CN103745233B

CN103745233B - 基于空间信息迁移的高光谱图像分类方法

Info

Publication number: CN103745233B
Application number: CN201410032183.5A
Authority: CN
Inventors: 缑水平; 刘芳; 张观侣; 马文萍; 马晶晶; 侯彪
Original assignee: Xidian University
Current assignee: Xidian University
Priority date: 2014-01-23
Filing date: 2014-01-23
Publication date: 2017-10-24
Anticipated expiration: 2034-01-23
Also published as: CN103745233A

Abstract

本发明公开了一种基于空间信息迁移的高光谱图像分类方法，主要解决现有基于SVM算法的高光谱图像分类不准确，速度较慢，稳定性较差的问题。其实现步骤是：先从高光谱图像中随机选出一些波段分别作为源域，利用EM算法对源域进行聚类得到空间信息；随机选取高光谱图像剩余波段中一些波段作为目标域，在空间信息的约束下将目标域样本迁移到标记样本；最后用SVM算法对这些标记样本进行训练分类，得到最终的分类结果。本发明与传统的分类方法相比，具有速度快、效果好等优点，而且可使用较少的波段达到较高的聚类精度，大大的节约了计算成本，可用于矿产探测、资源调查及环境监测。

Description

基于空间信息迁移的高光谱图像分类方法

技术领域

本发明属于图像处理技术领域，涉及对高光谱遥感图像的处理,可用于矿产探测、资源调查及环境监测。

背景技术

伴随着遥感技术的发展和成像设备的进步，光学遥感技术进入了高光谱遥感时代，高光谱遥感技术的出现和发展将使得遥感成像设备以更快的速度、更高的分辨率、更大的信息量为人类提供海量的观测数据，将人们通过遥感技术观测和认识地物的能力带入了一个崭新的阶段。针对由成像光谱仪采集得到的高光谱遥感数据，如何对其中蕴含的海量信息进行充分而且有效的利用，给广大的科研工作者和技术人员提出的挑战并带来了机遇。通过对高光谱遥感数据进行有效的分类，能够更加深入的挖掘高光谱遥感图像在矿产探测、资源调查以及环境监测等方面的应用。

分类按照是否需要事先标记样本可以分为有监督分类、无监督分类和半监督分类。无监督分类由于其不需要人工去标记样本，一般易于实现，但是由于没有标记样本的指导，得到的分类效果往往不是很理想。有监督分类一般是在标记样本的指导下进行分类，在训练样本充足的情况下能获得不错的分类效果，所以有监督分类在高光谱图像分类中被广泛应用。一些常用的有监督分类算法，如SVM算法、贝叶斯算法等在训练样本充足的情况下能获得不错的分类效果，但是由于高光谱图像波段数目多的原因，分类速度慢，而且受标记样本是否充足的影响很大，常常需要大量标记样本，否则分类效果不理想。

发明内容

本发明的目的在于针对上述SVM算法在高光谱遥感图像中分类的缺陷，提出一种基于空间信息迁移的高光谱图像分类方法，以加快分类速度，提高分类正确率。

为实现上述目的，本发明包括如下步骤：

（1）输入高光谱图像I_R×N，R是光谱中大小为m×n的一个波段，N为高光谱图像的波段数目；

（2）输入高光谱图像I_R×N中的已标记样本X_i和标记标签Y_i，X_i是高光谱图像中第i个样本的特征向量，Y_i是与已标记样本X_i相对应的标记标签，Y_i∈{1,2,...,k}，k是高光谱图像中的类别数目；

（3）随机选出高光谱图像中的10个波段数据作为目标域样本D_T，从高光谱图像中剩余的波段中再另选取出10个波段数据作为源域样本D_S；

（4）用基于高斯混合模型的EM算法对源域样本D_S进行聚类，得到源域样本D_S的聚类结果，计为总空间信息D_o；

（5）将标记样本X_i结合源域样本D_T的空间信息，在总空间信息D_o的约束下迁移样本至已标记样本，得到新的标记样本X_j和新的标记标签Y_j；

（6）根据新的标记样本X_j和标记标签Y_j进行学习，得到支持向量机分类器SVM；

（7）用支持向量机SVM对目标域样本D_T进行分类，得到分类标签l；

本发明与现有的技术相比具有以下优点：

1、本发明通过引入迁移学习的方法，充分利用了高光谱图像波段间的信息，减少了需要使用的波段数目，使分类速度加快；同时通过引入其它波段的空间信息，提高了分类的准确性；

2、本发明针对用SVM算法进行高光谱图像分类时标记样本点少的问题，通过迁移其它波段的空间信息来增加标记样本点，减少了人力和物力的消耗，大大的提高了分类正确率。

附图说明

图1是本发明的总流程图；

图2是本发明所使用的高光谱遥感图像的灰度图；

图3是本发明中所使用高光谱图像的真实分布标签；

图4是本发明中对高光谱数据用EM算法聚类得到的空间信息；

图5是本发明中对高光谱数据用SVM分类方法得到的结果；

图6是本发明中用基于空间信息迁移的高光谱图像分类方法的结果。

具体实施方式

参照图1，本发明基于空间信息迁移的高光谱图像分类方法，包括如下步骤：

步骤1:输入高光谱图像I_R×N，R是光谱中大小为m×n的一个波段，N为高光谱图像的波段数目,这幅高光谱图像是由ROSIS传感器在意大利帕维亚大学拍摄的，图像的分辨率为610×340，灰度图像如图2所示，该图总共有9类地物，真实分布标签如图3所示。

步骤2:输入高光谱图像I_R×N中的已标记样本X_i和标记标签Y_i，X_i是高光谱图像中第i个样本的特征向量，Y_i是与已标记样本X_i相对应的标记标签，Y_i∈{1,2,...,k}，k是高光谱图像中的类别数目。

步骤3:随机选出高光谱图像中的10个波段数据作为目标域样本D_T，从高光谱图像中剩余的波段中再另选取出10个波段数据作为源域样本D_S。

步骤4:用基于高斯混合模型的EM算法对源域样本D_S进行聚类，得到源域样本D_S的聚类结果，计为总空间信息D_o。

（4a）用EM算法估计源域样本D_S的高斯混合模型的类混合权值参数α_j、均值μ_j、协方差σ_j:

EM算法是期望最大算法，它的主要目的是在不知道待估计参数先验信息和观测数据不完备的情况下提供一个简单的迭代算法来计算参数的最大似然估计。EM算法能保证迭代收敛并至少得到使待估计参数的似然函数达到局部极值的一个估计值。其主要分为两步：第一步称为E步骤，是根据参数初始值或上一次迭代值来计算期望；第二步称为M步骤，是将似然函数最大化得到新的参数。通过重复以上两步直到收敛为止，最后可得到源域样本D_S的高斯混合模型的类混合权值参数α_j、均值μ_j、协方差σ_j；

（4b）根据类混合权值参数α_j、均值μ_j和协方差σ_j，计算源域中的隶属度Z_i,j：

其中，X_i是源域样本D_S中第i个样本的特征序列，c是特征序列的长度，j＝1,2,...,k，k为类别数目；

（4c）根据目标域样本的隶属度函数Z_i,j，计算源域样本D_T的聚类标签l_i：

l_i＝max(max(Z_i,j))，

得到的l_i即为最终的聚类结果，将聚类标签用图像显示，如图4所示，即为总空间信息D_o。

步骤5:在总空间信息D_o的约束下迁移目标域样本至已标记样本，得到新的标记样本X_j和新的标记标签Y_j。

（5a）将源域样本聚类之后得到的总空间信息D_o表示为：

D_o＝{D_z},z＝1,2,...,t，

其中，D_z表示第z个聚类块的空间信息，是聚类标签相同并且标签连通的一块区域，t是聚类结果中聚类块的个数；

（5b）计算已标记样本X_i中每个样本的位置，若i∈D_z，将r∈D_z且r≠i的目标域样本X_r和已标记样本X_i同时加入到新的标记样本X_j中，并将目标域样本X_r的标签标记为：Y_r＝Y_i，将Y_r与Y_i合并，得到到新的标记标签Y_j；

步骤6:根据新的标记样本X_j和标记标签Y_j进行学习，得到支持向量机分类器SVM。

（6a）在的条件下，求解误差函数Q(a)：

其中，M是样本点的总数目，Y_j是标记样本X_j中第j个样本点的标签，Y_q是标记样本X_j中第q个样本点的标签，a∈R^M×1，a_i是a的第i个元素，a_q是a的第q个元素；

当Q(a)达到最小时，得到参数a的最优解a^*，即：

a^*＝min(Q(a^*))；

（6b）计算支撑矢量机SVM的超分界面并取b^*的第一个分量为b₁ ^*作为SVM分类器参数。

步骤7：用支持向量机SVM对目标域样本D_T进行分类，得到分类标签l。

（7a）选择多项式核函数作为分类器的核函数：

Φ(i)＝(＜D_i,D_j＞+1)^d,j＝1,2,...,M，

其中，Φ(i)表示第i个样本的核函数值，i＝1,2,...,M，M是样本点的数目，D_i表示目标域样本D_T中第i个样本的特征，D_j表示目标域样本D_T中第j个样本的特征，d是一个常量；

（7b）根据第i个样本的核函数Φ(i)，计算第i个样本的目标函数值：

其中，sign()为符号函数；

（7c）对每一个样本i计算其目标函数值f(D_i)，将得到的值作为目标域样本D_T中第i个样本的分类标签l_i；

（7d）根据第i个样本的分类标签l_i，得到一个新的SVM分类结果标签l,即：l＝{l₁,...,l_i,...,l_M}。

本发明的效果可以通过如下仿真实验具体说明：

1、仿真条件

1）仿真实验所用编程平台为matlabR2010b；

2）仿真实验所用的高光谱图像是University of Pavia，这幅高光谱图像是由ROSIS传感器在意大利帕维亚大学拍摄的，图像的分辨率为610×340，灰度图像如图2所示；

3）仿真实验中采用分类正确率来评价分类性能，分类正确率定义为：

Correct(i)表示第i个样本的真实标签和分类结果标签中是否匹配，M为数据样本点的总数目，L_i是真实标签中第i个样本的标签，l_i是分类标签中第i个样本的标签。

2、仿真内容

仿真1，采用SVM算法对高光谱图像进行分类，其分类结果如图5所示；

仿真2，采用本发明的方法对高光谱图像进行分类，其分类结果如图6所示；

从图4和图5所显示的分类结果可以看出，本发明提出的基于空间信息迁移的高光谱图像分类算法得到的结果错分点少，分类结果更好。

统计SVM算法和本发明方法的分类正确率，分类正确率结果如表1所示。

表12种分类方法的分类正确率统计

从表1可以看出，本发明方法比SVM算法要高1.78%，分类正确率提高明显。

Claims

1.一种基于空间信息迁移的高光谱图像分类方法，包括如下步骤：

(1)输入高光谱图像I_R×N，R是光谱中大小为m×n的一个波段，N为高光谱图像的波段数目；

(2)输入高光谱图像I_R×N中的已标记样本X_i和标记标签Y_i，X_i是高光谱图像中第i个样本的特征向量，Y_i是与已标记样本X_i相对应的标记标签，Y_i∈{1,2,…,k}，k是高光谱图像中的类别数目；

(3)随机选出高光谱图像中的10个波段数据作为目标域样本D_T，从高光谱图像中剩余的波段中再另选取出10个波段数据作为源域样本D_S；

(4)用基于高斯混合模型的EM算法对源域样本D_S进行聚类，得到源域样本D_S的聚类结果，计为总空间信息D_o；

(5)将已标记样本X_i结合目标域样本D_T的空间信息，在总空间信息D_o的约束下迁移样本至已标记样本，得到新的标记样本X_j和新的标记标签Y_j；

(6)根据新的标记样本X_j和标记标签Y_j进行学习，得到支持向量机分类器SVM；

(7)用支持向量机SVM对目标域样本D_T进行分类，得到分类标签l。

2.根据权利要求1所述的方法，其中所述步骤(5)中将标记样本X_i结合目标域样本D_T的总空间信息D_o，在空间信息的约束下迁移样本至已标记样本，得到新的标记样本X_j和新的标记标签Y_j，通过如下步骤进行：

(5a)将源域样本聚类之后得到的总空间信息D_o表示为：

D_o＝{D_z},z＝1,2,…,t，

(5b)计算已标记样本X_i中每个样本的位置，若i∈D_z，将r∈D_z且r≠i的目标域D_T中标记样本X_r和已标记样本X_i同时加入到新的标记样本X_j中，并将标记标签Y_r的标签标记为：Y_r＝Y_i，将Y_r与Y_i合并，得到新的标记标签Y_j。

3.根据权利要求1所述的方法，其中步骤(6)所述的根据新的标记样本X_j和标记标签Y_j进行学习，得到支持向量机分类器SVM，按如下步骤进行：

6a)在0≤a_i≤1的条件下，求解误差函数Q(a)：

<mrow> <mi>Q</mi> <mrow> <mo>(</mo> <mi>a</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>M</mi> </munderover> <msub> <mi>a</mi> <mi>j</mi> </msub> <mo>-</mo> <mfrac> <mn>1</mn> <mn>2</mn> </mfrac> <munderover> <mo>&Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>M</mi> </munderover> <munderover> <mo>&Sigma;</mo> <mrow> <mi>q</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>M</mi> </munderover> <msub> <mi>a</mi> <mi>j</mi> </msub> <msub> <mi>a</mi> <mi>q</mi> </msub> <msub> <mi>Y</mi> <mi>j</mi> </msub> <msub> <mi>Y</mi> <mi>q</mi> </msub> <mo>,</mo> </mrow>

当Q(a)达到最小时，得到参数a的最优解a^*，即：

a^*＝min(Q(a^*))；

6b)计算支撑矢量机SVM的超分界面并取b^*的第一个分量为b₁ ^*作为SVM分类器参数。

4.根据权利要求1所述的方法，其中步骤(7)所述的用得到的支持向量机SVM对目标域样本D_T进行分类，得到分类标签l，按如下步骤进行：

7a)选择多项式核函数作为分类器的核函数：

Φ(i)＝(<D_i,D_j>+1)^d,j＝1,2,…,M，

其中，M是样本点的总数目，D_i表示目标域样本D_T中第i个样本的特征，D_j表示目标域样本D_T中第j个样本的特征，d是一个常量；

7b)根据第i个样本的核函数Φ(i)，计算第i个样本的目标函数值：

<mrow> <mi>f</mi> <mrow> <mo>(</mo> <msub> <mi>D</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mi>s</mi> <mi>i</mi> <mi>g</mi> <mi>n</mi> <mo>&lsqb;</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>q</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>M</mi> </munderover> <mrow> <mo>(</mo> <msub> <mi>Y</mi> <mi>q</mi> </msub> <msubsup> <mi>a</mi> <mi>q</mi> <mo>*</mo> </msubsup> <mi>&Phi;</mi> <mo>(</mo> <mi>i</mi> <mo>)</mo> <mo>+</mo> <msubsup> <mi>b</mi> <mn>1</mn> <mo>*</mo> </msubsup> <mo>)</mo> </mrow> <mo>&rsqb;</mo> <mo>,</mo> </mrow>

其中，sign()为符号函数；

6c)将得到的目标函数值f(D_i)作为目标样本D_T中第i个样本的分类标签l_i；

6d)根据第i个样本的分类标签l_i，得到一个新的SVM分类结果标签l,即：l＝{l₁,l₂…,l_M}。