就是一个样本点，该点用一个特征向量x_i表示，得到图像特征集。

(2)对具有N个像素点的高光谱遥感图像，从无标签的样本中随机采样M个点与已标记的L个点构成集合S，n＝L+M，无标签样本点中剩余的点构成集合R，

无标签的样本点，即除去L个有标签的点剩余的即为无标签点，总数为N-L个。

(3)用类概率距离计算集合S   中的样本点在集合S中的K个近邻点，用类概率距离计算集合R中的样本点在集合S中的K个近邻点，得到输入  图像每个样本点x_i的近邻点的集合N(x_i)。

(4)根据每个样本点x_i在集合N(x_i)中的近邻信息使用线性表示方法构建两个稀疏矩阵W_SS和W_SR。

(5)使用标签传播的方法在稀疏图W_SS上传递已标注样本点x_i的类别信息，得到集合S上样本点x_i的标签预测函数

(6)计算集合R中样本点x_i的标签预测函数

可使用下式计算：

$F_R^{*}=W_{\mathrm{SR}}*F_S^{*}.$

(7)根据集合S和集合R的标签预测函数确定图像中每一个样本点x_i的类标，可使用下式：

其中y_i为样本点x_i的类标。

(8)重复步骤(7)，得到所有样本点x_i的类标，即输入图像所有像素点的类标，实现对整个高光谱图像的准确分类。

为实现上述发明目的，本发明使用类概率距离计算样本点的近邻点，使用半监督推导的方法降低了运算复杂度及运算过程中所需的存储空间，提高了分类准确率。

本发明的实现还在于：步骤(1)所述的将输入图像中的每一个像素点用一个特征向量表示，是用输入图像的每一个波段的灰度值作为图像每一个像素点的特征向量，对于部分图像去除空气水分吸收及低信噪比波段。

由于高光谱与通常的自然图像及SAR图像不同，不能使用简单的颜色及纹理信息，因此使用波段信息以实现更好的性能，由于杂波波段会影响标签的正确传播，因此去除杂波波段以提高正确率。

本发明的实现还在于：其中步骤(3)所述的使用类概率距离计算集合S和R中的点在集合S中的K个近邻点，具体包括以下步骤：

3a)初始化概率向量p(x_i)＝(p_1，i，...，p_c，i)^T，其中p_c，i表示样本点x_i属于类别c(c＝1，2，…，C)的概率，C表示图像的类别数；

3b)对于一对不同的样本点x_i和x_j，计算两点属于同一类的概P(x_i，x_j)，可使用下式计算：

$P(x_i,x_j)=\left\{\begin{array}{cc}1& i=i\\ p{\left(x_i\right)}^{T}p\left(x_j\right)& i\≠j\end{array}\right.$

其中p(x_i)表示概率向量；

3c)计算样本点x_i和x_j的距离，可使用下式计算：

dist(x_i，x_j)＝||x_i-x_j||+βD(1-P(x_i-x_j))

其中β∈(0，1)是可调整的参数，D＝max_ij||x_i-x_j||表示样本点x_i和x_j的欧式距离；

3d)根据计算出的距离，确定样本点x_i的K个近邻点的集合N(x_i)。

使用类概率距离计算样本点的近邻点，可以尽可能的保证每个像素点都与其近邻点属于同一类，提高分类的正确率。

本发明的实现还在于：步骤(4)根据每个样本点x_i在集合N(x_i)中的的近邻信息使用线性表示方法构建一个稀疏的矩阵W_SS和W_SR：

4a)计算每个点由其近邻点重构所得的重构系数ω_ij，可使用下式计算：

$\min {\mathrm{\Σ}}_i{\left|\right|x_i-{\mathrm{\Σ}}_{j:x_j\∈N\left(x_i\right)}{\mathrm{\ω}}_{\mathrm{ij}}{x}_j\left|\right|}^2$

$s.t.{\mathrm{\Σ}}_{j\∈N\left(x_i\right)}{\mathrm{\ω}}_{\mathrm{ij}}=1$

ω_ij≥0

其中，N(x_i)表示样本点x_i的近邻点集合；

4b)构建系数矩阵W，其中W(i，j)＝ω_ij

使用线性表示的方法计算权值可以更好的挖掘样本点之间的近邻关系，与传统的使用高斯核函数方法相比，提高了分类的准确率。

本发明的实现还在于：步骤(5)使用标签传播的方法在稀疏图W_SS上传递已标记样本点的类别信息，得到预测标记函数

5a)构建一个n×C类标矩阵Y，如果样本点x_i标记为第c(c≤C)类，Y_ij＝1，否则Y_ij＝0。

5b)计算集合S中样本点x_i的预测标记函数使用下式计算：

$F_S^{*}={(I-\mathrm{\αWss})}^{-1}*Y$

其中I为n×n的单位阵，α∈(0，1)是一自由参数。

标签传播方法是一种常用的基于图的半监督分类方法，能够根据权值信息较准确的将标签信息传递到所有的样本点。

本发明与现有技术相比具有如下优点：

1.使用类概率距离计算样本点的近邻点。在使用欧式距离挖掘像素点的邻域关系时，如果原始欧式距离相近的两个样本点属于不同的类别，那么很可能有像素点的邻域中包含了来自其它类的“邻居点”。类概率距离包含像素点的类别信息，使得属于不同像素点之间的距离相对大于它们原有的欧式距离。

为了验证本发明的基于图的半监督高光谱图像分类方法的优越性，分别对图3所示三幅高光谱图像的有标记样本进行处理来评估不同分类方法的性能。实施例6-8表明本发明相对于经典的监督学习算法NN，SVM以及半监督学习算法LNP效果要好，分类精度更高。

2.对图像的大小的限制小。

很多基于图的半监督学习方法其性能都很优越，然而不可避免的用到了矩阵求逆运算，求解非稀疏矩阵的逆矩阵其时间复杂性是o(n³)，当其应用于大规模数据时，相似度矩阵也很大，可能会超出计算机的内存。本发明使用稀疏图，稀疏矩阵的求逆运算复杂度要低的多，而且不会存在内存不足的问题。

3.虽然稀疏图可以用于大规模数据的处理，但是对于海量的数据，在普通的个人计算法上仍然无法处理海量数据(数据为几十万)，本发明是用了基于图的半监督学习算法的推导方法，能处理海量数据。

附图说明

图1是本发明基于图的半监督高光谱遥感图像分类算法的流程图。

图2是本发明使用类概率距离计算样本点K个近邻的子流程图。

图3是对比实验中使用的原始图像：图3(a)是Indiana图像，图3(b)是KSC图像。

图4是本发明与现有三种算法在三幅图像训练集即有标记样本点上的测试结果，其中图4(a)为图3(a)图像的正确率曲线图，图4(b)为kappa系数曲线图；图4(c)为图3(b)图像的正确率曲线图，图4(d)为kappa系数曲线图。

图5是本发明与现有三种算法对图3(b)图像的分类结果图，其中图5(a)是NN的分类结果图，图5(b)是SVM的分类结果图，图5(c)是LNP的分类结果图，图5(d)是本发明的分类结果图。

具体实施方式

实施例1：参照图1，本发明是一种基于图的半监督高光谱图像分类，具体实施步骤如下：

步骤1：提取输入图像特征；被分类的高光谱遥感图像具有N个像素点，其中标记点为L个，所有的L个标记点构成有标签点的集合，即是指所获得的全部数据中所有有标签的数据点的集合，输入的高光谱遥感图像每一个像素点就是一个样本点，该点用一个特征向量x_i表示，得到图像特征集。

使用图3所示本领域常用的三幅图像作为输入图像，将输入图的每一个像素点用一个特征向量表示，得到图像特征集，该特征向量为输入图像的每一个波段的灰度值。

步骤2：在输入图像中，随机采样M个无标签的点

对具有N个样本点的高光谱遥感图像，从未标记样本中均匀随机采样的M个无标签的点，与已知的L个有标签的点构成集合

n＝L+M，剩余的(N-n)个样本点组成的集合为

步骤3：用类概率距离计算集合S中的样本点在集合S中的K个近邻点，用类概率距离计算集合R中的样本点在集合S中的K个近邻点，得到输入图像每个样本点x_i的近邻点的集合N(x_i)。

步骤4：根据每个样本点x_i在集合N(x_i)中的近邻信息使用线性表示方法构建两个稀疏矩阵W_SS和W_SR，稀疏矩阵W_SS是使用集合S在集合S中的近邻点构建的矩阵，稀疏矩阵W_SR是使用集合R在集合S中的近邻点构建的矩阵。

步骤5：使用标签传播的方法在稀疏矩阵W_SS上传递已标注样本点的类别信息，得到集合S上样本点x_i的标签预测函数

步骤6：计算集合R中样本点x_i的标签预测函数

可使用下式计算：

$F_R^{*}=W_{\mathrm{SR}}*F_S^{*}.$

步骤7：根据集合S和集合R的标签预测函数确定图像中每一个样本点的类标，可使用下式：

y_i为样本点x_i的类标。

步骤8：重复步骤7，即当x_i中的i＝1～n可得集合S上所有样本点的类标，当x_i中的i＝n～N得集合R上所有样本点的类标，实现对高光谱图像的准确分类。

实施例2：基于图的半监督高光谱遥感图像分类方法同实施例1，将输入图像中的每一个像素点用一个特征向量表示，是用输入图像的每一个波段的灰度值作为图像每一个像素点的特征向量，对于部分图像去除空气水分吸收及低信噪比等杂波波段。如图3(a)的Indiana图像，提取图像特征后，每一个像素点都可以用一个220维的特征向量表示，去掉20个杂波波段后剩余200个波段。

实施例3：基于图的半监督高光谱遥感图像分类方法同实施例1-2，使用类概率距离计算集合S和R中的点在集合S中的K个近邻点，参照图2，步骤如下：

3.1)初始化概率向量p(x_i)＝(p_1，i，...，p_c，i)^T，其中p_c，i表示样本点x_i属于类别c(c＝1，2，…，C)的概率，C表示图像的类别数；

3.2)对于一对不同的样本点x_i和x_j，计算两点属于同一类的概率P(x_i，x_j)，可使用下式计算：

$P(x_i,x_j)=\left\{\begin{array}{cc}1& i=i\\ p{\left(x_i\right)}^{T}p\left(x_j\right)& i\≠j\end{array}\right.$

其中p(x_i)表示概率向量；

3.3)计算样本点x_i和x_j的距离，可使用下式计算：

dist(x_i，x_j)＝||x_i-x_j||+βD(1-P(x_i-x_j))

其中β∈(0，1)是可调整的参数，D＝max_ij||x_i-x_j||表示样本点x_i和x_j的欧式距离；

3.4)根据计算出的距离，确定样本点x_i的K个近邻点的集合N(x_i)。

传统的半监督方法通常使用欧式距离计算样本点的近邻点，本发明使用了类概率距离计算样本点近邻点，这样可以尽量保证每一个像素点与其邻居点属于同一类，提高了本发明的分类正确率。

实施例4：基于图的半监督高光谱遥感图像分类方法同实施例1-3，根据每个样本点的近邻信息构建两个稀疏矩阵W_SS和W_SR，步骤如下：

4.1)计算每个点由其邻居点重构所得的重构系数ω_ij，可使用下式计算：

$\min {\mathrm{\Σ}}_i{\left|\right|x_i-{\mathrm{\Σ}}_{j:x_j\∈N\left(x_i\right)}{\mathrm{\ω}}_{\mathrm{ij}}{x}_j\left|\right|}^2$

$s.t.{\mathrm{\Σ}}_{j\∈N\left(x_i\right)}{\mathrm{\ω}}_{\mathrm{ij}}=1$

ω_ij≥0

其中，N(x_i)表示样本点x_i的邻居点集合；

4.2)构建系数矩阵W，其中W(i，j)＝ω_ij。

实施例5：基于图的半监督高光谱遥感图像分类方法同实施例1-4，使用标签传播的方法在稀疏图W_SS上传递已标注图像的类别信息，得到标签预测函数

步骤如下：

5.1)构建一个n×C类标矩阵Y，如果样本点x_i标记为第c(c≤C)类，Y_ij＝1，否则Y_ij＝0。

5.2)计算集合S中样本点的预测标记函数

使用下式计算：

$F_S^{*}={(I-\mathrm{\αWss})}^{-1}*Y$

其中I为n×n的单位阵，α∈(0，1)是一自由参数。

计算集合S中样本点的预测标记函数时需要用到矩阵的求逆过程，计算复杂度为o(n³)，本发明使用半监督推导的方法，首先随机采样M(M□N)个点与已知的L个有标签的点构成集合S，由于集合S中样本点的数目远少于整幅图像的样本点数目，因此所需的计算时间较低。

正是因为本发明使用步骤(5)到步骤(7)这种半监督推导的方法，计算的复杂度为o(n³)，而在传统算法中其计算是以高光谱图像总的像素点数目N为基础的，当一幅需要处理的高光谱图像的像素点为N＝200 000时，计算复杂度达o(N³)，而本发明中n＝L+M，而L+M一定小于N且远小于N，因此本发明所需要的计算时间也远小于o(N³)，仅这一点就大大的降低了本发明的计算复杂度，与它基于图的半监督分类方法相比本发明在单位时间内计算效率至少提高了20-50倍，提高了本发明的泛化能力。

实施例6：

基于图的半监督高光谱遥感图像分类方法同实施例1-5，图3(a)是本发明使用的包含16种地物的高光谱遥感原图像，它是由美国国家航空航天局(NASA)的机载课件/红外成像光谱仪(AVIRIS)获取的印第安纳北部一地区1992年的影像，一共220个波段，去除了20个杂波波段。为了验证本发明对高光谱遥感图像的分类优越性，我们将其与现有的经典监督分类方法NN，SVM以及半监督分类方法LNP通过在有标记样本点上的仿真实验进行比较。结果参见图4，图4(a)是分类的正确率曲线图，横坐标是使用的有标记样本的个数，纵坐标为分类的正确率。从图中可以看出在有标记样本数目少于110个时，本发明和LNP算法的正确率都比SVM和NN要高，当样本数增多时，本发明分类的正确率仍然要比NN高很多，与LNP的正确率基本一致。但是略低于SVM。图4(b)是分类的Kappa系数，横坐标是使用的有标记样本的个数，纵坐标为Kappa系数，Kappa系数是一种将错误分类数也进行考虑的分类指标。从图中可以看出，本发明在使用的有标记样本较少时，Kappa系数也高于其它三种算法，当样本数增多时，本发明分类的Kappa系数，仍然要比NN高很多，与LNP基本一致，但是略低于SVM。证明了本发明的分类准确率。

目前，由于高光谱图像的地物信息复杂，有标记样本较难获得，而且需要很大的人力和物力，目前获取的高光谱图像中的标记点数量较少，因此在有标记样本数较少时提高分类的正确率很重要。

实施例7：

基于图的半监督高光谱遥感图像分类方法同实施例1-5，图3(b)是本发明使用的包括13种地物的高光谱遥感原图像，它是由美国国家航空航天局(NASA)的机载课件/红外成像光谱仪(AVIRIS)获取的佛罗里达州肯尼迪空间中心(KSC)1996年3月23日的影像，一共224个波段，去除空气水分吸收及低信噪比波段后剩余176个波段，包括Scrub，Willowswamp，Salt marsh，Mud flats，Water，Cattail marsh等13类地物，在本实例中把图像每个波段的值作为每个像素点的特征。用本发明对图3(b)图像的有标记样本点进行分类，分类结果参见图4(c)和图4(d)，坐标轴的标注设置同实施例6。图4(c)是分类的正确率曲线图。从图中可以看出本发明与LNP算法的正确率基本一致，比NN高很多，但是低于SVM。图4(d)是分类的Kappa系数。从图中可见，本发明与LNP算法的Kappa系数基本一致，比NN高很多，但是低于SVM。但是SVM需要调节两个参数C和σ，参数σ对数据较敏感比较难调节，而本发明参数较稳定，不需要反复调节，使用方便。

实施例6，实施例7，本发明与LNP算法的分类性能基本一致，但是对整幅图进行分类时可以看出本发明的方法要比LNP好。

实施例8：使用同实施例5的基于图的半监督高光谱遥感图像分类方法，对图3(b)进行分类，图6是本发明与现有三种算法对KSC图像的分类结果图，其中图6(a)是NN的分类结果，图6(b)是SVM的分类结果，图6(c)是LNP的分类结果，图6(d)是我们算法的分类结果。四图比较可以看出图6(a)的区域一致性较差，在本该连续的区域中出现较多的杂点。SVM的分类结果，区域一致性有所提高，本发明与LNP区域一致性基本一致，区域一致性更好。比如，图6(a)NN的分类结果图，图6(b)SVM的分类结果图SVM，图6(c)LNP的分类结果图中，在海面与陆地的交界处的海岸线区域出现了明显的边缘效应，而在本发明分类的图6(d)中没有出现边缘效应，有力的证明了本发明分类的准确性。另外图6中用椭圆框标出的区域，NN，SVM，LNP三种方法也出了明显的误分，因为此处是海域，所以此处颜色应该与其它海域颜色相同，其它三种分类方法都没有准确分类，使用本发明再次得到准确分类结果，进一步说明本发明分类结果较好。

目前，随着卫星技术的不断发展，高光谱遥感图像的获取越来越容易，应用也越来越广泛，涉及很多的科学领域，而高光谱遥感图像分类是对高光谱遥感图像的预处理，因此本发明对高光谱遥感图像的分类在高光谱遥感图像处理领域非常重要。

Claims (2)

1.一种基于图的半监督高光谱遥感图像分类方法，其特征在于：包括如下步骤：

(1)提取输入图像特征：被分类的高光谱遥感图像具有N个像素点，其中标记点为L个，所有的L个标记点构成有标签点的集合，输入的高光谱遥感图像每一个像素点就是一个样本点，该点用一个特征向量x_i表示，得到图像特征集，特征向量为输入图像的每一个波段的灰度值；

(2)对具有N个像素点的高光谱遥感图像，从无标签的样本点中随机采样M个点与已标记的L个点构成集合S，

n＝L+M，n为S集合中样本点的个数，无标签样本点中剩余的点构成集合R，

(3)用类概率距离计算集合S中的样本点在集合S中的K个近邻点，用类概率距离计算集合R中的样本点在集合S中的K个近邻点，得到输入图像每个样本点x_i的近邻点的集合N(x_i)，具体包括以下步骤：

3a)初始化概率向量p(x_i)＝(p_1，i，...，p_c，i)^T，其中p_c，i表示样本点x_i属于类别c(c＝1，2，…，C)的概率，C表示图像的类别数；

3b)对于一对不同的样本点x_i和x_j，计算两点属于同一类的概率P(x_i，x_j)，使用下式计算：

$P(x_i,x_j)=\left\{\begin{array}{cc}1& i=i\\ p{\left(x_i\right)}^{T}p\left(x_j\right)& i\≠j\end{array}\right.$

其中p(x_i)表示概率向量；

3c)计算样本点x_i和x_j的距离，使用下式计算：

dist(x_i，x_j)＝||x_i-x_j||+βD(1-P(x_i-x_j))

其中β∈(0，1)是可调整的参数，D＝max_ij||x_i-x_j||表示样本点x_i和x_j的欧式距离；

3d)根据计算出的距离，确定样本点x_i的K个近邻点的集合N(x_i)；

(4)根据每个样本点x_i在集合N(x_i)中的近邻信息使用线性表示方法构建两个稀疏矩阵W_SS和W_SR，稀疏矩阵W_SS是使用集合S在集合S中的近邻点构建的矩阵，稀疏矩阵W_SR是使用集合R在集合S中的近邻点构建的矩阵，具体包括以下步骤：

4a)计算每个点由其近邻点重构所得的重构系数ω_ij，使用下式计算：

$\min {\mathrm{\Σ}}_i{\left|\right|x_i-{\mathrm{\Σ}}_{j:x_j\∈N\left(x_i\right)}{\mathrm{\ω}}_{\mathrm{ij}}{x}_j\left|\right|}^2$

$s.t.{\mathrm{\Σ}}_{j\∈N\left(x_i\right)}{\mathrm{\ω}}_{\mathrm{ij}}=1$

ω_ij≥0

其中，N(x_i)表示样本点x_i的近邻点集合；

4b)构建系数矩阵W，其中W(i，j)＝ω_ij；

(5)使用标签传播的方法在稀疏矩阵W_SS上传递已标注样本点x_i的类别信息，得到集合S上样本点x_i的标签预测函数F_S ^*，具体包括以下步骤：

5a)构建一个n×C类标矩阵Y，如果样本点x_i标记为第c(c≤C)类，Y_ij＝1，否则Y_ij＝0；

5b)计算集合S中样本点x_i的预测标记函数

使用下式计算：

$F_S^{*}={(I-\mathrm{\αWss})}^{-1}*Y$

其中I为n×n的单位阵，α∈(0，1)是一自由参数；

(6)计算集合R中样本点x_i的标签预测函数

使用下式计算：

$F_R^{*}=W_{\mathrm{SR}}*F_S^{*};$

(7)根据标签预测函数F_S ^*和

确定样本点x_i的类标，使用下式计算：

$y_i=\left\{\begin{array}{cc}\arg m{\mathrm{ax}}_{c\≤C}{F}_{\mathrm{Sic}}^{*},& i=1~n\\ \arg {\max }_{c\≤C}{F}_{\mathrm{Ric}}^{*},& i=n~N\end{array}\right.,$ 其中y_i为样本点x_i的类标；

(8)重复步骤(7)，得到所有样本点x_i的类标，即输入图像所有像素点的类标，实现对整个高光谱图像的准确分类。

2.根据权利要求1所述的高光谱遥感图像分类方法，其特征在于：其中步骤(1)所述的将输入高光谱遥感图像中的每一个像素点用一个特征向量x_i表示，是首先对输入图像进行杂波去除处理，即去除空气水分吸收及低信噪比杂波波段，之后用每一个像素点的所有波段的灰度值作为高光谱遥感图像每一个像素点的特征向量x_i。

Images