CN105205496A - 基于空间信息约束的增强型稀疏表示高光谱图像分类装置及方法 - Google Patents
基于空间信息约束的增强型稀疏表示高光谱图像分类装置及方法 Download PDFInfo
- Publication number
- CN105205496A CN105205496A CN201510577708.8A CN201510577708A CN105205496A CN 105205496 A CN105205496 A CN 105205496A CN 201510577708 A CN201510577708 A CN 201510577708A CN 105205496 A CN105205496 A CN 105205496A
- Authority
- CN
- China
- Prior art keywords
- classification
- pixel
- measured
- class
- residual vector
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Abstract
本发明涉及高光谱图像分类领域,具体公开基于空间信息约束的增强型稀疏表示高光谱图像分类装置。本发明利用正规化欧氏距离计算重构像元与原始像元之间的相似度,在计算像元类别归属时引入类别特征信息,对以待测像元为中心的八邻域内的空间信息进行提取,设置空间信息权值,将空间分类信息权值与经过正规化欧氏距离计算的光谱相似度相结合,构成基于空间信息与光谱信息的分类模型;对待测像元类别进行多次规划,重新计算残差值与空间信息权值。本方法能够有效提升高光谱图像的分类精度,具备较强的泛化能力。
Description
技术领域
本发明涉及高光谱图像分类领域,具体涉及一种增强型稀疏表示高光谱图像分类方法。
背景技术
高光谱遥感(Hyperspectralremotesensing)又称超谱遥感,目前应用最多的是美国NASA喷气实验室研制的机载可见光成像光谱仪(AVIRIS)。高光谱遥感图像是按照一定的比例,客观真实地记录和反映地表物体的电磁辐射的强弱信息,是遥感探测所获得的遥感信息资料的一种表示,因此遥感高光谱技术应用的核心问题是根据地物电磁辐射的强弱在遥感图像上表现的特征,判读识别地面物体的类属及其分布特征。
高光谱遥感图像是一种高维图像,可直接反映地物的空间信息和光谱信息,其数据量庞大。随着传感器的不断更新,人们已经可以在不同的航空航天遥感平台上获取不同时空分辨率和光谱分辨率的遥感图像。根据各自在图像信息中所反映的不同特征,把不同类别的目标区分开来的图像处理方法叫做图像分类。遥感高光谱图像分类主要的依据是地物的光谱特征,即地物电磁波辐射的多波段测量值,这些测量值可以用作遥感图像分类的原始特征变量。图像空间:反映了地物的分布和变化以及不同地物之间的空间关系。图像空间最重要的用途就是将图像中每一个像素与其地面位置对应起来,为高光谱影像处理与分析提供空间知识。
稀疏表示(SR)已被证明在高光谱图像分类领域具有很好的分类效果;算法假设高维的光谱能够被少量的字典原子线性表示,通过求重构像元与待测像元之间的欧氏距离来划分像元类别。在传统稀疏表示分类算法中以贪婪算法实现起来更加易于理解,常用的贪婪算法有匹配追踪算法(MP)、正交匹配追踪算法(OMP)、子空间回溯算法(SP);在将贪婪算法运用于高光谱图像分类的过程中,OMP算法效果最优。OMP算法保证每一次选入支撑集的像元不会重复,最终通过求重构像元与原始像元的欧氏距离来判断原始像元的类别。
然而,在传统稀疏表示分类算法中,利用欧氏距离计算重构像元与待测像元的相似程度时,缺少类别特征信息。同时,在传统稀疏表示分类算法中,算法仅利用了高光谱图像的光谱信息,图像的空间信息并没有得到有效利用,事实上高光谱图像相邻像元之间存在着很强的相关性,利用空间信息分类能够较好的提升高光谱图像的分类性能。
综上所述,稀疏表示分类算法中欧式距离计算重构像元与待测像元缺少类别特征信息。传统稀疏表示分类算法仅利用高光谱图像的光谱信息来对像元进行类别划分,缺少高光谱图像的空间信息。由于上述问题,高光谱图像的分类性能较差。
发明内容
本发明针对现有技术的上述不足,提出基于空间信息约束的稀疏表示高光谱图像分类。使用正规化欧氏距离计算重构像元与待测像元的相似程度代替传统的欧氏距离,在进行待测像元类别划分的过程中添加类别特征信息;将以待测像元为中心的8邻域内的空间信息引入稀疏表示分类算法中,利用高光谱图像的空间信息对高光谱图像像元进行类别划分。
本发明解决上述问题的技术方案是:提出基于空间信息约束的增强型稀疏表示高光谱图像分类装置,包括:残差值重新计算模块、空间分类信息与光谱分类信息融合模块、待测像元类别多次循环计算模块。
稀疏表示残差值重新计算模块:利用传统稀疏表示算法的初始分类结果将残差向量进行分组,构成残差向量集,计算对应频段每一个类别的残差向量集的方差向量,将对角化的方差向量作为正规化欧氏距离中的对角矩阵,计算重构像元相对于待测像元的重构残差值;空间分类信息与光谱分类信息融合模块:利用待测像元周围八邻域内像元的类别标签,设置空间信息约束权值,将空间信息权值与光谱分类的残差值相加,判断待测像元的类别;待测像元类别多次循环计算模块:将空间分类信息与光谱分类信息融合模块确定的待测像元的类别作为初始条件,对残差向量进行重新分组,调用稀疏表示残差值重新计算模块重新计算待测像元的新类别,直至达到设置的循环次数,输出分类结果。
本发明的其中一个实施例进一步包括,将所有像元对应的残差向量分组,组成残差向量集Ni;根据第i类残差向量集的第j频段向量Nij,调用公式计算第i类残差向量集Ni中第j频段的方差sij,由此获得残差向量集Ni对应的方差向量Si=[si1,si2,…,sid],将方差向量对角化为Σi,获得所有C个类别对应的方差对角矩阵为{Σ1,Σ2,…,Σi,…,ΣC}。
其中,所有C个类别对应在class中的坐标为[index1,index2,…,indexi,…,indexC],找出初始分类结果class向量中第i类类别标签的位置坐标indexi,在由第i类字典进行稀疏重构的所有残差向量Ri中按照indexi中的坐标取出对应位置上的残差向量,构成第i类的残差向量集Ni,获得所有C个类别构成的分组残差向量集为{N1,N2,…,Ni,…,NC}。根据残差值空间信息约束权值,调用公式:计算待测像元xt的类别,其中,γ为空间信息约束因子,Wi为第i类别空间信息约束权值。
本发明的其中一个实施例进一步包括,计算重构像元与待测像元的类别相似度,具体包括:根据第i类字典Ai、稀疏重构系数向量αi获得重构像元Aiαi,调用正规化欧式距离公式:计算重构像元相对于待测像元xt的重构残差值其中,Σi为Si的对角矩阵,T为待测像元的总数。
其中,残差值越小,重构像元Aiαi与待测像元xt的类别相似度越高。
所述设置空间信息约束权值具体包括:提取以待测像元xt为中心的空间8邻域内像元信息,获取类别标签组,将其中的第i类标签数目的负值设置为第i类别空间信息约束权值Wi。
本发明的其中一个实施例进一步包括,对残差向量进行重新分组,重新计算待测像元的新类别具体包括:将上一次分类结果中的待测像元类别class作为下一次类别划分的初始条件重新对残差向量分组,获得新的残差向量集N′i对应的方差向量S′i=[s′i1,s′i2,…,s′id],构建新对角矩阵Σ′i,根据公式:计算新重构残差值调用公式:计算新待测像元x′t的新类别,其中,γ为空间信息约束因子。
本发明还提出一种基于空间信息约束的增强型稀疏表示高光谱图像分类方法,包括步骤:稀疏表示残差值重新计算模块利用初始分类结果将残差向量进行分组,构成残差向量集,计算对应频段每一个类别的残差向量集的方差向量,将对角化的方差向量作为正规化欧氏距离中的对角矩阵,计算重构像元与待测像元的相似度;空间分类信息与光谱分类信息融合模块利用待测像元周围八邻域内像元的类别标签,设置空间信息约束权值,判断待测像元的类别;待测像元类别多次循环计算模块将待测像元的类别作为下一次待测像元类别划分的初始条件,对残差向量进行重新分组,重新计算待测像元的新类别,直至达到设置的循环次数,输出分类结果。
基于正规化欧氏距离的稀疏表示残差值计算可具体包括:
将初始稀疏表示分类之后像元对应的残差向量分组,组成残差向量集Ni,其中i为类别序列号,所有C个类别对应的残差向量集为{N1,N2,…,Ni,…,NC}。找出初始分类class向量中第i类类别标签的位置坐标indexi,所有C个类别对应在class向量中的位置坐标为[index1,index2,…,indexi,…,indexC],在所有待测像元经第i类字典稀疏重构形成的所有残差向量Ri中按照indexi中的坐标取出对应位置上的残差向量,构成第i类的残差向量集Ni,所有C个类别构成的分组残差向量集为{N1,N2,…,Ni,…,NC}。
按照对应频段求出对应第i类残差向量集Ni的方差向量Si,将方差向量对角化成为Σi,所有C个类别对应的方差向量对角矩阵为{Σ1,Σ2,…,Σi,…,ΣC};在计算不同残差向量集Ni的方差向量Si=[si1,si2,…,sid]过程中,第j频段的方差sij计算公式为:其中,sij为第i类残差向量集Ni中第j频段的方差值,Nij表示第i类残差向量集的第j频段向量,mean(Nij)表示Nij的均值,||||2表示对向量求L2范数。
运用正规化欧式距离计算重构像元Aiαi相对于待测像元xt的重构残差值。其中,表示待测像元xt由第i类字典计算的重构残差值,残差值越小,重构像元Aiαi与待测像元xt的相似度越高,Ai为第i类字典,αi为稀疏重构系数向量,Σi为Si的对角矩阵。
基于空间信息与光谱信息的待测像元类别计算具体可采用如下方法:
(1)提取以待测像元xt为中心的空间8邻域内像元信息,得到这些像元的类别标签组,将类别标签组中的第i类标签数目的负数设置为第i类别空间信息权值Wi。具体可为:如提取待测像元xt(m,n)为中心的邻域内的像元{xm-1,n-1,xm-1,n,xm-1,n+1,xm,n-1,xm,n+1,xm+1,n-1,xm+1,n,xm+1,n+1}类别标签进行统计,组成8邻域类别标签ylabel={ym-1,n-1,ym-1,n,ym-1,n+1,ym,n-1,ym,n+1,ym+1,n-1,ym+1,n,ym+1,n+1};其中,m、n分别表示像元在原图中的横、纵坐标。对ylabel中的类别标签进行统计,将第i类标签数目的负值作为第i类像元的权值:Wi=-length(find(ylabel==i));其中,find(ylabel==i)为找出ylabel中为i的元素的坐标,length(find(ylabel=i))为统计ylabel中类别等于i的个数。根据该方法,计算所有C个类别的空间信息权值[W1,W2,…,Wi,…,WC]。
(2)根据8邻域内的空间信息权值与计算出的重构残差值,调用公式:计算待测像元的类别其中,γ为空间信息约束因子。即待测像元的类别为公式计算的最小值的类别。将所有待测像元的类别计算出更新class中的类别标签。
基于循环迭代的多次像元类别划分过程为:
将待测像元类别class作为下一次类别划分的初始条件,按照最新像元类别class重新对残差向量分组,计算最新残差向量集,重新计算残差值重新计算空间约束权值Wi,重新计算待测像元的类别归属,其过程为:找出最新像元类别class向量中第i类类别标签的位置坐标indexi,所有C个类别对应在class中的坐标为[index1,index2,…,indexi,…,indexC],在由第i类字典进行稀疏重构的所有残差向量Ri中按照indexi中的坐标取出对应位置上的残差向量,构成第i类的残差向量集Ni,获得所有C个类别构成的分组残差向量集为{N1,N2,…,Ni,…,NC},按照频段求出对应第i类残差向量集Ni的方差向量Si,将方差向量对角化成为Σi,所有C个类别对应的方差向量对角矩阵为{Σ1,Σ2,…,Σi,…,ΣC},根据公式:计算重构像元Aiαi相对于待测像元xt之间的重构残差值重新提取以待测像元xt为中心的空间8邻域内像元信息,得到这些像元的类别标签组,将类别标签组中的第i类标签数目的负数设置为第i类别空间信息权值Wi。具体可为:如提取待测像元xt(m,n)为中心的邻域内的像元{xm-1,n-1,xm-1,n,xm-1,n+1,xm,n-1,xm,n+1,xm+1,n-1,xm+1,n,xm+1,n+1}类别标签进行统计,组成8邻域类别标签ylabel={ym-1,n-1,ym-1,n,ym-1,n+1,ym,n-1,ym,n+1,ym+1,n-1,ym+1,n,ym+1,n+1};其中,m、n分别表示像元在原图中的横、纵坐标。对ylabel中的类别标签进行统计,将第i类标签数目的负值作为第i类像元的权值,权值为:Wi=-length(find(ylabel==i))。其中,find(ylabel==i)为找出ylabel中为i的元素的坐标,length(find(ylabel=i))为统计ylabel中类别等于i的个数。根据该方法,计算所有C个类别的空间信息权值[W1,W2,…,Wi,…,WC]。根据类别相似度、空间信息约束权值,调用公式:重新计算待测像元xt的类别,更新class中待测像元的类别。待测像元的类别将会被重复多次计算,直至预先设置好的循环次数达到,停止迭代,输出结果。
本发明提出的基于正规化欧氏距离的稀疏表示高光谱图像分类模型,解决传统稀疏表示分类模型中欧氏距离计算重构像元与待测像元相似度时缺少类别特征信息,提高了传统稀疏表示分类模型的分类精度;将高光谱图像中以待测像元为中心的空间8邻域内的空间信息提取出来,并设置空间信息权值,并将空间信息权值与基于正规化欧氏距离的稀疏表示分类模型计算的残差值相结合,计算待测像元的类别,较大幅度提升了高光谱图像的分类精度;利用循环迭代计算的思想,将本次分类结果作为下一次分类的初始条件,重新计算基于正规化欧氏距离的稀疏表示分类残差值与空间8邻域内的空间信息权值,重新待测像元的类别,能够在前一次分类基础上提升高光谱图像的分类精度。
附图说明
图1为本发明进行类别划分的稀疏表示高光谱图像分类流程图;
图2为本发明基于空间信息提取的高光谱图像空间信息提取模块示意图;
图3为本发明分类方法与原始稀疏表示分类方法精度比较示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下基于MATLAB2013a软件平台下结合附图对本发明方案的实例进行详细说明。使用典型的AVIRIS高光谱遥感图像(大小为145×145×220),本方案的具体实施步骤如下:
一、传统稀疏表示初始分类阶段:
将原始像元信号xt代入类别字典A=[A1,A2,…,AC]中进行稀疏重构,得到稀疏重构系数向量αi,通过最小二乘法根据公式:求出稀疏表示系数向量。其中,AΛi为xt光谱在第i类字典中选出的支撑原子集,t∈T为待测信号的序列号,T为待测像元的总数。根据公式:计算重构像,调用传统欧氏距离计算重构残差,其残差值计算模型为:根据公式:计算残差向量,将所有残差向量进行保存;将xt代入所有类别字典中进行稀疏重构,分别计算重构残差,找出残差值最小的类别即为xt的类别。运用欧氏距离计算残差值,将所有待测像元进行初始类别划分。
将每一个待测像元对应的残差向量保存,即将xt代入所有字典[A1,A2,…,Ai,…,AC]中得到的残差向量[nt1,nt2,…,nti,…,ntC]。所有待测像元经过稀疏重构后的残差向量有C组,分别为[R1,R2,…,Ri,…,RC]。初始分类结果为class(class∈RT×1)。所有T个待测像元组成待测像元集X=[x1,x2,…,xt,…,xT]T(X∈RT×d)。class中类别标签与待测像元集X中像元的顺序一一对应。
待测像元集X=[x1,x2,…,xt,…,xT]T组成过程为:在高光谱平面坐标中(如图2(a)),由上往下,由左往右逐个抽出待测像元xt,以行向量的形式放入待测像元集X中,若图像中的像元不属于待测像元,则将此行空出填0。在像元类别标签集class中,若待测像元集X中的一行全为0,则class对应坐标位置上的类别记为0。
二、基于空间信息约束的增强型稀疏表示分类阶段:
按照传统稀疏表示分类结果class对残差向量进行分组,找出原始残差向量Ri中的分组残差向量集Ni。第i组对应的残差向量集Ni=[n1,n2,…,nwi]T,其中,wi为第i类残差向量集中的残差向量的个数。所有C个类别构成的残差向量集分别为{N1,N2,…,Ni,…,NC},找出原始残差向量Ri中的分组残差向量集Ni的过程为:残差向量集分组过程为:找出class中第i类的类别标签的位置坐标indexi,所有C个类别对应在class中的坐标为[index1,index2,…,indexi,…,indexC],在第i类的所有残差向量Ri中按照indexi中的坐标取出对应位置上的残差向量,构成第i类的残差向量集Ni;所有C个类别构成的分组残差向量集为{N1,N2,…,Ni,…,NC}。对应的操作为:indexi=find(class==i)、Ni=Ri(indexi,:);其中,find(class==i)为class类别标签向量中等于i的类别的坐标,返回其坐标。Ni=Ri(indexi,:)取出对应Ri原始残差向量集中属于第i类的残差向量集。正规化欧氏距离的对角方差矩阵将会从对应的残差向量集Ni中求出。
根据分组残差向量集{N1,N2,…,Ni,…,NC},对其中的每一个残差向量集Ni按照对应频段求方差向量Si,并且对其进行对角化处理得到方差对角矩阵Σi,其求解过程为:已知Ni对应的方差Si=[si1,si2,…,sid],其中,sij为对应Ni的第j列频段向量的方差,d为高光谱图像的维度。将Ni的第j列取出,记为Nij,Nij=Ni(j,:),对Nij求均值得到均值mean(Nij),对去均值之后的Nij每一个分量先求平方再求和;其计算公式为:其中,||||2表示求解L2范数,表示对L2范数值求平方,所有d个频段的方差值为[si1,si2,…,sid]。将所有C个类别的残差向量集对应的方差向量求出{S1,S2,…,Si,…,SC}。对方差向量作对角化处理,将所有C个类别残差向量集对应的方差向量对角化{Σ1,Σ2,…,Σi,…,ΣC}。
利用正规化欧氏距离公式计算重构像元Aiαi相对于待测像元xt的残差值。其中,xt-Aiαi=nti,则残差值最终计算模型如:其中,nti从保存的第i类的残差集合Ri中取出;将xt相对于所有C个类别的残差值重新计算,得到
提取xt周围8邻域内的空间信息,计算空间信息约束权值。具体可采用方法为:首先,统计待测像元xt为中心的像元周围8邻域内像元(中心像元默认坐标为xt(m,n));在一幅高光谱图像中m代表图像平面横坐标,n代表图像平面纵坐标;其8邻域内的像元取出如{xm-1,n-1,xm-1,n,xm-1,n+1,xm,n-1,xm,n+1,xm+1,n-1,xm+1,n,xm+1,n+1},空间8邻域坐标图如图2(a)所示。
在类别对应列表class中寻找出8邻域内像元对应的类别,其类别查找过程(图2(b))如下所述:假设,高光谱图像的长和高分别为L、H,中心像元xt(m,n)在待测像元集中的位置坐标为t(其中,t∈T,T为待测样本总数),xt(m,n)的类别标签yt(m,n)=class(t,1),坐标位置(m,n)与待测像元在待测像元集合中的位置关系为:
如果:t%H≠0,m=mod(t/H)+1,n=t%H;如果:t%H=0,m=mod(t/H),n=H。其中,mod表示对小数的取整数运算,“/”表示除法运算,“%”表示取余数运算。当知道待测像元的空间坐标(m,n)后,其对应在待测像元序列集中的位置为:将{xm-1,n-1,xm-1,n,xm-1,n+1,xm,n-1,xm,n+1,xm+1,n-1,xm+1,n,xm+1,n+1}中的八个坐标{(m-1,n-1),(m-1,n),(m-1,n+1),(m,n-1),(m,n+1),(m+1,n-1),(m+1,n),(m+1,n+1)}对应的序列坐标号{t1,t2,t3,t4,t5,t6,t7,t8}计算出。
对应的坐标为:t1=(m-1-1)×H+(n-1);t2=(m-1-1)×H+n;
t3=(m-1-1)×H+(n+1);t4=(m-1)×H+(n-1);
t5=(m-1)×H+(n+1);t6=(m+1-1)×H+(n-1);
t7=(m+1-1)×H+n;t8=(m+1-1)×H+(n+1)
其中,将{xm-1,n-1,xm-1,n,xm-1,n+1,xm,n-1,xm,n+1,xm+1,n-1,xm+1,n,xm+1,n+1}8个像元的类别标签从class中取出组成ylabel={ym-1,n-1,ym-1,n,ym-1,n+1,ym,n-1,ym,n+1,ym+1,n-1,ym+1,n,ym+1,n+1},其过程如下所示:
ym-1,n-1=class(t1,1),ym-1,n=class(t2,1),ym-1,n+1=class(t3,1);
ym,n-1=class(t4,1),ym,n+1=class(t5,1),ym+1,n-1=class(t6,1);
ym+1,n=class(t7,1),ym+1,n+1=class(t8,1);
将这些类别组成类别标签组ylabel={ym-1,n-1,ym-1,n,ym-1,n+1,ym,n-1,ym,n+1,ym+1,n-1,ym+1,n,ym+1,n+1};其中,如果中心像元处于图像边缘处,则其不在图像内的坐标的类别标签记为0。由设计可知,此类别标签组ylabel中的类别标签范围为y∈{0:C}。
对标签向量集ylabel中的类别标签进行统计,将第i类的标签的数目的负值作为第i类像元的权值,其计算公式为:Wi=-length(find(ylabel==i));其中find(ylabel==i)为找出ylabel中为i的元素的坐标,length(find(ylabel=i))为统计等于第i类坐标的个数。所有C个类别标签数目的计算出来的空间信息权值分别为[W1,W2,…,Wi,…,WC]。
将重构残差值与空间信息权值联立得到最终的类别划分公式为:其中,γ为空间信息约束因子,本实施例中,可设置其为γ约束空间信息对高光谱图像分类的影响。待测像元的类别为公式计算的最小值的类别。更新class中待测像元的类别标签。
按照步骤5分类结果,新的class将会成为下一次类别划分的初始条件。其中下一次类别划分中运用class的部分为,残差值重新计算模块如步骤1、步骤2、步骤3;空间信息权值计算模块如步骤4。重复步骤1-步骤3,重新计算残差值;重复步骤4,重新计算空间信息权值;将空间分类信息计算值与光谱信息计算值相结合重复步骤5,计算待测像元类别。将待测像元的类别进行反复计算,直到当前循环次数达到了预先设置的循环次数,(连续重复多次步骤1-5),最终输出分类结果class。
为了说明本发明的有益效果,在稀疏表示分类模型中进行试验仿真测试,其中,高光谱图像选择IndianPines高光谱图像,选择其中六类地物,Corn-notill、Corn-mintill、Grass/Trees、Soybeans-min、Soybean-notill、Woods进行分类测试,稀疏表示各参数,本发明中各参数设置如表1仿真参数所示:
表1仿真参数设置
高光谱图像长L、高H、维度d | L=145、H=145、d=220 |
参与测试地物类别 | 6类地物 |
类别字典原子比例 | 10%、15%、20% |
稀疏度 | 10 |
空间信息约束因子 | 20 |
循环次数 | 10 |
由OMP传统稀疏表示分类算法进行初始分类,将待测像元的初始类别标签保存。其中类别字典与每一个类别的待测像元之间的比例分别设置为:10%、15%、20%;OMP算法的稀疏度设置为10,即每一个类别中将会选出5个字典原子参与稀疏重构;本发明中,空间信息约束因子γ=20;循环次数设置为10,即达到十次循环后,输出分类结果,停止迭代。
在三种不同字典比例下本发明中基于正规化欧氏距离(OMP-NED)的分类方法表现,以及本发明基于空间信息与光谱信息(SRC-Spatial)分类方法表现如表2所示:
表2
字典比例 | OMP | SP | OMP-NED | SOMP | SRC-Spatial |
10% | 81.61% | 76.32% | 83.31% | 83.23% | 95.31% |
15% | 85.77% | 81.34% | 87.83% | 88.78% | 97.64% |
20% | 88.93% | 86.73% | 90.92% | 92.34% | 98.92% |
在表2中,所有分类算法所用的训练样本相同,由表2可以看出基于正规化欧氏距离的OMP-NED高光谱分类方法要比原始的OMP分类算法分类精度要高。所述结合空间信息与光谱信息分类的装置(SRC-Spatial),要比空间联合正交匹配追踪算法(SOMP)的分类精度高。
图3(a)为基于正规化欧氏距离改进的OMP方法(OMP-NED)、结合空间信息与光谱信息分类方法(SRC-Spatial)、基于欧氏距离的传统系数表示OMP分类方法的总体分类精度对比图。由图中可以看出提出的SRC-Spatial分类技术能够达到较高的分类精度,且由正规化欧氏距离改进的OMP算法具备较好的分类性能。
图3(b)为类别字典原子个数为200时所提分类方法在不同循环次数下的分类精度,其中循环次数为0时,提出方法的分类精度等于OMP算法的分类精度;由图中可以看出随着循环次数的增加,提出的分类方法OMP-NED、与SRC-Spatial的分类精度都有一定程度的提升;多次循环能够较好的对待测像元的类别规划更加准确。
Claims (8)
1.基于空间信息约束的增强型稀疏表示高光谱图像分类装置,其特征在于,包括:稀疏表示残差值重新计算模块、空间分类信息与光谱分类信息融合模块、待测像元类别多次循环计算模块,稀疏表示残差值重新计算模块:利用初始分类结果将残差向量进行分组,构成残差向量集,计算对应频段每一个类别的残差向量集的方差向量,将对角化的方差向量作为正规化欧氏距离中的对角矩阵,计算重构像元与待测像元的相似度;空间分类信息与光谱分类信息融合模块:利用待测像元周围八邻域内像元的类别标签,设置空间信息约束权值,根据稀疏表示残差值和空间信息权值,判断待测像元的类别;待测像元类别多次循环计算模块:将空间分类信息与光谱分类信息融合模块确定的待测像元的类别作为初始条件,对残差向量进行重新分组,调用稀疏表示残差值重新计算模块重新计算待测像元的新类别,直至达到设置的循环次数,输出分类结果。
2.根据权利要求1所述的装置,其特征在于,获得对角矩阵的步骤具体包括,将待测像元对应的残差向量分组,组成残差向量集Ni;根据第i类残差向量集的第j频段向量Nij,调用公式计算第i类残差向量集Ni中第j频段的方差sij,由此获得残差向量集Ni对应的方差向量Si=[si1,si2,…,sid],将方差向量对角化为Σi,所有C个类别对应的方差对角矩阵为{Σ1,Σ2,…,Σi,…,ΣC},其中,mean(Nij)表示Nij的均值,||||2表示对向量求L2范数。
3.根据权利要求1所述的装置,其特征在于,计算重构像元与待测像元的类别相似度具体包括:根据第i类字典Ai,稀疏重构系数向量αi,Si的对角矩阵Σi,利用正规化欧式距离公式:计算重构像元Aiαi相对于待测像元xt的重构残差值所述设置空间信息约束权值具体包括,提取以待测像元xt为中心的空间8邻域内像元信息,获取类别标签组,将其中的第i类标签数目的负值设置为第i类别空间信息约束权值Wi。
4.根据权利要求2所述的装置,其特征在于,找出初始分类结果class向量中第i类类别标签的位置坐标indexi,所有C个类别对应在class中的坐标为[index1,index2,…,indexi,…,indexC],在第i类的所有残差向量Ri中按照indexi中的坐标取出对应位置上的残差向量,构成第i类的残差向量集Ni,获得所有C个类别构成的分组残差向量集为{N1,N2,…,Ni,…,NC}。
5.基于空间信息约束的增强型稀疏表示高光谱图像分类方法,其特征在于,包括步骤:稀疏表示残差值重新计算模块利用初始分类结果将残差向量进行分组,构成残差向量集,计算对应频段每一个类别的残差向量集的方差向量,将对角化的方差向量作为正规化欧氏距离中的对角矩阵,计算重构像元与待测像元的相似度;空间分类信息与光谱分类信息融合模块利用待测像元周围八邻域内像元的类别标签,设置空间信息约束权值,判断待测像元的类别;待测像元类别多次循环计算模块将待测像元的类别作为下一次待测像元类别划分的初始条件,对残差向量进行重新分组,调用稀疏表示残差值重新计算模块重新计算待测像元的新类别,直至达到设置的循环次数,输出待测像元的类别。
6.根据权利要求5所述的方法,其特征在于,将像元对应的残差向量分组,组成残差向量集Ni;根据第i类残差向量集的第j频段向量Nij,调用公式计算第i类残差向量集Ni中第j频段的方差sij,由此获得残差向量集Ni对应的方差向量Si=[si1,si2,…,sid],将方差向量对角化为Σi,所有C个类别对应的方差对角矩阵为{Σ1,Σ2,…,Σi,…,ΣC},其中,mean(Nij)表示Nij的均值,||||2表示对向量求L2范数。
7.根据权利要求5所述的方法,其特征在于,计算重构像元与待测像元的类别相似度具体包括:根据第i类字典Ai,稀疏重构系数向量αi,Si的对角矩阵Σi,利用正规化欧式距离:计算重构残差作为重构像元Aiαi与像元xt的类别相似度;所述设置空间信息约束权值具体包括,提取以待测像元xt为中心的空间8邻域内像元信息,获取类别标签组,将其中的第i类标签数目的负值设置为第i类别空间信息约束权值Wi。
8.根据权利要求6所述的方法,其特征在于,找出初始分类结果class向量中第i类类别标签的位置坐标indexi,所有C个类别对应在class中的坐标为[index1,index2,…,indexi,…,indexC],在第i类的所有残差向量Ri中按照indexi中的坐标取出对应位置上的残差向量,构成第i类的残差向量集Ni,获得所有C个类别构成的分组残差向量集为{N1,N2,…,Ni,…,NC}。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510577708.8A CN105205496B (zh) | 2015-09-11 | 2015-09-11 | 增强型稀疏表示高光谱图像分类装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510577708.8A CN105205496B (zh) | 2015-09-11 | 2015-09-11 | 增强型稀疏表示高光谱图像分类装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105205496A true CN105205496A (zh) | 2015-12-30 |
CN105205496B CN105205496B (zh) | 2018-12-28 |
Family
ID=54953168
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510577708.8A Active CN105205496B (zh) | 2015-09-11 | 2015-09-11 | 增强型稀疏表示高光谱图像分类装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105205496B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203378A (zh) * | 2016-07-20 | 2016-12-07 | 武汉大学 | 基于领域与l2,1范数的光谱图像分类方法及系统 |
CN108460326A (zh) * | 2018-01-10 | 2018-08-28 | 华中科技大学 | 一种基于稀疏表达图的高光谱图像半监督分类方法 |
CN109271874A (zh) * | 2018-08-23 | 2019-01-25 | 广东工业大学 | 一种融合空间和光谱信息的高光谱图像特征提取方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060239336A1 (en) * | 2005-04-21 | 2006-10-26 | Baraniuk Richard G | Method and Apparatus for Compressive Imaging Device |
CN103020912A (zh) * | 2012-12-18 | 2013-04-03 | 武汉大学 | 一种结合波段聚类和稀疏表达的遥感影像复原方法 |
CN103065160A (zh) * | 2013-01-23 | 2013-04-24 | 西安电子科技大学 | 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 |
CN103440505A (zh) * | 2013-09-16 | 2013-12-11 | 重庆邮电大学 | 空间邻域信息加权的高光谱遥感图像分类方法 |
CN103886342A (zh) * | 2014-03-27 | 2014-06-25 | 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 |
CN104732246A (zh) * | 2015-03-05 | 2015-06-24 | 重庆邮电大学 | 一种半监督协同训练高光谱图像分类方法 |
-
2015
- 2015-09-11 CN CN201510577708.8A patent/CN105205496B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060239336A1 (en) * | 2005-04-21 | 2006-10-26 | Baraniuk Richard G | Method and Apparatus for Compressive Imaging Device |
CN103020912A (zh) * | 2012-12-18 | 2013-04-03 | 武汉大学 | 一种结合波段聚类和稀疏表达的遥感影像复原方法 |
CN103065160A (zh) * | 2013-01-23 | 2013-04-24 | 西安电子科技大学 | 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 |
CN103440505A (zh) * | 2013-09-16 | 2013-12-11 | 重庆邮电大学 | 空间邻域信息加权的高光谱遥感图像分类方法 |
CN103886342A (zh) * | 2014-03-27 | 2014-06-25 | 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 |
CN104732246A (zh) * | 2015-03-05 | 2015-06-24 | 重庆邮电大学 | 一种半监督协同训练高光谱图像分类方法 |
Non-Patent Citations (2)
Title |
---|
BING ZHANG .ETC: ""Adaptive Markov Random Field Approach for Classification of Hyperspectral Imagery"", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
CHEIN-I CHANG .ETC: ""An Information-Theoretic Approach to SpectralVariability,Similarity, and Discrimination for Hyperspectral Image Analysis"", 《IEEE TRANSACTIONS ON INFORMATION THEORY》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203378A (zh) * | 2016-07-20 | 2016-12-07 | 武汉大学 | 基于领域与l2,1范数的光谱图像分类方法及系统 |
CN108460326A (zh) * | 2018-01-10 | 2018-08-28 | 华中科技大学 | 一种基于稀疏表达图的高光谱图像半监督分类方法 |
CN108460326B (zh) * | 2018-01-10 | 2020-05-19 | 华中科技大学 | 一种基于稀疏表达图的高光谱图像半监督分类方法 |
CN109271874A (zh) * | 2018-08-23 | 2019-01-25 | 广东工业大学 | 一种融合空间和光谱信息的高光谱图像特征提取方法 |
CN109271874B (zh) * | 2018-08-23 | 2022-02-11 | 广东工业大学 | 一种融合空间和光谱信息的高光谱图像特征提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105205496B (zh) | 2018-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yuan et al. | Factorization-based texture segmentation | |
CN103971115B (zh) | 一种基于NDVI和PanTex指数的新增建设用地图斑自动提取方法 | |
CN105046276B (zh) | 基于低秩表示的高光谱图像波段选择方法 | |
CN110728192A (zh) | 一种基于新型特征金字塔深度网络的高分遥感图像分类方法 | |
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 | |
CN108154094B (zh) | 基于子区间划分的高光谱图像非监督波段选择方法 | |
CN110245678A (zh) | 一种异构孪生区域选取网络及基于该网络的图像匹配方法 | |
CN108229551B (zh) | 一种基于紧凑字典稀疏表示的高光谱遥感图像分类方法 | |
WO2022267388A1 (zh) | 红树林高光谱图像分类方法、装置、电子设备及存储介质 | |
CN107145831B (zh) | 基于矢量概率扩散和马尔科夫随机场高光谱影像分类方法 | |
CN109829353A (zh) | 一种基于空间约束的人脸图像风格化方法 | |
Li et al. | An object-oriented CNN model based on improved superpixel segmentation for high-resolution remote sensing image classification | |
CN112163458A (zh) | 基于CASI高光谱与机载LiDAR融合的地物分类方法 | |
CN110956601B (zh) | 一种基于多传感器样态系数的红外图像融合方法和装置以及计算机可读存储介质 | |
CN116091833A (zh) | 注意力与Transformer高光谱图像分类方法及系统 | |
Chen et al. | SARAS-net: scale and relation aware siamese network for change detection | |
CN105205496A (zh) | 基于空间信息约束的增强型稀疏表示高光谱图像分类装置及方法 | |
CN106407975B (zh) | 基于空间-光谱结构约束的多尺度分层目标检测方法 | |
Zhang et al. | Low-rank decomposition and Laplacian group sparse coding for image classification | |
Zhu et al. | HCNNet: A hybrid convolutional neural network for spatiotemporal image fusion | |
CN112949738B (zh) | 基于eecnn算法的多类不平衡高光谱图像分类方法 | |
CN104142978B (zh) | 一种基于多特征和稀疏表示的图像检索系统及方法 | |
Liu et al. | Evolving deep convolutional neural networks for hyperspectral image denoising | |
CN105528623B (zh) | 一种基于地物类别分类冗余字典的成像光谱图像稀疏表示方法 | |
CN116664954A (zh) | 基于图卷积与卷积融合的高光谱地物分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |