CN102509120B - 基于迁移字典学习的高光谱图像的有监督分割方法 - Google Patents

Abstract

本发明公开了一种基于迁移字典学习的高光谱图像的有监督分割方法，主要解决高光谱图像分割时遇到的类别不平衡问题。其实现过程是：(1)输入目标图像和辅助图像并提取特征；(2)设定循环终止次数，并对目标域有标签样本集采用字典学习方法训练分类器；(3)计算迁移样本集；(4)更新目标域有标签样本集中的小类样本集；(5)计算本次循环中目标域无标签样本集的分类标签和分类器权重；(6)计算最终目标域无标签样本集的分类标签；(7)利用得到的最终目标域无标签样本集的分类标签和目标域有标签样本集的标签，输出目标图像的分割结果。本发明具有对类别不平衡的高光谱图像分割效果好的优点，可用于雷达目标的检测与识别。

Description

基于迁移字典学习的高光谱图像的有监督分割方法

技术领域

本发明属于图像处理技术领域，特别涉及高光谱图像的分割，可用于雷达目标的检测和识别。

背景技术

高光谱成像是遥感技术发展的前沿技术之一，正在由以航空遥感为主转向航空航天遥感相结合的阶段，已成为地图绘制、植被调查、海洋遥感、农业遥感、大气研究和环境监测等领域的有效技术手段。高光谱图像具有包含的地面细节信息丰富，成像波段多，相邻波段间相关性大等优点，并且国内外许多光谱成像仪可以提供几十乃至几百个波段的光谱波段，数据量巨大，如一景图像AVIRIS数据量约140兆，这些成像仪器使得对高光谱图像的研究有了更可靠的实际依托。

高光谱图像在成像时地物种类繁多，存在数据之间差异大，难于标记训练样本的问题，而常用的高光谱图像的分割方法如统计模式识别和神经网络都是基于大数定理，需要足够数量的训练样本才能进行有效的分割，训练样本较少时往往会影响各类别先验知识的估计，使得分割精度降低，并且高光谱图像中存在类别不平衡的问题。目前解决训练样本少的问题时常用的方法为K-SVD字典学习的方法，因为它能够稀疏的表示数据，并用测试数据在每类字典上的表示误差决定测试数据的类别。但是用字典进行稀疏表示时注重数据的分布是否相似，对距离考虑较少，使得在出现类别不平衡问题时对高光谱图像的有监督分割精度降低。

发明内容

本发明的目的在于针对高光谱图像的类别不平衡问题，提出了一种基于迁移字典学习的高光谱图像的有监督分割方法，以提高对高光谱图像的分割精度。

为实现上述目的，本发明提供的基于迁移字典学习的高光谱图像的有监督分割方法，包括如下步骤：

(1)输入带有部分标签的待分割目标图像和带标签的辅助图像，采用广义判别分析方法GDA对目标图像和辅助图像的每一个像素点提取12维特征值；

(2)设提取特征值后目标图像中有标签像素点的特征值数据为Z，称Z为目标域有标签样本集，并设Z中的小类样本集为Z_s，大类样本集为Z_b；设目标图像中无标签像素点的特征值数据为X，称X为目标域无标签样本集；设辅助图像中像素点的特征值数据为R，称R为源域样本集；设迁移小类样本集为Z_s′；初始化循环次数T＝10，迁移小类样本集为Z_s′＝Z_s；

(3)利用字典学习方法K-SVD对大类样本集为Z_b和迁移小类样本集Z_s′进行训练，得到分类器C_t，t＝1，2，3，...，T；

(4)用分类器C_t对源域样本集R进行分类识别得到分类结果为小类样本的样本集R_s，称R_s为源域小类样本集；用分类器C_t对小类样本集Z_s进行分类识别，得到分类结果为大类样本的样本集Z_c，称Z_c为错分样本集；

(5)根据错分样本集Z_c是否为空集计算迁移样本集R_t；

(6)将迁移样本集R_t与小类样本集Z_s相结合，组成新的迁移小类样本集Z_s′；

(7)用分类器C_t对目标域无标签样本集X进行分类识别，得到分类标签h_t；用分类器C_t对目标域有标签样本集Z进行分类识别，得到分类错误率e_t；

(8)利用分类错误率e_t计算本次循环中分类器C_t的权重α_t，

${\mathrm{\&alpha;}}_t=\left\{\begin{array}{cc}\log \frac{1-e_t}{e_t}& (0<e_t<0.5)\\ 0& (e_t>0.5)\end{array}\right.,t=\mathrm{1,2,3},...,T$

返回到步骤(3)循环执行T次；

(9)计算最终对目标域无标签样本集X的分类标签H，

$H=\arg \max \underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_t\&times;h_t);$

(10)利用对目标域无标签样本集X的分类标签H和目标域有标签样本集Z的标签，输出目标图像的分割结果。

本发明与现有的技术相比具有以下优点：

(1)本发明将样本迁移的思想与字典学习方法相结合，有效的解决了高光谱图像训练样本少且不平衡的问题，得到了很好的分割结果；

(2)本发明采用了分类器集成方法，并对循环过程中的每个分类器计算权重，有效地提高了分类器的性能，使得图像分割的结果更好。

仿真实验结果表明，本发明提出的基于迁移字典学习的高光谱图像的有监督分割方法在处理不平问题时对小类样本有很好的识别能力。

附图说明

图1是本发明的实现流程图；

图2是本发明使用的原始高光谱图像；

图3是本发明中原始高光谱图像对应的带标记图像；

图4是本发明对从原始高光谱图像中截取的一幅图像的分割结果。

具体实施方式

参照图1，本发明的具体实施步骤如下：

步骤1.提取特征值。

输入带有部分标签的待分割目标图像和带标签的辅助图像，采用广义判别分析方法GDA对目标图像和辅助图像的每一个像素点提取12维特征值；其中特征值的提取是对原始带有多波段特征的高光谱图像进行特征降维，因为对于高光谱图像，每一个像素点都存在多波段特征，本发明中为了降低计算复杂度以利于识别与分割，采用广义判别分析方法GDA将图像中每个像素点多波段的特征值进行降维，使得每个像素点进行特征降维后得到12维特征值；该广义判别分析方法GDA参见：G.Baudat，F.Anouar.“Generalized dicriminant analysis using a kernel approach”Neural Computation2000，12(10)：2385-2404。

步骤2.设提取特征值后目标图像中有标签像素点的特征值数据为Z，称Z为目标域有标签样本集，并设Z中的小类样本集为Z_s，大类样本集为Z_b；设目标图像中无标签像素点的特征值数据为X，称X为目标域无标签样本集；设辅助图像中像素点的特征值数据为R，称R为源域样本集；其中小类为样本集中样本数目较少的类，大类为样本集中样本数目较多的类；设迁移小类样本集为Z_s′；初始化循环次数T＝10，迁移小类样本集Z_s′＝Z_s。

步骤3.训练分类器C_t，t＝1，2，3，...，T。

(3.1)利用字典学习方法K-SVD对大类样本集Z_b和迁移小类样本集Z_s′分别生成大类字典D_b和小类字典D_s；

(3.2)用大类字典D_b和小类字典D_s构成字典分类器C_t，该分类器的测试方法为：对于待测试样本，分别用大类字典D_b和小类字典D_s采用匹配追踪算法OMP逼近待测试样本，得到大类字典逼近误差

和小类字典逼近误差

如果则认为待测试样本属于大类；如果

则认为待测试样本属于小类；该字典学习方法K-SVD参见：Michal Aharon，Michael Elad，and Alfred Bruckstein“K-SVD：An Algorithm forDesigning Overcomplete Dictionaries for Sparse Representation”IEEE Transaction onsignal processing，vol.54，no.11，November 2006；该匹配追踪算法OMP参见：Y.C.Pati，R.Rezaiifar，and P.S.“Orthogonal Matching Pursuit：Recursive Function Approximat ionwith Applications to Wavelet Decomposition”IEEE 1993。

步骤4.用分类器C_t对源域样本集R进行分类识别得到分类结果为小类样本的样本集R_s，称R_s为源域小类样本集；用分类器C_t对小类样本集Z_s进行分类识别，得到分类结果为大类样本的样本集Z_c，称Z_c为错分样本集。

步骤5.根据错分样本集Z_c是否为空集计算迁移样本集R_t。

(5.1)如果错分样本集Z_c为空集，则在小类样本集Z_s中随机选择n个原始样本，计算源域小类样本集R_s中与这n个原始样本欧式距离最小的n个样本作为迁移样本，并用这n个迁移样本组成迁移样本集R_t；

(5.2)如果错分样本集Z_c不是空集，则在错分样本集Z_c随机选择n个原始样本，计算源域小类样本集R_s中与这n个原始样本欧式距离最小的n个样本作为迁移样本，并用这n个迁移样本组成迁移样本集R_t。

步骤6.将迁移样本集R_t与小类样本集Z_s相结合，组成新的迁移小类样本集Z_s′。

步骤7.用分类器C_t对目标域无标签样本集X进行分类识别，得到分类标签h_t；用分类器C_t对目标域有标签样本集Z进行分类识别，得到分类错误率e_t。

步骤8.利用分类错误率e_t计算本次循环中分类器C_t的权重α_t：

${\mathrm{\&alpha;}}_t=\left\{\begin{array}{cc}\log \frac{1-e_t}{e_t}& (0<e_t<0.5)\\ 0& (e_t>0.5)\end{array}\right.,t=\mathrm{1,2,3},...,T$

返回到步骤3循环执行T次。

步骤9.计算最终对目标域无标签样本集X的分类标签H：

$H=\arg \max \underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_t\&times;h_t).$

步骤10.利用对目标域无标签样本集X的分类标签H和目标域有标签样本集Z的标签，输出目标图像的分割结果。

本发明的效果可以通过如下仿真实验进行验证。

1.实验条件

本发明的仿真在windows 7，SPI，CPU Pentium(R)4，基本频率2.4GHZ，软件平台为MatlabR2010a运行，仿真实验使用的原始图像是美国NASA航空AVIRIS仪器于1996年在佛罗里达州肯尼迪空间中心(KSC)上空获得的图像数据，如图2所示，该图像对应的带标记图像如图3所示。

2.仿真内容及结果

从原始图像的陆地中截取一块大小为50×50像素的区域作为待分割的目标图像，如图4(a)所示，该目标图像中包含两类，浅绿色匀质区域为Mud flats，其他深色的区域为Willow swamp，将Willow swamp作为小类，Mud flats作为大类。从有标记的样本中随机选出50个Willow swamp样本和300个Mud flats样本作为用于训练的带标记样本；从原始图像中不同于图4(a)的部位截取一块大小为30×30像素的陆地区域作为辅助图像，如图4(b)所示，对于本实验中的目标图像n的取值为50，按照上述实验条件对截取的待分割的目标图像进行分割，得到如图4(c)所示的分割结果。

由图4(c)的分割结果可以看出本发明基于迁移字典学习的高光谱图像的有监督分割方法对目标图像存在Willow swamp和Mud flats两类样本数目不平衡问题时，不仅分割出了比较明显的Willow swamp区域，并且将部分难于识别的Willow swamp区域也分割出来了，可以看出本发明的方法对小类样本有很好的识别能力。

Claims (2)

1.一种基于迁移字典学习的高光谱图像的有监督分割方法，包括以下步骤：

(1)输入带有部分标签的待分割目标图像和带标签的辅助图像，采用广义判别分析方法GDA对目标图像和辅助图像的每一个像素点提取12维特征值；

(2)设提取特征值后目标图像中有标签像素点的特征值数据为Z，称Z为目标域有标签样本集，并设Z中的小类样本集为Z_s，大类样本集为Z_b，其中小类指的是样本集中样本数目较少的类，大类指的是样本集中样本数目较多的类；设目标图像中无标签像素点的特征值数据为X，称X为目标域无标签样本集；设辅助图像中像素点的特征值数据为R，称R为源域样本集；设迁移小类样本集为Z_s'；初始化循环次数T=10，迁移小类样本集为Z_s'＝Z_s；

(3)利用字典学习方法K-SVD对大类样本集为Z_b和迁移小类样本集Z_s'进行训练，得到分类器C_t，t＝1,2,3,...,T，按如下步骤进行：

（3.1）利用字典学习方法K-SVD对目标域有标签样本集Z中的大类样本集Z_b和小类样本集Z_s分别生成大类字典D_b和小类字典D_s；

（3.2）用大类字典D_b和小类字典D_s构成字典分类器C_t，该分类器的测试方法为：对于待测试样本，分别用大类字典D_b和小类字典D_s采用匹配追踪算法OMP逼近待测试样本,得到大类字典逼近误差和小类字典逼近误差

如果则认为待测试样本属于大类；如果则认为待测试样本属于小类；

(4)用分类器C_t对源域样本集R进行分类识别得到分类结果为小类样本的样本集R_s，称R_s为源域小类样本集；用分类器C_t对小类样本集Z_s进行分类识别，得到分类结果为大类样本的样本集Z_c，称Z_c为错分样本集；

(5)根据错分样本集Z_c是否为空集计算迁移样本集R_t，按如下步骤进行：

（5.1）如果错分样本集Z_c为空集，则在小类样本集Z_s中随机选择n个原始样本，计算源域小类样本集R_s中与这n个原始样本欧式距离最小的n个样本作为迁移样本，并用这n个迁移样本组成迁移样本集R_t；

（5.2）如果错分样本集Z_c不是空集，则在错分样本集Z_c随机选择n个原始样本，计算源域小类样本集R_s中与这n个原始样本欧式距离最小的n个样本作为迁移样本，并用这n个迁移样本组成迁移样本集R_t；

(6)将迁移样本集R_t与小类样本集Z_s相结合，即简单合并，组成新的迁移小类样本集Z_s'；

(7)用分类器C_t对目标域无标签样本集X进行分类识别，得到分类标签h_t；用分类器C_t对目标域有标签样本集Z进行分类识别，得到分类错误率e_t；

(8)利用分类错误率e_t计算本次循环中分类器C_t的权重α_t，

${\mathrm{\&alpha;}}_t=\left\{\begin{array}{cc}\log \frac{1-e_t}{e_t}& (0<e_t<0.5)\\ 0& (e_t>0.5)\end{array}\right.$     t＝1,2,3,...,T

返回到步骤（3）循环执行T次；

(9)计算最终对目标域无标签样本集X的分类标签H，

$H=\arg \max \underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_t\&times;h_t);$

(10)利用对目标域无标签样本集X的分类标签H和目标域有标签样本集Z的标签，输出目标图像的分割结果。

2.根据权利要求1所述的基于迁移字典学习的高光谱图像的有监督分割方法，其中步骤（1）所述的采用广义判别分析方法GDA对目标图像和辅助图像的每一个像素点提取12维特征值，按如下步骤进行：

对于高光谱图像，每一个像素点都存在多波段特征，本发明中为了降低计算复杂度以利于识别与分割，采用广义判别分析方法GDA将图像中每个像素点多波段的特征值进行降维，使得每个像素点进行特征降维后得到12维特征值。

Images