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
基于迁移字典学习的高光谱图像的有监督分割方法 Download PDFInfo
- Publication number
- CN102509120B CN102509120B CN 201110346348 CN201110346348A CN102509120B CN 102509120 B CN102509120 B CN 102509120B CN 201110346348 CN201110346348 CN 201110346348 CN 201110346348 A CN201110346348 A CN 201110346348A CN 102509120 B CN102509120 B CN 102509120B
- Authority
- CN
- China
- Prior art keywords
- sample set
- sample
- group
- migration
- dictionary
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
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
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Zs,大类样本集为Zb;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Zs′;初始化循环次数T=10,迁移小类样本集为Zs′=Zs;
(3)利用字典学习方法K-SVD对大类样本集为Zb和迁移小类样本集Zs′进行训练,得到分类器Ct,t=1,2,3,...,T;
(4)用分类器Ct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Rs,称Rs为源域小类样本集;用分类器Ct对小类样本集Zs进行分类识别,得到分类结果为大类样本的样本集Zc,称Zc为错分样本集;
(5)根据错分样本集Zc是否为空集计算迁移样本集Rt;
(6)将迁移样本集Rt与小类样本集Zs相结合,组成新的迁移小类样本集Zs′;
(7)用分类器Ct对目标域无标签样本集X进行分类识别,得到分类标签ht;用分类器Ct对目标域有标签样本集Z进行分类识别,得到分类错误率et;
(8)利用分类错误率et计算本次循环中分类器Ct的权重αt,
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,
(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Zs,大类样本集为Zb;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Zs′;初始化循环次数T=10,迁移小类样本集Zs′=Zs。
步骤3.训练分类器Ct,t=1,2,3,...,T。
(3.1)利用字典学习方法K-SVD对大类样本集Zb和迁移小类样本集Zs′分别生成大类字典Db和小类字典Ds;
(3.2)用大类字典Db和小类字典Ds构成字典分类器Ct,该分类器的测试方法为:对于待测试样本,分别用大类字典Db和小类字典Ds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Ct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Rs,称Rs为源域小类样本集;用分类器Ct对小类样本集Zs进行分类识别,得到分类结果为大类样本的样本集Zc,称Zc为错分样本集。
步骤5.根据错分样本集Zc是否为空集计算迁移样本集Rt。
(5.1)如果错分样本集Zc为空集,则在小类样本集Zs中随机选择n个原始样本,计算源域小类样本集Rs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Rt;
(5.2)如果错分样本集Zc不是空集,则在错分样本集Zc随机选择n个原始样本,计算源域小类样本集Rs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Rt。
步骤6.将迁移样本集Rt与小类样本集Zs相结合,组成新的迁移小类样本集Zs′。
步骤7.用分类器Ct对目标域无标签样本集X进行分类识别,得到分类标签ht;用分类器Ct对目标域有标签样本集Z进行分类识别,得到分类错误率et。
步骤8.利用分类错误率et计算本次循环中分类器Ct的权重αt:
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:
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Zs,大类样本集为Zb,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Zs';初始化循环次数T=10,迁移小类样本集为Zs'=Zs;
(3)利用字典学习方法K-SVD对大类样本集为Zb和迁移小类样本集Zs'进行训练,得到分类器Ct,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Zb和小类样本集Zs分别生成大类字典Db和小类字典Ds;
(3.2)用大类字典Db和小类字典Ds构成字典分类器Ct,该分类器的测试方法为:对于待测试样本,分别用大类字典Db和小类字典Ds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Ct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Rs,称Rs为源域小类样本集;用分类器Ct对小类样本集Zs进行分类识别,得到分类结果为大类样本的样本集Zc,称Zc为错分样本集;
(5)根据错分样本集Zc是否为空集计算迁移样本集Rt,按如下步骤进行:
(5.1)如果错分样本集Zc为空集,则在小类样本集Zs中随机选择n个原始样本,计算源域小类样本集Rs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Rt;
(5.2)如果错分样本集Zc不是空集,则在错分样本集Zc随机选择n个原始样本,计算源域小类样本集Rs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Rt;
(6)将迁移样本集Rt与小类样本集Zs相结合,即简单合并,组成新的迁移小类样本集Zs';
(7)用分类器Ct对目标域无标签样本集X进行分类识别,得到分类标签ht;用分类器Ct对目标域有标签样本集Z进行分类识别,得到分类错误率et;
(8)利用分类错误率et计算本次循环中分类器Ct的权重αt,
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,
(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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110346348 CN102509120B (zh) | 2011-11-04 | 2011-11-04 | 基于迁移字典学习的高光谱图像的有监督分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110346348 CN102509120B (zh) | 2011-11-04 | 2011-11-04 | 基于迁移字典学习的高光谱图像的有监督分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102509120A CN102509120A (zh) | 2012-06-20 |
CN102509120B true CN102509120B (zh) | 2013-09-25 |
Family
ID=46221201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110346348 Expired - Fee Related CN102509120B (zh) | 2011-11-04 | 2011-11-04 | 基于迁移字典学习的高光谱图像的有监督分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102509120B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886342B (zh) * | 2014-03-27 | 2017-02-15 | 西安电子科技大学 | 基于光谱和邻域信息字典学习的高光谱图像分类方法 |
CN103971123B (zh) * | 2014-05-04 | 2017-02-15 | 南京师范大学 | 基于线性回归与Fisher判别字典学习的高光谱图像分类方法 |
CN104268503B (zh) * | 2014-08-28 | 2018-03-16 | 奇瑞汽车股份有限公司 | 行人检测方法和装置 |
CN107644212B (zh) * | 2017-10-19 | 2019-12-17 | 中国地质大学(武汉) | 一种高光谱遥感图像分类方法、设备及存储设备 |
CN108229551B (zh) * | 2017-12-28 | 2021-12-21 | 湘潭大学 | 一种基于紧凑字典稀疏表示的高光谱遥感图像分类方法 |
CN109409432B (zh) * | 2018-10-31 | 2019-11-26 | 腾讯科技(深圳)有限公司 | 一种图像处理方法、装置和存储介质 |
CN111209935B (zh) * | 2019-12-26 | 2022-03-25 | 武汉安视感知科技有限公司 | 基于自适应域转移的无监督目标检测方法及系统 |
CN111292329B (zh) * | 2020-01-15 | 2023-06-06 | 北京字节跳动网络技术有限公司 | 视频分割网络的训练方法、装置及电子设备 |
CN111274973B (zh) * | 2020-01-21 | 2022-02-18 | 同济大学 | 基于自动划分域的人群计数模型训练方法及应用 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6763137B1 (en) * | 2000-09-14 | 2004-07-13 | Canon Kabushiki Kaisha | Recognition and clustering of connected components in bi-level images |
US20070033118A1 (en) * | 2005-08-02 | 2007-02-08 | Taxscan Technologies, Llc | Document Scanning and Data Derivation Architecture. |
CN102122386B (zh) * | 2011-03-01 | 2012-08-08 | 西安电子科技大学 | 基于字典迁移聚类的sar图像分割方法 |
CN102129573A (zh) * | 2011-03-10 | 2011-07-20 | 西安电子科技大学 | 基于字典学习和稀疏表示的sar图像分割方法 |
-
2011
- 2011-11-04 CN CN 201110346348 patent/CN102509120B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN102509120A (zh) | 2012-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102509120B (zh) | 基于迁移字典学习的高光谱图像的有监督分割方法 | |
CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
He et al. | Texture classification of PolSAR data based on sparse coding of wavelet polarization textons | |
CN103971123B (zh) | 基于线性回归与Fisher判别字典学习的高光谱图像分类方法 | |
CN109615008B (zh) | 基于堆叠宽度学习的高光谱图像分类方法和系统 | |
CN105608692B (zh) | 基于反卷积网络和稀疏分类的极化sar图像分割方法 | |
CN103208011B (zh) | 基于均值漂移和组稀疏编码的高光谱图像空谱域分类方法 | |
CN106529508A (zh) | 基于局部和非局部多特征语义高光谱图像分类方法 | |
CN114564982B (zh) | 雷达信号调制类型的自动识别方法 | |
CN110309868A (zh) | 结合无监督学习的高光谱图像分类方法 | |
CN104182767B (zh) | 主动学习和邻域信息相结合的高光谱图像分类方法 | |
CN103544507A (zh) | 一种基于成对约束判别分析-非负稀疏散度的高光谱数据降维方法 | |
CN103886342A (zh) | 基于光谱和邻域信息字典学习的高光谱图像分类方法 | |
CN104239902A (zh) | 基于非局部相似性和稀疏编码的高光谱图像分类方法 | |
Li et al. | Residual UNet for urban building change detection with Sentinel-1 SAR data | |
CN109034213B (zh) | 基于相关熵原则的高光谱图像分类方法和系统 | |
CN109902567A (zh) | 一种快速评估植被健康状况的数据处理方法及系统 | |
CN114266961A (zh) | 一种整合高光谱和多频段全极化sar影像的沼泽植被堆栈集成学习分类方法 | |
CN112733736A (zh) | 基于增强过采样的类别不平衡高光谱图像分类方法 | |
CN114581773A (zh) | 基于图卷积网络的多模态遥感数据分类方法 | |
Li et al. | An object-oriented CNN model based on improved superpixel segmentation for high-resolution remote sensing image classification | |
Deng et al. | Citrus disease recognition based on weighted scalable vocabulary tree | |
CN105894035B (zh) | 基于sar-sift和dbn的sar图像分类方法 | |
CN109145950B (zh) | 一种基于图信号采样的高光谱图像主动学习方法 | |
Wohlfarth et al. | Dense cloud classification on multispectral satellite imagery |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130925 Termination date: 20181104 |