CN103065160B - 基于局部协同表示和邻域信息约束的高光谱图像分类方法 - Google Patents
基于局部协同表示和邻域信息约束的高光谱图像分类方法 Download PDFInfo
- Publication number
- CN103065160B CN103065160B CN201310025247.4A CN201310025247A CN103065160B CN 103065160 B CN103065160 B CN 103065160B CN 201310025247 A CN201310025247 A CN 201310025247A CN 103065160 B CN103065160 B CN 103065160B
- Authority
- CN
- China
- Prior art keywords
- dictionary
- test sample
- matrix
- test
- neighborhood
- 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.)
- Active
Links
Abstract
本发明公开一种基于局部协同表示和邻域信息约束的高光谱图像分类方法。主要解决现有技术计算复杂度高的问题。其实现步骤为:(1)取高光谱图像测试样本邻域内的M个样本与该测试样本构成邻域矩阵;(2)用所有训练样本构成字典,通过该字典计算邻域矩阵的协同表示系数矩阵;(3)计算系数矩阵每行的l2范数,根据l2范数较大的N个行标记,从字典中选择N个原子组成子字典,通过该子字典计算测试样本的协同表示系数;(4)根据每类训练样本的数目,将协同表示系数和子字典分成n部分;(5)计算并比较测试样本和n部分重构之间的残差,测试样本的类标对应于最小残差的下标。本发明使用局部协同表示,减少了原子的数目,降低了计算复杂度,可用于高光谱图像分类问题。
Description
技术领域
本发明属于图像处理技术领域,涉及高光谱图像的分类,可用于目标的识别。
背景技术
随着航空航天高光谱遥感技术的发展,高光谱遥感数据也越来越普及并为人们广泛使用。高光谱图像处理的一个重要特点就是从光谱维去理解地物在空间维的特性、展布与变化。其中,基于高光谱数据的地物精细分类和目标探测始终是高光谱遥感技术应用的核心内容之一。高光谱图像目标检测在民用和军事上都具有重要的理论价值和应用前景,是当前目标识别及遥感信息处理研究领域中的一个热点研究问题。
目前高光谱图像分类技术主要分为三种类型:基于支撑矢量机的方法、基于降维的方法和基于稀疏字典的方法;其中基于支撑矢量机的方法主要是利用支撑矢量机可以将样本投影到高维空间中,从而很好地处理线性不可分问题。由于该方法计算复杂度较高,对大量训练样本问题效果并不明显。基于降维的方法,常见的有:无监督降维的主成分分析法和有监督降维的线性判别法。但是,这两种方法在降维的过程中,对样本特征维数的取舍问题并没有很好地采用对分类有利的措施,效果不明显。2010年,YiChen等人提出了基于冗余字典稀疏表示的高光谱图像分类方法,该方法假设每类地物别样本处于一个较低维的子空间中,而且每个测试样本可以很好地用属于同类的少量的样本进行线性表示。该方法将分类问题转化为求解测试样本通过训练样本组成的字典稀疏编码的问题,取得了较好的分类结果。但是,稀疏系数的求解是一个非凸求解的问题,不能很好地满足高光谱图像大量样本进行实时分类的要求。
发明内容
本发明的目的在于针对上述已有技术的不足,提出一种基于局部协同表示和邻域信息约束的高光谱图像分类方法,一方面,避免支撑矢量机方法由于训练样本数目过大造成训练时间较长的问题;另一方面,克服稀疏字典方法的l0范数或l1范数求解的困难,减少字典原子的数目,更有利于快速地对高光谱图像的样本进行分类。
实现本发明的技术思路是:通过利用高光谱图像的邻域相似性来约束测试样本和训练样本之间的线性相关性,求解测试样本通过字典协同表示的系数;结合该系数的能量大小,选择N个贡献程度最大的原子构成新的字典,利用新的字典对测试样本进行第二次协同表示。通过计算测试样本和第二次协同表示重构各部分之间的残差,得到最后的分类结果。其具体步骤包括如下:
(1)从高光谱图像的参考图中选择测试样本ytest∈Rd,然后取该测试样本邻域内的M个样本共同构成该测试样本的邻域矩阵T=[ytest,Ny]∈Rd×(M+1),其中,d是样本向量的维数,Ny表示该测试样本的邻域内M个样本组成的矩阵,即
(2)从高光谱图像的参考图中选择训练样本,构成字典D∈Rd×r,其中,r是各类训练样本的数目, i=1,2,…,n,n表示类别数,是第i类的训练样本集矩阵,通过该字典D计算测试样本邻域矩阵T的协同表示的系数矩阵β∈Rr×(M+1);
(3)计算系数矩阵β每行的l2范数,并记录l2范数较大的N个行标记,根据这N个行标记,从字典D中选择对应的N个原子组成一个新的子字典Ds∈Rd×N,通过这个子字典Ds计算测试样本ytest的协同表示系数向量α∈RN;
(4)根据第字典Ds每列的类别标签,将系数α和子字典Ds分成n部分:Ds[i]和α[i],Ds[i]的列数和α[i]维数等于字典Ds所有列属于第i类的数目,其中,i=1,2,…,n,n表示类别数;
(5)依次计算测试样本ytest与第i个重构矩阵Ds[i]α[i]之间的残差比较这n个残差的大小,测试样本的类标对应于最小残差的下标,其中,i=1,2,…,n,n表示类别数。
本发明相比现有技术具有以下优点:
(1)本发明采用l2范数约束测试样本的局部协同表示系数,减少了字典原子的数目,克服稀疏字典方法求解l0范数或l1范数的困难;
(2)本发明使用测试样本的邻域矩阵,能够有效地保持测试样本自身的结构性。
附图说明
图1是本发明的总流程图;
图2是本发明与现有四种方法对IndianaPines图分类结果对比图;
图3是本发明与现有四种方法对KSC图分类结果对比图。
具体实施方式
参照图1,本发明的具体实现步骤如下:
步骤1,从高光谱图像的参考图中选择测试样本ytest∈Rd,构造该测试样本邻域矩阵T。在测试样本ytest的邻域内,选择与测试样本ytest的欧氏距离较小的M个样本组成邻域样本集矩阵 这个邻域样本集矩阵Ny与测试样本ytest构成该测试样本邻域矩阵T=[ytest,Ny]∈Rd×(M+1),其中,是测试样本ytest邻域内选择的第j个样本,j=1,2,…,M。
步骤2,通过字典D∈Rd×r,计算测试样本邻域矩阵T协同表示的系数矩阵β∈Rr×(M+1)。
2a)从高光谱图像的参考图中选择训练样本,构成字典其中,i=1,2,…,n,n表示类别数,是第i类的训练样本集矩阵;
2b)通过字典D,计算测试样本邻域矩阵T协同表示的系数矩阵β:
β=(DTD+λI)-1T
其中,参数λ设置为0.01,I是单位矩阵,T是测试样本ytest的邻域矩阵,(·)T表示矩阵的转置,(·)-1表示矩阵的逆。
步骤3,通过系数矩阵β,构造新的子字典Ds∈Rd×N,通过这个子字典Ds计算测试样本ytest的局部协同表示系数α∈RN。
3a)计算协同表示系数矩阵β每行的l2范数,并且记录l2范数较大的N个行标;
3b)通过这N个行标,从字典D中选择N个原子构造子字典Ds=[d1,…,dj,…,dN],其中,dj是子字典Ds的第j个原子,j=1,2,…,N;
3c)通过该子字典Ds,计算测试样本ytest的协同表示系数α:
其中,参数λ设置为0.01,I是单位矩阵,ytest是测试样本,(·)T表示矩阵的转置,(·)-1表示矩阵的逆。
步骤4,根据第字典Ds每列的类别标签,将系数α和子字典Ds分成n部分:Ds[i]和α[i],Ds[i]的列数和α[i]维数等于字典Ds所有列属于第i类的数目,其中,i=1,2,…,n,n表示类别数;
步骤5,依次计算测试样本ytest与第i个重构矩阵Ds[i]α[i]之间的残差比较这n个残差的大小,测试样本的类标对应于最小残差的下标,其中,i=1,2,…,n,n表示类别数。
本发明的效果可以通过下面的仿真结果进一步说明:
1.仿真条件
本发明对2幅包含有不同地物内容的高光谱图像进行测试,其中,IndianaPines图像的参考图共含有9类地物,KSC图像的参考图共含有13类地物。
实验采用软件MATLAB7.12(R2011a)作为仿真工具,计算机配置为intelCorei7/2.0GHz/8G。
2.仿真方法
选择支撑矢量机方法、协同表示的分类方法、主成分分析法和线性判别法与本发明的结果进行比较,以验证本发明的有效性。四个代表性分类方法分别为:
方法1,是A.Plaza等人提出的方法,具体参考文献“A.Plaza,J.A.Benediktsson,J.W.Boardman,J.Brazile,L.Bruzzone,G.Camps-Valls,J.Chanussot,M.Fauvel,P.Gamba,A.Gualtieri,M.Marconcini,J.C.Tilton,andG.Trianni,Recentadvancesintechniquesforhyperspectralimageprocessing,”RemoteSens.Environ.,vol.113,no.Supplement1,pp.S110–S122,Sep.2009.”;
方法2,是L.Zhang等人提出的方法,具体参考文献“L.Zhang,M.Yang,andX.C.Feng,Sparserepresentationorcollaborativerepresentation:whichhelpsfacerecognition?in:ProceedingsofIEEEConferenceonComputerVision,2011,pp.471-478.”;
方法3,是M.Turk等人提出的方法,具体参考文献“M.TurkandA.Pentland.Eigenfacesforrecognition.J.CognitiveNeuroscience,3(1):71-86,1991”;
方法4,是P.Belhumeur等人提出的方法,具体参考文献“P.Belhumeur,J.Hespanha,andD.Kriengman.Eigenfacesvs.Fisherfaces:Recognitionusingclassspecificlinearprojection.IEEETPAMI,19(7):711-720,1997.”;
3.仿真内容
仿真1,从附图2(a)所示的IndianaPines图像的参考图中,选取50%的样本作为测试样本,使用方法1对该测试样本进行分类,得到测试样本的类别,如图2(b)所示。
仿真2,从附图3(a)所示的KSC图像的参考图中,选取90%的样本作为测试样本,使用方法1对该测试样本进行分类,得到测试样本的类别,如图3(b)所示。
仿真3,从附图2(a)所示的IndianaPines图像的参考图中,选取50%的样本作为测试样本,使用方法2对该测试样本进行分类,得到测试样本的类别,如图2(c)所示。
仿真4,从附图3(a)所示的KSC图像的参考图中,选取90%的样本作为测试样本,使用方法2对该测试样本进行分类,得到测试样本的类别,如图3(c)所示。
仿真5,从附图2(a)所示的IndianaPines图像的参考图中,选取50%的样本作为测试样本,使用方法3对该测试样本进行分类,得到测试样本的类别,如图2(d)所示。
仿真6,从附图3(a)所示的KSC图像的参考图中,选取90%的样本作为测试样本,使用方法3对该测试样本进行分类,得到测试样本的类别,如图3(d)所示。
仿真7,从附图2(a)所示的IndianaPines图像的参考图中,选取50%的样本作为测试样本,使用方法4对该测试样本进行分类,得到测试样本的类别,如图2(e)所示。
仿真8,从附图3(a)所示的KSC图像的参考图中,选取90%的样本作为测试样本,使用方法4对该测试样本进行分类,得到测试样本的类别,如图3(e)所示。
仿真9,从附图2(a)所示的IndianaPines图像的参考图中,选取50%的样本作为测试样本,使用本发明对该测试样本进行分类,得到测试样本的类别,如图2(f)所示。
仿真10,从附图3(a)所示的KSC图像的参考图中,选取90%的样本作为测试样本,使用本发明对该测试样本进行分类,得到测试样本的类别,如图3(f)所示。
从附图2(a)、2(b)、2(c)、2(d)、2(e)、2(f)中可以看出,本发明的分类结果图2(f)与IndianaPines参考图2(a)的相似性更强。
从附图3(a)、3(b)、3(c)、3(d)、3(e)、3(f)中可以看出,本发明的分类结果图3(f)与KSC参考图3(a)的相似性更强。
本发明采用的评价指标为分类正确率,即测试样本正确分类的样本数目与测试样本总体的样本数目的比值。分类正确率越高,则分类方法的性能越好。表1是2幅高光谱图像不同方法的分类正确率,
表12幅高光谱图不同方法实验结果比较
高光谱图像 | 方法1 | 方法2 | 方法3 | 方法4 | 本发明 |
Indiana Pines | 84.99% | 79.30% | 84.05% | 84.14% | 94.46% |
KSC | 74.29% | 70.13% | 70.32% | 75.61% | 76.52% |
从表1可见,IndianaPines图像参考图的测试样本通过本发明的分类正确率要比方法1高将近10%,比方法2高将近15%,KSC图像参考图的测试样本通过本发明的分类正确率比方法1高将近2.3%,比方法2高将近6.5%。
综上,本发明相比于常见的方法,具有较好的分类结果,求解过程没有使用l0范数或l1范数。由于本发明计算过程简单,使用局部协同表示,减少了原子的数目,分类正确率较高,适合实时高光谱图像分类问题。
Claims (3)
1.一种基于局部协同表示和邻域信息约束的高光谱图像分类方法,包括如下步骤:
(1)从高光谱图像的参考图中选择测试样本ytest∈Rd,然后取该测试样本邻域内的M个样本共同构成该测试样本的邻域矩阵T=[ytest,Ny]∈Rd×(M+1),其中,d是样本向量的维数,Ny表示该测试样本的邻域内M个样本组成的矩阵,即
(2)从高光谱图像的参考图中选择训练样本,构成字典D∈Rd×r,其中,r是各类训练样本的数目,i=1,2,…,n,n表示类别数,是第i类的训练样本集矩阵,通过该字典D计算测试样本邻域矩阵T的协同表示的系数矩阵β∈Rr×(M+1);
(3)计算系数矩阵β每行的l2范数,并记录l2范数较大的N个行标记,根据这N个行标记,从字典D中选择对应的N个原子组成一个新的子字典Ds∈Rd×N,通过这个子字典Ds计算测试样本ytest的协同表示系数向量α∈RN;
(4)根据子字典Ds每列的类别标签,将系数α和子字典Ds分成n部分:Ds[i]和α[i],Ds[i]的列数和α[i]维数等于字典Ds所有列属于第i类的数目,其中,i=1,2,…,n,n表示类别数;
(5)依次计算测试样本ytest与第i个重构矩阵Ds[i]α[i]之间的残差比较这n个残差的大小,测试样本的类别标签对应于最小残差的下标,其中,i=1,2,…,n,n表示类别数。
2.根据权利要求1所述的基于局部协同表示和邻域信息约束的高光谱图像分类方法,其中步骤(2)所述的计算协同表示的系数矩阵β,通过如下公式进行:
β=(DTD+λI)-1T
其中,D是所有训练样本组成的字典,参数λ设置为0.01,I是单位矩阵,T是测试样本ytest的邻域矩阵,(·)T表示矩阵的转置,(·)-1表示矩阵的逆。
3.根据权利要求1所述的基于局部协同表示和邻域信息约束的高光谱图像分类方法,其中步骤(3)所述计算测试样本ytest的协同表示系数向量α,通过如下公式进行:
其中,Ds是构造的子字典,参数λ设置为0.01,I是单位矩阵,ytest是测试样本,(·)T表示矩阵的转置,(·)-1表示矩阵的逆。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310025247.4A CN103065160B (zh) | 2013-01-23 | 2013-01-23 | 基于局部协同表示和邻域信息约束的高光谱图像分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310025247.4A CN103065160B (zh) | 2013-01-23 | 2013-01-23 | 基于局部协同表示和邻域信息约束的高光谱图像分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103065160A CN103065160A (zh) | 2013-04-24 |
CN103065160B true CN103065160B (zh) | 2015-11-11 |
Family
ID=48107783
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310025247.4A Active CN103065160B (zh) | 2013-01-23 | 2013-01-23 | 基于局部协同表示和邻域信息约束的高光谱图像分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103065160B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103258214B (zh) * | 2013-04-26 | 2016-03-23 | 南京信息工程大学 | 基于图像块主动学习的遥感图像分类方法 |
CN103247034B (zh) * | 2013-05-08 | 2016-01-20 | 中国科学院光电研究院 | 一种基于稀疏光谱字典的压缩感知高光谱图像重构方法 |
CN103729651A (zh) * | 2014-01-17 | 2014-04-16 | 重庆大学 | 基于局部光谱角度量流形近邻的高光谱遥感影像分类方法 |
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 |
CN104268556A (zh) * | 2014-09-12 | 2015-01-07 | 西安电子科技大学 | 一种基于核低秩表示图和空间约束的高光谱图像分类方法 |
CN104268592A (zh) * | 2014-09-22 | 2015-01-07 | 天津理工大学 | 基于协同表示和判别准则的多视角联合动作词典学习方法 |
CN104408478B (zh) * | 2014-11-14 | 2017-07-25 | 西安电子科技大学 | 一种基于分层稀疏判别特征学习的高光谱图像分类方法 |
CN105205496B (zh) * | 2015-09-11 | 2018-12-28 | 重庆邮电大学 | 增强型稀疏表示高光谱图像分类装置及方法 |
CN106778536B (zh) * | 2016-11-28 | 2020-11-20 | 北京化工大学 | 一种基于fpga的实时高光谱显微图像细胞分类方法 |
CN107239768B (zh) * | 2017-06-09 | 2020-10-20 | 哈尔滨工业大学 | 一种基于张量主成分分析降维的高光谱图像目标检测方法 |
CN107832793B (zh) * | 2017-11-08 | 2021-08-06 | 深圳大学 | 一种高光谱图像的分类方法及系统 |
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 |
CN110210336B (zh) * | 2019-05-16 | 2021-03-16 | 赣南师范大学 | 一种低分辨率单样本人脸识别方法 |
CN111460966B (zh) * | 2020-03-27 | 2024-02-02 | 中国地质大学(武汉) | 基于度量学习和近邻增强的高光谱遥感图像分类方法 |
CN117435940B (zh) * | 2023-12-20 | 2024-03-05 | 龙建路桥股份有限公司 | 一种面向冬季混凝土养护过程中光谱检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1472634A (zh) * | 2003-05-16 | 2004-02-04 | 上海交通大学 | 高光谱遥感图像联合加权随机分类方法 |
CN102208037A (zh) * | 2011-06-10 | 2011-10-05 | 西安电子科技大学 | 基于高斯过程分类器协同训练算法的高光谱图像分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7756342B2 (en) * | 2004-09-20 | 2010-07-13 | The United States Of America As Represented By The Secretary Of The Navy | Method for image data processing |
-
2013
- 2013-01-23 CN CN201310025247.4A patent/CN103065160B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1472634A (zh) * | 2003-05-16 | 2004-02-04 | 上海交通大学 | 高光谱遥感图像联合加权随机分类方法 |
CN102208037A (zh) * | 2011-06-10 | 2011-10-05 | 西安电子科技大学 | 基于高斯过程分类器协同训练算法的高光谱图像分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103065160A (zh) | 2013-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103065160B (zh) | 基于局部协同表示和邻域信息约束的高光谱图像分类方法 | |
Adler et al. | Improving discrimination in data envelopment analysis: PCA–DEA or variable reduction | |
CN102324047B (zh) | 基于稀疏核编码skr的高光谱图像地物识别方法 | |
CN107491792B (zh) | 基于特征映射迁移学习的电网故障分类方法 | |
CN104408478B (zh) | 一种基于分层稀疏判别特征学习的高光谱图像分类方法 | |
CN102208034B (zh) | 基于半监督维数约减的高光谱图像分类方法 | |
Shen et al. | Covariance, correlation matrix, and the multiscale community structure of networks | |
CN101615248B (zh) | 年龄估计方法、设备和人脸识别系统 | |
CN103941244B (zh) | 一种雷达目标一维距离像局部最优子空间识别方法 | |
CN104318219A (zh) | 基于局部特征及全局特征结合的人脸识别方法 | |
CN101540049B (zh) | 一种高光谱图像的端元提取方法 | |
CN104573729A (zh) | 一种基于核主成分分析网络的图像分类方法 | |
CN102930533A (zh) | 一种基于改进k-均值聚类的半监督高光谱影像降维方法 | |
CN103218617B (zh) | 一种多线性大间距的特征提取方法 | |
CN103177265B (zh) | 基于核函数与稀疏编码的高清图像分类方法 | |
CN103049526A (zh) | 基于双空间学习的跨媒体检索方法 | |
CN105913092A (zh) | 基于子空间学习的图正则高光谱图像波段选择方法 | |
CN102142082B (zh) | 用于人脸识别的基于虚拟样本的核鉴别方法 | |
CN104866871A (zh) | 基于投影结构稀疏编码的高光谱图像分类方法 | |
CN105334504A (zh) | 基于大边界的非线性判别投影模型的雷达目标识别方法 | |
CN106203483A (zh) | 一种基于语义相关多模态映射方法的零样本图像分类方法 | |
CN104268556A (zh) | 一种基于核低秩表示图和空间约束的高光谱图像分类方法 | |
CN105469063A (zh) | 鲁棒的人脸图像主成分特征提取方法及识别装置 | |
CN106991049A (zh) | 一种软件缺陷预测方法及预测系统 | |
CN107133648A (zh) | 基于自适应多尺度融合稀疏保持投影的一维距离像识别方法 |
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 |