CN103761530A - 一种基于相关向量机的高光谱图像解混方法 - Google Patents
一种基于相关向量机的高光谱图像解混方法 Download PDFInfo
- Publication number
- CN103761530A CN103761530A CN201410003264.2A CN201410003264A CN103761530A CN 103761530 A CN103761530 A CN 103761530A CN 201410003264 A CN201410003264 A CN 201410003264A CN 103761530 A CN103761530 A CN 103761530A
- Authority
- CN
- China
- Prior art keywords
- centerdot
- vector machine
- relevance vector
- training
- value
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012360 testing method Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000001228 spectrum Methods 0.000 claims description 23
- 238000005315 distribution function Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 abstract 1
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 24
- 238000002474 experimental method Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 235000010469 Glycine max Nutrition 0.000 description 1
- 244000068988 Glycine max Species 0.000 description 1
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 1
- 235000011613 Pinus brutia Nutrition 0.000 description 1
- 241000018646 Pinus brutia Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于相关向量机的高光谱图像解混方法,包括以下几个步骤,步骤一,读取高光谱图像中k个数据类别的训练样本,并且读取高光谱图像的k个数据类别测试样本;步骤二,将具有监督信息的训练样本中属于第i数据类别对应的样本标号t值标记为+1,其余k-1的数据类别对应的样本标号t值标记为0,其中1≤i≤k;步骤三,利用训练样本训练相关向量机;步骤四,利用训练好的相关向量机模型对测试样本进行测试;步骤五,计算测试样本属于第i数据类别的概率值fi;步骤六,重复步骤二~步骤五,计算出测试样本分别属于k个数据类别的概率值fk;步骤七,将所求的k个概率值分别进行归一化操作,得到最终解混丰度值fi。本发明具有解混精度高,实时性好和统计性好的优点。
Description
技术领域
本发明涉及一种高光谱图像的解混方法,属于遥感信息处理技术领域。
背景技术
由于目前高光谱图像的采集手段和光学仪器性能的限制,在一般的情况下,高光谱图像拥有较低的空间分辨率,这就导致了观测到的一个像元很可能包含不止一种类别的地物,这种像元称之为混合像元。混合像元广泛存在于高光谱图像之中。对于这种情况,直接将混合像元判别到其所包含的一种地物中是不准确的,因此继续用传统的统计模式识别方法通常会导致分类错误。混合像元的存在严重影响到后续的高光谱图像处理的效果和精度。因此,如何求解混合像元中所包含的各类地物分别所占的比例,即进行高光谱解混已经成为研究的热点。
Daniel Heinz等人通过改进经典最小二乘方法提出了一种全约束最小二乘算法(FullyConstrained Least Squares,FCLS),并取得了比较好的混合像元分解效果,该算法是目前比较通用的解混算法,近几年,基于支持向量机(Support Vector Machine,SVM)的高光谱图像解混方法也是众多学者研究的热点,应用也较为广泛。这些高光谱数据解混方法中存在以下几个问题:1、解混精度不高。2、解混的处理时间较长。3、求解出的丰度值不具有统计意义。
发明内容
本发明的目的是提供一种具有高解混精度值的基于相关向量机的高光谱图像解混方法。
本发明一种基于相关向量机的高光谱图像解混方法,包括以下几个步骤,
步骤二,将具有监督信息的训练样本中属于第i数据类别对应的样本标号t值标记为1,其余k-1的数据类别对应的样本标号t值标记为0,其中1≤i≤k;
步骤三,利用训练样本训练相关向量机,得到相关向量机的模型;
步骤五,计算测试样本属于第i数据类别的概率值fi;
步骤六,重复步骤二~步骤五,计算出测试样本分别属于k个数据类别的概率值fk;
步骤七,将所求的k个概率值分别进行归一化,得到最终解混丰度值fi。
本发明一种基于相关向量机的高光谱图像解混方法,还可以包括:
1、利用训练样本训练RVM的过程是:
(1)相关向量机的相关函数为:
其中,K(x,xn)为径向高斯核函数,x=[x1,x2,…xN],w=[w0,w1,w2,…,wN]T为权向量,样
本标号为tn=yn+εn,εn为附加噪声εn~N(0,σ2);
式中:p表示分布函数,α为w先验分布的超参数向量α=[α0,α1,α2,…,αN]T;
其中,∑=(σ-2ΦTΦ+A)-1为权值向量w的协方差,∑j,j是协方差∑中第j项对角线上的元素,A=diag(α0,α1,…αN), 为核函数构成的矩阵,μ=σ-2∑ΦTt为权值向量w的均值,γ为中间的计算变量。
本发明的有益效果:
本发明的优势在于其能够对混合像元各组分中存在非线性特性进行较好的解释,解混精度高;解混时对于测试样本的处理时间短,具有良好的实时性;解混结果是概率输出,更具统计意义。
附图说明
图1为本发明的流程图;
图2为实验中采用实验数据图;
图3-a~图3-c为实验中采用的三类实验数据实际分布图,图3-a为实验数据中第1类地物分布图,图3-b为实验数据中第2类地物分布图,图3-c为实验数据中第3类地物分布图。
图4-a-1~图4-c-3为实验中采用的三种不同方法解混后与之对应的各类地物的丰度分布图。其中图4-a-1为第1类地物FCLS解混丰度图,图4-a-2为第2类地物FCLS解混丰度图,图4-a-3为第3类地物FCLS解混丰度图;图4-b-1为第1类地物LS-SVM解混丰度图,图4-b-2为第2类地物LS-SVM解混丰度图,图4-b-3为第3类地物LS-SVM解混丰度图;图4-c-1为第1类地物的本发明UARVM的解混丰度图,图4-c-2为第2类地物的本发明UARVM的解混丰度图,图4-c-3为第3类地物的本发明UARVM的解混丰度图。
图5为实验中采用的三种不同方法解混的精度表。
图6为实验中采用的三种不同方法运行的时间表。
具体实施方式
下面结合附图1~6对本发明和其实施例进行详细说明。
本发明一种基于相关向量机的高光谱图像解混方法,具体步骤如下:
2、进行样本标号。将具有监督信息的训练样本中属于第i(1≤i≤k)类样本对应的样本标号t值标记为+1,其余k-1的类别对应的样本标号t值标记为0。
3、求解每个测试样本的归属第i类别的概率值fi。
3.1、利用训练样本训练RVM。
式中:K(x,xn)为径向高斯核函数,x=[x1,x2,…xN],w=[w0,w1,w2,…,wN]T为权向量。而求解的样本标号为tn=yn+εn,εn为附加噪声εn~N(0,σ2)。
式中:p表示分布函数,α为w先验分布的超参数向量α=[α0,α1,α2,…,αN]T。经过上述的变量替换之后可知需要确定的参数就转化为超参数向量α和方差σ2。
(3)参数求解。超参数向量α和方差σ2,可通过式(3)迭代完成求解。首先给定α与σ2的猜测值αo和设置更新次数为p,然后通过式(3)不断更新,直至更新次数等于p。通过上述更新得到超参数向量α和方差σ2之后,RVM训练过程结束。此时不为0的wj所对应的xn称之为相关向量。
式中:∑=(σ-2ΦTΦ+A)-1为权值向量w的协方差,∑j,j是协方差∑中第j项对角线上的元素,A=diag(α0,α1,…αN), 为核函数构成的矩阵,μ=σ-2∑ΦTt为权值向量w的均值,γ为中间的计算变量。
3.2、利用训练好的RVM模型对测试样本进行测试。
3.3、输出fi,并对其进行存储。测试样本属于第i类的概率值fi即为上述所求的P(tm=1|w)。
4、重复步骤2和步骤3,直到满足i=k,即测试样本属于第k类的概率值fk求解完毕。
6、求解完毕,输出最终解混丰度值fi。fi即为所对应的第i个类别在测试样本中所占的比例,称之为丰度值。
通过步骤1至步骤6,最终输出本发明下的高光谱图像解混结果。图1给出了本发明的流程图。
为了说明本发明的有效性,特进行如下实验论证。实验数据利用的高光谱图像是美国印第安纳州Indian Pine实验区图像,其于1992年6月用AVIRIS传感器采集得到,空间分辨率为20m。原始图像共有220个波段,大小为144×144,共有16种地物分布,将原始的220个波段中受噪声影响较大的一些波段去除后选取200个波段作为仿真研究对象。考虑到地物个数、比例等原因从中16种地物中选取灌木、大豆和乔木这3类地物来进行实验,为方便对其分别标号为第1、2和3类。实验数据如图2所示,原始各类的地物分布如图3所示。
在对高光谱图像进行解混时,本发明方法与经典方法FCLS和最小二乘支持向量机(LeastSquares Support Vector Machine,LS-SVM)方法进行对比。本发明的方法记为UARVM,对比方法记为FCLS和LS-SVM。其中FCLS解混用的是与实验数据对应的纯端元,LS-SVM与UARVM是在其各自模型参数均调到最优的情况下从这三种实际地物分布样本中均匀抽取12%的数据作为训练样本。
运用三种方法解混后与之对应的各类地物的丰度分布图分别如图4所示,FCLS丰度图相对比较模糊,这是因为混合像元各组分中存在非线性特性,而LS-SVM和UARVM能够较好的对其进行解释,因此使得混合像元解混效果得到了一定的改善。同时由于UARVM解混结果更具统计意义,因此丰度图中不同地物之间有着明显的区分。
三种方法的解混精度如图5所示。三种方法中从各类的分类精度和总体的解混精度来看UARVM方法取得的解混精度值均是最高的。
三种方法在同一机器上的运算时间如图6所示。FCLS用于解混的总时间最长。由于UARVM的训练时间较长,导致整体的解混时间长于LS-SVM,因为在实际中对样本的训练可以离线进行,因此在处理时间中通常比较关注的是测试时间,可以看到UARVM的样本测试时间要短于LS-SVM,即UARVM具有更好的实时性。
Claims (3)
1.一种基于相关向量机的高光谱图像解混方法,其特征在于:包括以下几个步骤,
步骤二,将具有监督信息的训练样本中属于第i数据类别对应的样本标号t值标记为1,其余k-1的数据类别对应的样本标号t值标记为0,其中1≤i≤k;
步骤三,利用训练样本训练相关向量机,得到相关向量机的模型;
步骤五,计算测试样本属于第i数据类别的概率值fi;
步骤六,重复步骤二~步骤五,计算出测试样本分别属于k个数据类别的概率值fk;
2.根据权利要求1所述的一种基于相关向量机的高光谱图像解混方法,其特征在于:所述的利用训练样本训练相关向量机的过程是:
(1)相关向量机的相关函数为:
其中,K(x,xn)为径向高斯核函数,x=[x1,x2,…xN],w=[w0,w1,w2,…,wN]T为权向量,样本标号为tn=yn+εn,εn为附加噪声εn~N(0,σ2);
式中:p表示分布函数,α为w先验分布的超参数向量α=[α0,α1,α2,…,αN]T;
其中,∑=(σ-2ΦTΦ+A)-1为权值向量w的协方差,∑j,j是协方差∑中第j项对角线上的元素,A=diag(α0,α1,…αN), 为核函数构成的矩阵,μ=σ-2∑ΦTt为权值向量w的均值,γ为中间的计算变量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410003264.2A CN103761530B (zh) | 2014-01-03 | 2014-01-03 | 一种基于相关向量机的高光谱图像解混方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410003264.2A CN103761530B (zh) | 2014-01-03 | 2014-01-03 | 一种基于相关向量机的高光谱图像解混方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103761530A true CN103761530A (zh) | 2014-04-30 |
CN103761530B CN103761530B (zh) | 2017-05-24 |
Family
ID=50528765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410003264.2A Expired - Fee Related CN103761530B (zh) | 2014-01-03 | 2014-01-03 | 一种基于相关向量机的高光谱图像解混方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103761530B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104008574A (zh) * | 2014-06-16 | 2014-08-27 | 浙江大学 | 一种基于无限高斯混合模型的高光图图像解混方法 |
CN108664899A (zh) * | 2018-04-19 | 2018-10-16 | 中兵勘察设计研究院有限公司 | 基于模型驱动和rvm回归的高光谱图像混合像元分解方法 |
CN113516019A (zh) * | 2021-04-23 | 2021-10-19 | 深圳大学 | 高光谱图像解混方法、装置及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103310230B (zh) * | 2013-06-17 | 2016-04-13 | 西北工业大学 | 联合解混及自适应端元提取的高光谱图像分类方法 |
-
2014
- 2014-01-03 CN CN201410003264.2A patent/CN103761530B/zh not_active Expired - Fee Related
Non-Patent Citations (4)
Title |
---|
A. VILLA 等: "Unsupervised methods for the classification of hyperspectral images with low spatial resolution", 《PATTERN RECOGNITION OF ELSEVIER》 * |
MATHIEU FAUVEL 等: "Advances in Spectral-Spatial Classification of Hyperspectral Images", 《PROCEEDINGS OF THE IEEE》 * |
杨国鹏等: "基于相关向量机的高光谱影像混合像元分解", 《电子学报》 * |
赵春晖等: "基于改进型相关向量机的高光谱图像分类", 《光学学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104008574A (zh) * | 2014-06-16 | 2014-08-27 | 浙江大学 | 一种基于无限高斯混合模型的高光图图像解混方法 |
CN104008574B (zh) * | 2014-06-16 | 2017-05-10 | 浙江大学 | 一种基于无限高斯混合模型的高光谱图像解混方法 |
CN108664899A (zh) * | 2018-04-19 | 2018-10-16 | 中兵勘察设计研究院有限公司 | 基于模型驱动和rvm回归的高光谱图像混合像元分解方法 |
CN108664899B (zh) * | 2018-04-19 | 2021-08-24 | 中兵勘察设计研究院有限公司 | 一种基于模型驱动和rvm回归的高光谱图像混合像元分解方法 |
CN113516019A (zh) * | 2021-04-23 | 2021-10-19 | 深圳大学 | 高光谱图像解混方法、装置及电子设备 |
CN113516019B (zh) * | 2021-04-23 | 2023-06-02 | 深圳大学 | 高光谱图像解混方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN103761530B (zh) | 2017-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113159051B (zh) | 一种基于边缘解耦的遥感图像轻量化语义分割方法 | |
CN105046279B (zh) | 一种模拟电路故障模式分类方法 | |
CN114821217B (zh) | 一种基于量子经典混合神经网络的图像识别方法及装置 | |
CN109543720B (zh) | 一种基于对抗生成网络的晶圆图缺陷模式识别方法 | |
Wang et al. | A computer vision based machine learning approach for fatigue crack initiation sites recognition | |
CN112560967B (zh) | 一种多源遥感图像分类方法、存储介质及计算设备 | |
CN111401156B (zh) | 基于Gabor卷积神经网络的图像识别方法 | |
CN106681305A (zh) | 一种Fast RVM污水处理在线故障诊断方法 | |
CN105913081A (zh) | 基于改进的PCAnet的SAR图像分类方法 | |
CN103839078A (zh) | 一种基于主动学习的高光谱图像分类方法 | |
CN104992183A (zh) | 自然场景中的显著目标的自动检测方法 | |
CN106127221A (zh) | 基于极化‑纹理特征与dpl的极化sar图像分类方法 | |
CN103679719A (zh) | 一种图像分割方法 | |
CN104866871A (zh) | 基于投影结构稀疏编码的高光谱图像分类方法 | |
CN103136757A (zh) | 基于流形距离的两阶段聚类算法的sar图像分割方法 | |
Pérez et al. | StarcNet: Machine learning for star cluster identification | |
CN104504391B (zh) | 一种基于稀疏特征和马尔科夫随机场的高光谱图像分类方法 | |
CN109635789A (zh) | 基于强度比和空间结构特征提取的高分辨sar图像分类方法 | |
CN104573699A (zh) | 基于中等场强磁共振解剖成像的实蝇识别方法 | |
CN114463637A (zh) | 一种基于深度学习的冬小麦遥感识别分析方法和系统 | |
CN104809471A (zh) | 一种基于空间光谱信息的高光谱图像残差融合分类方法 | |
CN105894035B (zh) | 基于sar-sift和dbn的sar图像分类方法 | |
CN103761530A (zh) | 一种基于相关向量机的高光谱图像解混方法 | |
CN106778897A (zh) | 基于余弦距离和中心轮廓距离的两次植物物种识别方法 | |
CN116563649B (zh) | 基于张量映射网络的高光谱图像轻量化分类方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170524 |
|
CF01 | Termination of patent right due to non-payment of annual fee |