CN105740799B - 基于三维Gabor特征选择的高光谱遥感图像分类方法及系统 - Google Patents

基于三维Gabor特征选择的高光谱遥感图像分类方法及系统 Download PDF

Info

Publication number
CN105740799B
CN105740799B CN201610055913.2A CN201610055913A CN105740799B CN 105740799 B CN105740799 B CN 105740799B CN 201610055913 A CN201610055913 A CN 201610055913A CN 105740799 B CN105740799 B CN 105740799B
Authority
CN
China
Prior art keywords
dimensional gabor
mrow
msubsup
msup
msub
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
Application number
CN201610055913.2A
Other languages
English (en)
Other versions
CN105740799A (zh
Inventor
贾森
胡杰
谢瑶
沈琳琳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen University
Original Assignee
Shenzhen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen University filed Critical Shenzhen University
Priority to CN201610055913.2A priority Critical patent/CN105740799B/zh
Publication of CN105740799A publication Critical patent/CN105740799A/zh
Priority to PCT/CN2016/104659 priority patent/WO2017128799A1/zh
Application granted granted Critical
Publication of CN105740799B publication Critical patent/CN105740799B/zh
Priority to US15/980,701 priority patent/US10783371B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/771—Feature selection, e.g. selecting representative features from a multi-dimensional feature space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/58—Extraction of image or video features relating to hyperspectral data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Remote Sensing (AREA)
  • Astronomy & Astrophysics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明适用于高光谱遥感图像分类，提供了基于三维Gabor特征选择的高光谱遥感图像分类方法，步骤包括：A，根据设定的频率和方向参数值生成三维Gabor滤波器；B，将高光谱遥感图像与三维Gabor滤波器进行卷积运算，得到三维Gabor特征；C，从三维Gabor特征中选择出对各类分类贡献度符合要求的若干三维Gabor特征；D，使用选择出的三维Gabor特征通过多任务稀疏分类方法对高光谱遥感图像进行分类。本发明基于三维Gabor特征，使用的三维Gabor特征包含信号丰富的局部变化信息，特征表达能力强；通过Fisher判别准则选择三维Gabor特征，充分利用了特征间隐藏的高级语义，去除了冗余信息，降低了分类时间复杂度；进一步，使用稀疏编码，将三维Gabor特征和多任务结合起来，大大提高了分类精度。

Description

基于三维Gabor特征选择的高光谱遥感图像分类方法及系统
技术领域
本发明属于数据分类领域，尤其涉及一种基于三维Gabor特征选择与多任务稀疏表示的高光谱遥感图像分类方法及系统。
背景技术
高光谱遥感图像是由遥感传感器在电磁波谱的可见光、近红外、中红外和热红外波段范围内，从地面上感兴趣的物质上获取的多光谱影像数据。高光谱遥感图像包含了丰富的空间、辐射光谱三重信息，在对地面物质分类任务中表现出较好的效果。传统的分类方法使用常用的分类器(K近邻，支持向量机)在高光谱遥感图像上直接进行分类，无法满足实际的分类效果。鉴于高光谱遥感图像具有空间、光谱三维结构，像素之间隐藏着丰富的有助于分类的信号变化信息，结合高光谱遥感图像的空间、光谱信息进行分类的技术逐渐产生。当前，结合空间、光谱信息进行的分类方法主要分为两种。一种是将空间信息和光谱信息分开使用，用二维空间滤波器提取出每个光谱的二维空间特征，然后使用分类器分类。这种方法获得的特征信息量不足，空间和光谱之间隐藏的信息没有被充分利用。另一种是将空间信息和光谱信息融合，使用三维滤波器(3D-Gabor)对高光谱遥感图像进行滤波，得到包含丰富的空间和光谱三维结构信息的联合特征，使用联合特征分类。这种方法提取的特征信息量丰富，提高了分类精度。然而，这种方法提取的特征只反映了数据某一方面的性质，无法准确反映高光谱遥感图像中数据的本质属性。
现有技术中有利用多任务分类方法的对高光谱遥感图像进行分类的方式，目前这种多任务分类技术已经取得了一定的科研成果。YUAN[X.-T.Yuan and S.Yan,“Visualclassification with multi-task joint sparse representation,”in IEEEConference on Computer Vision and Pattern Recognition(CVPR),June 2010,pp.3493–3500.]将多任务和稀疏表示结合起来，提出了一种多任务稀疏表示的分类方案。该方法从图像中分别提取出颜色、形状、纹理特征，然后将这三种特征以线性组合的方式进行融合，得到新的具有更强表征能力的颜色、形状、纹理特征，最后使用多任务稀疏表示进行分类。该方法在分类之前对特征进行融合，这种线性的融合会产生很多冗余信息，而且，由于提取出的特征性质完全不同，不适合线性融合。
LI[J.Li,H.Zhang,L.Zhang,X.Huang,and L.Zhang,“Joint collaborativerepresentation with multitask learning for hyperspectralimageclassification,”IEEE Trans.Geosci.Remote Sens.,vol.52,no.9,pp.5923–5936,2014.]提出了一种多任务协同表示的分类方法。该方法从原来的高光谱遥感图像中提取光谱、梯度、小波纹理、形状四种特征，然后分别使用协同表示进行编码并重构得到各特征的重构误差，再将四种特征的重构误差以线性加权的方式进行融合。最后，通过融合后的重构误差进行分类。该方法在分类阶段对特征进行了融合，虽然提高了分类精度，但是在融合重构误差过程中的加权系数很难确定。而且，当训练样本数量较少时，协同编码的系数没有唯一解，不适合小样本分类。
发明内容
本发明所要解决的技术问题在于提供一种基于三维Gabor特征选择的多任务稀疏表示的高光谱遥感图像分类方法及系统，旨在解决现有技术在进行高光谱遥感图像进行分类时产生了大量的不利于分类的冗余信息，降低了分类精度，提高了分类时间复杂度的问题。
本发明是这样实现的，一种基于三维Gabor特征选择的高光谱遥感图像分类方法，包括下述步骤：
步骤A，根据设定的频率和方向参数值生成若干三维Gabor滤波器；
步骤B，将高光谱遥感图像与生成的所述若干三维Gabor滤波器进行卷积运算，得到若干三维Gabor特征；
步骤C，从得到的所述若干三维Gabor特征中选择出对各类分类贡献度符合预设要求的若干三维Gabor特征；
步骤D，使用选择出的三维Gabor特征通过多任务稀疏分类方法对高光谱遥感图像进行分类。
本发明还提供了一种基于三维Gabor特征选择的高光谱遥感图像分类系统，包括：
生成单元，用于根据设定的频率和方向参数值生成若干三维Gabor滤波器；
计算单元，用于将高光谱遥感图像与生成的所述若干三维Gabor滤波器进行卷积运算，得到若干三维Gabor特征；
选择单元，用于从得到的所述若干三维Gabor特征中选择出对各类分类贡献度符合预设要求的若干三维Gabor特征；
分类单元，用于使用选择出的三维Gabor特征通过多任务稀疏分类方法对高光谱遥感图像进行分类。
本发明与现有技术相比，有益效果在于：本发明基于三维Gabor特征，使用的三维Gabor特征包含了信号丰富的局部变化信息，特征表达能力强。使用Fisher判别准则不仅充分利用了特征间隐藏的高级语义，而且去除了冗余信息，降低了分类时间复杂度，进一步，使用稀疏编码，将三维Gabor特征和多任务结合起来，大大提高了分类精度。
附图说明
图1是本发明实施例提供的一种基于三维Gabor特征选择的高光谱遥感图像分类方法的流程图。
图2是本发明实施例提供的从三个不同视角观察到的三维Gabor滤波器。
图3是本发明实施例提供的具有三个不同频率和方向参数值的三维Gabor特征。
图4是本发明实施例提供的对测试样本实施分类的详细过程。
图5是本发明实施例提供的基于三维Gabor特征选择的高光谱遥感图像分类系统的结构示意图。
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，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明涉及到的是一种利用高光谱遥感图像对地面物质进行分类的技术。高光谱遥感图像是由遥感传感器在电磁波谱的可见光，近红外，中红外和热红外波段范围内，从地面上感兴趣的物质上获取的多光谱影像数据。高光谱遥感图像包含了丰富的空间、辐射光谱三重信息，在对地面物质分类任务中表现出较好的效果。
最近，基于稀疏表示的分类方法(Sparse Representation-basedClassification，SRC)在高光谱遥感图像的分类任务中表现出较好的效果。SRC使用训练样本对测试样本进行稀疏编码，然后使用得到的编码系数重构测试样本得到每类的残差。将残差最小的类作为测试样本所属的类别。SRC的核心思想是只有同类样本才可以相互表示。由于SRC是通过重构测试样本对每类的误差进行分类，而且多种特征上的重构误差可以被叠加，所以在多种特征上使用SRC的多任务分类方法被提出，简称多任务稀疏表示分类(Multi-TaskJointSparse Representation-based Classification,MTJSRC)。该方法分别使用多种特征对测试样本进行稀疏表示，然后使用得到的稀疏编码去重构原来的测试样本，再将每种特征的重构误差累加，最后选择出具有最小累加重构误差的类作为测试样本的类别。该方法在重构误差累加阶段，很好的将多种特征结合起来，通过多种特征的累积重构误差判别类别属性，提高了重构误差分类的鲁棒性，获得了较好的分类效果。MTJSRC成功应用在人脸识别，视频跟踪，疾病诊断等领域。受MTJSRC启发，多任务协同表示分类(Multi-TaskJointCollaborativeRepresentation-based Classification,MTJCRC)方法被提出，该方法使用训练样本对测试样本进行协同表示(Collaborative Representation-basedClassification,CRC)，将得到的协同编码系数与MTJSRC中的稀疏编码系数做类似的叠加处理进行分类。协同表示的核心观点是整个训练样本集都对测试样本有表征能力。该方法使用了多种特征，提升了分类精度。
多任务分类方法的关键在于如何有效和充分地使用多种特征提供的丰富的分类信息。一种方法是先对多种特征进行融合，提炼出一组表达能力更强的特征。特征融合可以在分类过程中进行，也可以在分类之前进行。另一种是从原特征中选择出更具代表性的特征。无论是特征融合还是特征选择，都要能够去除多种特征间的冗余信息，去除不利于分类的因素，使得特征更具表征力。
基于上述理论，本发明提出了如图1所示的一种基于三维Gabor特征选择的高光谱遥感图像分类方法(Gabor cube Selection-basedMulti-TaskJoint SparseRepresentation-based Classification,GS-MTJSRC)，步骤包括：
S1，根据设定的频率和方向参数值生成若干三维Gabor滤波器；
S2，将待分类的高光谱遥感图像与生成的所述若干三维Gabor滤波器进行卷积运算，得到若干三维Gabor特征；
S3，从得到的所述若干三维Gabor特征中选择出对各类分类贡献度符合预设要求的若干三维Gabor特征。
S4，使用选择出的三维Gabor特征通过多任务稀疏分类方法对高光谱遥感图像进行分类。
下面结合图2至图5对本发明进行进一步的阐述：
步骤S1具体包括：
S11，设置频率和方向参数值，然后根据设定的参数值生成64个三维Gabor滤波器；
以ft表示频率，表示方向，则设置频率ft＝[0.5,0.25,0.125,0.0625]，设置16个方向然后根据公式：
生成64个小波滤波器；其中， 是滤波器图像与ω轴的夹角，θ是滤波器图像与μ-ν平面的夹角；是的第k个取值，θj是θ的第j个取值；(x,y,λ)分别表示像素的x坐标、y坐标、光谱坐标；σ是高斯包络的宽度；
S12，去除64个三维Gabor滤波器中重复的8个滤波器，剩余的52个为最终的三维Gabor滤波器，用{Ψi,i＝1,...,52}表示；
如图2所示，从三个不同的角度展示了空谱域中一个的三维Gabor滤波器。
步骤S2具体包括：
S21，将所述高光谱遥感图像与52个三维Gabor滤波器进行卷积操作；
S22，对卷积操作后的结果进行取幅值运算得到52个三维Gabor特征；
以R表示所述高光谱遥感图像，Mt表示生成的第t个三维Gabor特征，则：
取幅值运算表示为：
52个三维Gabor特征用{Mt,t＝1,...,52}表示。图3展示了三个不同频率和方向的三维Gabor特征M8，M17，M21。
步骤S3利用Fisher判别准则进行三维Gabor特征选择，具体包括：
S31，将每个三维Gabor特征分成训练集和测试集；
以At表示第t个三维Gabor特征Mt中的训练集，Gt表示第t个三维Gabor特征Mt中的测试集，这里t∈{1,...,52}，由此可以得到52个三维Gabor特征所有的训练集{At,t＝1,...,52}和测试集{Gt,t＝1,...,52}。
S32，使用训练集{At,t＝1,...,52}分别计算每个三维Gabor特征的类内间距和类间间距。
以第t个三维Gabor特征为例进行说明。以表示第t个三维Gabor特征中第p类的类内间距，表示第t个三维Gabor特征中第p类的类间间距，则有：
其中，表示训练集At中第p类的训练集，更具体地讲，αi表示中的一个训练样本。np表示第p类的样本数量，p∈{1,...,P},P为类的数量。mt和分别表示At和的均值向量
S33，使用上一步计算出的类内间距和类间间距计算52个三维Gabor特征中各类的Fisher评分。
以矩阵来保存52个三维Gabor特征中各类的Fisher评分，表示第t个三维Gabor特征中第p类的Fisher评分，则：
其中P是类数，具体地讲，是矩阵F的第t行第p列元素。
S34，从矩阵F每一列中选取Fisher评分较高的V个，并将它们的索引号保存至初步索引矩阵S中，去除初步索引矩阵S中重复的索引，得到最终的索引，保存于索引矩阵I中，索引矩阵I中无重复索引号，而且每一索引号均指向一特定的三维Gabor特征。由此可知，52个三维Gabor特征最终有K个被选择出来。
S4，使用上述步骤中选择出的Gabor特征通过多任务稀疏分类方法进行分类。具体步骤如下：
S41，将选择出的每个三维Gabor特征分成训练集和测试集；
以{AI(k),k＝1,...,K}表示K个三维Gabor特征对应的训练集，{GI(k),k＝1,...,K}表示对应的测试集；
S42，计算测试集中测试样本的三维Gabor特征在训练集上的稀疏编码系数；
设g表示测试集中的一个测试样本，它对应的K个三维Gabor特征表示为{gI(k),k＝1,...,K}，设测试样本的K个三维Gabor特征{gI(k),k＝1,...,K}在训练集{Ak,k＝1,...,K}上的稀疏编码系数分别为{αk,k＝1,...,K}，则：
其中，αk表示任意一个与αk维数相同的向量,η表示L1范数的系数。
S43，使用稀疏编码系数{αk,k＝1,...,K}和训练集{AI(k),k＝1,...,K}根据初步索引矩阵S分别重构{gI(k)，k＝1，...K}得到K个重构误差并进行累加，将累加重构误差最小的类别作为测试样本g的类别；以表示对测试样本g预测的类别，则：
其中，表示选择出的第i个三维Gabor特征gi对应的稀疏编码系数中第p类对应的系数，gi表示测试样本g对应的第i个三维Gabor特征。由于最终的索引矩阵I是对初步索引矩阵S去重得到的，所以上式中的i∈{I(k),k＝1,...,K}。图4展示了对测试样本g实施分类的详细过程。
本发明还提供了如图5所示的一种基于三维Gabor特征选择的高光谱遥感图像分类系统，包括：
生成单元1，用于根据设定的频率和方向参数值生成若干三维Gabor滤波器；
计算单元2，用于将高光谱遥感图像与生成的所述若干三维Gabor滤波器进行卷积运算，得到若干三维Gabor特征；
选择单元3，用于从得到的所述若干三维Gabor特征中选择出对各类分类贡献度符合预设要求的若干三维Gabor特征；
分类单元4，用于使用选择出的三维Gabor特征通过多任务稀疏分类方法对高光谱遥感图像进行分类。
进一步地，生成单元1具体用于：
首先，设置频率和方向参数值，然后根据设定的参数值生成64个三维Gabor滤波器。
以ft表示频率，表示方向，则设置4个频率ft＝[0.5,0.25,0.125,0.0625]，设置16个方向
然后，根据公式：
生成64个三维Gabor滤波器；其中，u,v,w对应三维空间中的三个坐标轴；是滤波器图像与ω轴的夹角，θ是滤波器图像与μ-ν平面的夹角；是的第k个取值，θj是θ的第j个取值；(x,y,λ)分别表示像素的x坐标、y坐标、光谱坐标；σ是高斯包络的宽度；
最后，去除64个三维Gabor滤波器中重复的8个滤波器，剩余的52个为最终的三维Gabor滤波器，用{Ψi,i＝1,...,52}表示；
计算单元2具体用于：
首先，将高光谱遥感图像与生成的52个三维Gabor滤波器进行卷积操作；
然后，对卷积操作后的结果进行取幅值运算得到52个三维Gabor特征；
以R表示所述高光谱遥感图像，Mt表示生成的第t个三维Gabor特征，则取幅值运算表示为：这里t∈{1,...,52}，由此可以得到52个三维Gabor特征，用{Mt,t＝1,...,52}表示。
选择单元3利用Fisher判别准则进行三维Gabor特征选择，具体步骤如下：
首先，将每个三维Gabor特征分成训练集和测试集；
以At表示第t个三维Gabor特征Mt中的训练集，Gt表示第t个三维Gabor特征Mt中的测试集。这里t∈{1,...,52}，由此可以得到52个三维Gabor特征所有的训练集{At,t＝1,...,52}和测试集{Gt,t＝1,...,52}。
然后，使用训练集{At,t＝1,...,52}分别计算每个三维Gabor特征的类内间距和类间间距；
以第t个三维Gabor特征为例进行说明：以表示第t个三维Gabor特征中第p类的类内间距，表示第t个三维Gabor特征中第p类的类间间距，则有：
其中，表示训练集At中第p类的训练集，更具体地讲，αi表示中的一个训练样本。np表示第p类的样本数量，p∈{1,...,P},P为类的数量。mt和分别表示At和的均值向量
最后，使用上一步计算出的类内间距和类间间距计算52个三维Gabor特征中各类的Fisher评分；
以矩阵来保存52个三维Gabor特征中各类的Fisher评分，表示第t个三维Gabor特征中第p类的Fisher评分，则：
其中P是类数，实际上，是矩阵F的第t行第p列元素。
最后，从矩阵F每一列中选取Fisher评分较高的V个元素，并将所选择元素的索引号保存至初步索引矩阵S中，去除初步索引矩阵S中重复的索引，得到最终选择的索引，保存于索引矩阵I中，索引矩阵I中无重复索引号，而且每一索引号均指向一特定的三维Gabor特征。由此可知，52个三维Gabor特征最终有K个被选择出来。
分类单元4使用上述步骤中选择出的三维Gabor特征通过多任务稀疏分类方法进行分类，具体步骤如下：
首先，将选择出的每个三维Gabor特征分成训练集和测试集；
以{AI(k),k＝1,...,K}表示K个三维Gabor特征对应的训练集，{GI(k),k＝1,...,K}表示对应的测试集；
接着，计算测试集中测试样本的三维Gabor特征在训练集稀疏编码系数；
设g表示一个测试样本，它对应的K个三维Gabor特征表示为{gI(k),k＝1,...,K}，设测试样本的K个三维Gabor特征{gI(k),k＝1,...,K}在训练集{Ak,k＝1,...,K}上的稀疏编码系数分别为{αk,k＝1,...,K}，则：
其中，αk表示任意一个与αk维数相同的向量,η表示L1范数的系数；。
最后，使用稀疏编码系数{αk,k＝1,...,K}和训练集{AI(k),k＝1,...,K}根据初步索引矩阵S分别重构{gI(k),k＝1,...,K}得到K个重构误差并进行累加，将累加重构误差最小的类别作为测试样本g的类别；以表示对测试样本g预测的类别，则：
其中，表示选择出的第i个三维Gabor特征gi对应的稀疏编码系数中第p类对应的系数，gi表示测试样本g对应的第i个三维Gabor特征。由于最终索引矩阵I是对初步索引矩阵S去重得到的，所以上式中的i∈{I(k),k＝1,...,K}。
相对于现有技术，本发明能够带来以下有益效果：
1、本发明针对颜色、形状、纹理特征性质差异大，不适合线性融合的缺点，采用适于融合的三维Gabor特征，使用的三维Gabor特征包含了信号丰富的局部变化信息，特征表达能力强；
2、本发明针对特征融合过程中产生了不利于分类信息的缺点，使用Fisher判别准则分别为每个类别选择更少更具表达能力的三维Gabor特征，不仅充分利用了特征间隐藏的高级语义，而且去除了冗余信息，降低了分类时间复杂度；
3、本发明针对融合协同表示重构误差的加权系数很难确定的缺点，通过Fisher判别准则选择出的三维Gabor特征均有较强的表征能力，不需要学习权重进行融合；
4、本发明针对协同表示方法在小样本上训练样本协方差矩阵不可逆的缺点，使用稀疏编码，不存在编码系数不稳定导致小样本分类精度降低的问题。
实验证明本发明可以获得比传统的多任务分类方法更高的分类精度。实验采用三个真实的高光谱数据集。第一个数据集是由可见光/红外成像光谱仪传感器于1996年3月23日在佛罗里达州肯尼迪航天中心拍摄获得(Kennedy Space Center,KSC)。该数据集在原来的224个波段中，有48个波段被水吸收和信噪比低而被去除，剩余176个波段保留。每个波段图像尺寸为421x444。KSC数据集共有13类地物，包含5211个标记样本。第二个数据集是由ROSIS-03传感器在意大利帕维亚大学拍摄获得(Pavia University,PaviaU)。该数据集去除12个噪音波段后，剩余103个波段。每个波段尺寸为610x340，空间分辨率为1.3米/像素。数据集中共有42776个标记样本，共9类地物。第三个数据集是由美国国家科学基金会资助中心使用机载激光映射于2012年6月23日在休斯敦校园及周边地区拍摄获得(HoustonUniversity,Houston)。该数据集有144个波段，每个波段图像尺寸为349x1905，空间分辨率为2.5m/像素。数据集中共有15029个标记样本，共15类地物。
实验过程中，首先提取每个数据集的三维Gabor特征，然后从这些特征中选择出表达力更强的三维Gabor特征。将选择出的三维Gabor特征分为每类大小为3,5,10,15,20的训练集，其余为对应的测试集。为了证明本发明的有效性，将本发明的分类准确率与传统方法的准确率进行对比。实验结果表明，本发明的分类准确率远远高于传统的方法。以KSC数据集为例，MTJSRC-GS在每类3个训练样本时，分类准确率达到了92.48％，而传统的MTJCRC的分类准确率为83.70％，MTJSRC为89.34％。
具体的，在实际使用过程中：
步骤S1中滤波器类型可以调整，比如三维Log-Gabor滤波器，三维Gabor滤波器的频率，角度参数也可以调整；
步骤S3中三维Gabor特征选择方法可以使用其他方法替代，三维Gabor特征选择的个数也可以调整。
步骤S4中的分类方法SRC可以用其他的方法代替，比如CRC。
以上所述仅为本发明的较佳实例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于三维Gabor特征选择的高光谱遥感图像分类方法，其特征在于，所述高光谱遥感图像分类方法包括下述步骤：
步骤A，根据设定的频率和方向参数值生成若干三维Gabor滤波器；
步骤B，将高光谱遥感图像与生成的所述若干三维Gabor滤波器进行卷积运算，得到若干三维Gabor特征；
步骤C，利用Fisher判别准则，从得到的所述若干三维Gabor特征中选择出对各类分类贡献度符合预设要求的若干三维Gabor特征；
步骤D，将选择出的每个三维Gabor特征的索引保存在索引矩阵中，并将选择出的每个三维Gabor特征分为训练集和测试集，计算测试集中测试样本的三维Gabor特征在训练集上的稀疏编码系数，使用稀疏编码系数和训练集根据所述索引矩阵分别重构三维Gabor矩阵，得到若干重构误差并对所述重构误差进行累加，将累加重构误差最小的类别作为所述测试样本的类别，按照所述测试样本的类别对所述高光谱遥感图像进行分类。
2.如权利要求1所述的高光谱遥感图像分类方法，其特征在于，步骤A具体包括：
步骤A1，根据设定的频率和方向参数值生成64个三维Gabor滤波器；
以ft表示频率，表示方向，则设置频率ft＝[0.5,0.25,0.125,0.0625]，设置16个方向然后根据公式：
生成64个三维Gabor滤波器；其中， 是滤波器与ω轴的夹角，θ是滤波器与μ-ν平面的夹角；是的第k个取值，θj是θ的第j个取值；(x,y,λ)分别表示像素的x坐标、y坐标、光谱坐标；σ是高斯包络的宽度；
步骤A2，去除64个三维Gabor滤波器中重复的8个三维Gabor滤波器，剩余的52个三维Gabor滤波器作为参与后续卷积运算的三维Gabor滤波器，用{Ψi,i＝1,…,52}表示。
3.如权利要求1所述的高光谱遥感图像分类方法，其特征在于，生成的三维Gabor滤波器个数为52个，用{Ψi,i＝1,…,52}表示；步骤B具体包括：
步骤B1，将高光谱遥感图像与52个三维Gabor滤波器进行卷积操作；
步骤B2，对卷积操作后的结果进行取幅值运算得到高光谱遥感图像的52个三维Gabor特征；
以R表示所述高光谱遥感图像，Mt表示生成的第t个三维Gabor特征，则：取幅值运算表示为：生成的52个三维Gabor特征表示为：{Mt,t＝1,…,52}，其中：(x,y,λ)分别表示像素的x坐标、y坐标、光谱坐标。
4.如权利要求1所述的高光谱遥感图像分类方法，其特征在于，以R表示所述高光谱遥感图像，高光谱遥感图像R参与卷积运算得到的52个三维Gabor特征用{Mt,t＝1,…,52}表示，其中，Mt表示第t个三维Gabor特征；
步骤C利用Fisher判别准则进行三维Gabor特征选择，具体包括：
步骤C1，将每个三维Gabor特征分成训练集和测试集；
以At表示第t个三维Gabor特征Mt中的训练集，Gt表示第t个三维Gabor特征Mt中的测试集，t∈{1,...,52}，由此得到52个三维Gabor特征所有的训练集{At,t＝1,...,52}和测试集{Gt,t＝1,...,52}；
步骤C2，使用训练集{At,t＝1,...,52}分别计算每个三维Gabor特征的类内间距和类间间距；
以表示第t个三维Gabor特征中第p类的类内间距，表示第t个三维Gabor特征中第p类的类间间距，则有：
<mrow> <mtable> <mtr> <mtd> <mrow> <msub> <mi>&amp;gamma;</mi> <mi>W</mi> </msub> <mrow> <mo>(</mo> <msubsup> <mi>A</mi> <mi>p</mi> <mi>t</mi> </msubsup> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <msub> <mi>&amp;alpha;</mi> <mi>i</mi> </msub> <mo>&amp;Element;</mo> <msubsup> <mi>A</mi> <mi>p</mi> <mi>t</mi> </msubsup> </mrow> </munder> <msup> <mrow> <mo>(</mo> <msub> <mi>&amp;alpha;</mi> <mi>i</mi> </msub> <mo>-</mo> <msubsup> <mi>m</mi> <mi>p</mi> <mi>t</mi> </msubsup> <mo>)</mo> </mrow> <mi>T</mi> </msup> <mrow> <mo>(</mo> <msub> <mi>&amp;alpha;</mi> <mi>i</mi> </msub> <mo>-</mo> <msubsup> <mi>m</mi> <mi>p</mi> <mi>t</mi> </msubsup> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>&amp;gamma;</mi> <mi>B</mi> </msub> <mrow> <mo>(</mo> <msubsup> <mi>A</mi> <mi>p</mi> <mi>t</mi> </msubsup> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>n</mi> <mi>p</mi> </msub> <msup> <mrow> <mo>(</mo> <msubsup> <mi>m</mi> <mi>p</mi> <mi>t</mi> </msubsup> <mo>-</mo> <msup> <mi>m</mi> <mi>t</mi> </msup> <mo>)</mo> </mrow> <mi>T</mi> </msup> <mrow> <mo>(</mo> <msubsup> <mi>m</mi> <mi>p</mi> <mi>t</mi> </msubsup> <mo>-</mo> <msup> <mi>m</mi> <mi>t</mi> </msup> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> <mo>;</mo> </mrow>
其中，表示训练集At中第p类的训练集，αi表示中的一个训练样本；np表示第p类的样本数量，p∈{1,...,P},P为类的数量；mt和分别表示At和的均值向量
步骤C3，使用步骤C2计算出的类内间距和类间间距计算52个三维Gabor特征中各类的Fisher评分；
以矩阵来保存52个三维Gabor特征中各类的Fisher评分，表示第t个三维Gabor特征中第p类的Fisher评分，则：
<mrow> <msubsup> <mi>F</mi> <mi>p</mi> <mi>t</mi> </msubsup> <mo>=</mo> <msub> <mi>&amp;gamma;</mi> <mi>B</mi> </msub> <mrow> <mo>(</mo> <msubsup> <mi>A</mi> <mi>p</mi> <mi>t</mi> </msubsup> <mo>)</mo> </mrow> <mo>/</mo> <msub> <mi>&amp;gamma;</mi> <mi>W</mi> </msub> <mrow> <mo>(</mo> <msubsup> <mi>A</mi> <mi>p</mi> <mi>t</mi> </msubsup> <mo>)</mo> </mrow> <mo>:</mo> </mrow>
其中P是类数，是矩阵F的第t行第p列元素；
步骤C4，从矩阵F的每一列中选取评分较高的V个元素，并将所选择元素的索引号保存至初步索引矩阵中，去除初步索引矩阵中重复的索引号，得到最终的索引矩阵，根据所述索引矩阵确定被选择的三维Gabor特征；
以S表示所述初步索引矩阵，I表示最终的索引矩阵，从矩阵F每一列中选取Fisher评分较高的V个元素，并将选取的元素的索引号保存至初步索引矩阵S中，去除初步索引矩阵S中重复的索引，得到最终选择的索引，保存于索引矩阵I中，索引矩阵I中无重复索引号，而且每一索引号均指向一特定的三维Gabor特征。
5.如权利要求4所述的高光谱遥感图像分类方法，其特征在于，步骤C中选择出的三维Gabor特征为K个，它们的索引保存在索引矩阵I中；步骤D具体包括：
步骤D1，将选择出的每个三维Gabor特征分成训练集和测试集；
以{AI(k),k＝1,...,K}表示K个三维Gabor特征对应的训练集，{GI(k),k＝1,...,K}表示对应的测试集；
步骤D2，计算测试样本的三维Gabor特征在训练集上的稀疏编码系数；
设g表示测试集中的一个测试样本，它对应的K个三维Gabor特征表示为{gI(k),k＝1,...,K}，设测试样本的K个三维Gabor特征{gI(k),k＝1,...,K}在训练集{Ak,k＝1,...,K}上的稀疏编码系数分别为则：
<mrow> <mo>{</mo> <msup> <mover> <mi>&amp;alpha;</mi> <mo>^</mo> </mover> <mi>k</mi> </msup> <mo>}</mo> <mo>=</mo> <munder> <mrow> <mi>arg</mi> <mi> </mi> <mi>m</mi> <mi>i</mi> <mi>n</mi> </mrow> <mrow> <mi>k</mi> <mo>=</mo> <mo>{</mo> <mn>1</mn> <mo>,</mo> <mo>...</mo> <mi>K</mi> <mo>}</mo> </mrow> </munder> <mo>{</mo> <mo>|</mo> <mo>|</mo> <msup> <mi>g</mi> <mrow> <mi>I</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </msup> <mo>-</mo> <msup> <mi>A</mi> <mrow> <mi>I</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </msup> <msup> <mi>&amp;alpha;</mi> <mi>k</mi> </msup> <mo>|</mo> <msubsup> <mo>|</mo> <mn>2</mn> <mn>2</mn> </msubsup> <mo>+</mo> <mi>&amp;eta;</mi> <mo>|</mo> <mo>|</mo> <msup> <mi>&amp;alpha;</mi> <mi>k</mi> </msup> <mo>|</mo> <msub> <mo>|</mo> <mn>1</mn> </msub> <mo>}</mo> <mo>;</mo> </mrow>
其中，αk表示任意一个与维数相同的向量；η表示L1范数的系数；
步骤D3，使用稀疏编码系数和训练集{AI(k),k＝1,...,K}根据初步索引矩阵S分别重构{gI(k),k＝1,...,K}得到K个重构误差并进行累加，将累加重构误差最小的类别作为测试样本g的类别；以表示对测试样本g预测的类别，则：
其中，表示选择出的第i个三维Gabor特征gi对应的稀疏编码系数中第p类对应的系数，gi表示测试样本g对应的第i个三维Gabor特征，索引矩阵I是对初步索引矩阵S去重得到，i∈{I(k),k＝1,...,K}。
6.一种基于三维Gabor特征选择的高光谱遥感图像分类系统，其特征在于，所述高光谱遥感图像分类系统包括：
生成单元，用于根据设定的频率和方向参数值生成若干三维Gabor滤波器；
计算单元，用于将高光谱遥感图像与生成的所述若干三维Gabor滤波器进行卷积运算，得到若干三维Gabor特征；
选择单元，用于利用Fisher判别准则，从得到的所述若干三维Gabor特征中选择出对各类分类贡献度符合预设要求的若干三维Gabor特征；
分类单元，用于将选择出的每个三维Gabor特征的索引保存在索引矩阵中，并将选择出的每个三维Gabor特征分为训练集和测试集，计算测试集中测试样本的三维Gabor特征在训练集上的稀疏编码系数，使用稀疏编码系数和训练集根据所述索引矩阵分别重构三维Gabor矩阵，得到若干重构误差并对所述重构误差进行累加，将累加重构误差最小的类别作为所述测试样本的类别，按照所述测试样本的类别对所述高光谱遥感图像进行分类。
7.如权利要求6所述的高光谱遥感图像分类系统，其特征在于，生成单元具体用于：
首先，设置频率和方向参数值，然后根据设定参数值生成64个三维Gabor滤波器；
以ft表示频率，表示方向，则设置频率ft＝[0.5,0.25,0.125,0.0625]，设置16个方向然后根据公式：
生成64个三维Gabor滤波器；其中， 是滤波器与ω轴的夹角，θ是滤波器与μ-ν平面的夹角；是的第k个取值，θj是θ的第j个取值；(x,y,λ)分别表示像素的x坐标、y坐标、光谱坐标；σ是高斯包络的宽度；
最后，去除64个三维Gabor滤波器中重复的8个三维Gabor滤波器，剩余的52个三维Gabor滤波器作为参与后续卷积运算的三维Gabor滤波器，用{Ψi,i＝1,...,52}表示。
8.如权利要求6所述的高光谱遥感图像分类系统，其特征在于，所述三维Gabor滤波器个数为52个，用{Ψi,i＝1,...,52}表示；
计算单元具体用于：
首先，将高光谱遥感图像与生成的52个三维Gabor滤波器进行卷积操作；
然后，对卷积操作后的结果进行取幅值运算得到高光谱遥感图像的52个三维Gabor特征；
以R表示所述高光谱遥感图像，Mt表示生成的第t个三维Gabor特征，则：
取幅值运算表示为：生成的52个三维Gabor特征表示为：{Mt,t＝1,...,52}，其中：(x,y,λ)分别表示像素的x坐标、y坐标、光谱坐标。
9.如权利要求6所述的高光谱遥感图像分类系统，其特征在于，以R表示所述高光谱遥感图像，高光谱遥感图像R参与卷积运算得到的52个三维Gabor特征用{Mt,t＝1,...,52}表示，其中，Mt表示第t个三维Gabor特征；
选择单元利用Fisher判别准则进行三维Gabor特征选择，具体步骤如下：
首先，将每个三维Gabor特征分成训练集和测试集；
以At表示第t个三维Gabor特征Mt中的训练集，Gt表示第t个三维Gabor特征Mt中的测试集，t∈{1,...,52}，由此得到52个三维Gabor特征所有的训练集{At,t＝1,...,52}和测试集{Gt,t＝1,...,52}；
然后，使用训练集{At,t＝1,...,52}分别计算每个三维Gabor特征的类内间距和类间间距；
以表示第t个三维Gabor特征中第p类的类内间距，表示第t个三维Gabor特征中第p类的类间间距，则有：
<mrow> <mtable> <mtr> <mtd> <mrow> <msub> <mi>&amp;gamma;</mi> <mi>W</mi> </msub> <mrow> <mo>(</mo> <msubsup> <mi>A</mi> <mi>p</mi> <mi>t</mi> </msubsup> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <msub> <mi>&amp;alpha;</mi> <mi>i</mi> </msub> <mo>&amp;Element;</mo> <msubsup> <mi>A</mi> <mi>p</mi> <mi>t</mi> </msubsup> </mrow> </munder> <msup> <mrow> <mo>(</mo> <msub> <mi>&amp;alpha;</mi> <mi>i</mi> </msub> <mo>-</mo> <msubsup> <mi>m</mi> <mi>p</mi> <mi>t</mi> </msubsup> <mo>)</mo> </mrow> <mi>T</mi> </msup> <mrow> <mo>(</mo> <msub> <mi>&amp;alpha;</mi> <mi>i</mi> </msub> <mo>-</mo> <msubsup> <mi>m</mi> <mi>p</mi> <mi>t</mi> </msubsup> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>&amp;gamma;</mi> <mi>B</mi> </msub> <mrow> <mo>(</mo> <msubsup> <mi>A</mi> <mi>p</mi> <mi>t</mi> </msubsup> <mo>)</mo> </mrow> <mo>=</mo> <msub> <mi>n</mi> <mi>p</mi> </msub> <msup> <mrow> <mo>(</mo> <msubsup> <mi>m</mi> <mi>p</mi> <mi>t</mi> </msubsup> <mo>-</mo> <msup> <mi>m</mi> <mi>t</mi> </msup> <mo>)</mo> </mrow> <mi>T</mi> </msup> <mrow> <mo>(</mo> <msubsup> <mi>m</mi> <mi>p</mi> <mi>t</mi> </msubsup> <mo>-</mo> <msup> <mi>m</mi> <mi>t</mi> </msup> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> <mo>;</mo> </mrow>
其中，表示训练集At中第p类的训练集，αi表示中的一个训练样本；np表示第p类的样本数量，p∈{1,...,P},P为类的数量；mt和分别表示At和的均值向量
接着，使用计算出的类内间距和类间间距计算52个三维Gabor特征中各类的Fisher评分；
以矩阵来保存52个三维Gabor特征中各类的Fisher评分，表示第t个三维Gabor特征中第p类的Fisher评分，则：
<mrow> <msubsup> <mi>F</mi> <mi>p</mi> <mi>t</mi> </msubsup> <mo>=</mo> <msub> <mi>&amp;gamma;</mi> <mi>B</mi> </msub> <mrow> <mo>(</mo> <msubsup> <mi>A</mi> <mi>p</mi> <mi>t</mi> </msubsup> <mo>)</mo> </mrow> <mo>/</mo> <msub> <mi>&amp;gamma;</mi> <mi>W</mi> </msub> <mrow> <mo>(</mo> <msubsup> <mi>A</mi> <mi>p</mi> <mi>t</mi> </msubsup> <mo>)</mo> </mrow> <mo>:</mo> </mrow>
其中P是类数，是矩阵F的第t行第p列元素；
最后，从矩阵F的每一列中选取评分较高的V个元素，并将所选择元素的索引号保存至初步索引矩阵中，去除初步索引矩阵中重复的索引号，得到最终的索引矩阵，根据所述索引矩阵确定被选择的三维Gabor特征；
以S表示所述初步索引矩阵，I表示最终的索引矩阵，从矩阵F每一列中选取Fisher评分较高的V个元素，并将选取的元素的索引号保存至初步索引矩阵S中，去除初步索引矩阵S中重复的索引，得到最终选择的索引，保存于索引矩阵I中，索引矩阵I中无重复索引号，而且每一索引号均指向一特定的三维Gabor特征。
10.如权利要求9所述的高光谱遥感图像分类系统，其特征在于，分类单元具体用于：
首先，将选择出的每个三维Gabor特征分成训练集和测试集；
以{AI(k),k＝1,...,K}表示K个三维Gabor特征对应的训练集，{GI(k),k＝1,...,K}表示对应的测试集；
接着，计算测试集中测试样本的三维Gabor特征在训练集稀疏编码系数；
设g表示一个测试样本，它对应的K个三维Gabor特征表示为{gI(k),k＝1,...,K}，设测试样本的K个三维Gabor特征{gI(k),k＝1,...,K}在训练集{Ak,k＝1,...,K}上的稀疏编码系数分别为则：
<mrow> <mo>{</mo> <msup> <mover> <mi>&amp;alpha;</mi> <mo>^</mo> </mover> <mi>k</mi> </msup> <mo>}</mo> <mo>=</mo> <munder> <mrow> <mi>arg</mi> <mi> </mi> <mi>m</mi> <mi>i</mi> <mi>n</mi> </mrow> <mrow> <mi>k</mi> <mo>=</mo> <mo>{</mo> <mn>1</mn> <mo>,</mo> <mo>...</mo> <mi>K</mi> <mo>}</mo> </mrow> </munder> <mo>{</mo> <mo>|</mo> <mo>|</mo> <msup> <mi>g</mi> <mrow> <mi>I</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </msup> <mo>-</mo> <msup> <mi>A</mi> <mrow> <mi>I</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </mrow> </msup> <msup> <mi>&amp;alpha;</mi> <mi>k</mi> </msup> <mo>|</mo> <msubsup> <mo>|</mo> <mn>2</mn> <mn>2</mn> </msubsup> <mo>+</mo> <mi>&amp;eta;</mi> <mo>|</mo> <mo>|</mo> <msup> <mi>&amp;alpha;</mi> <mi>k</mi> </msup> <mo>|</mo> <msub> <mo>|</mo> <mn>1</mn> </msub> <mo>}</mo> <mo>;</mo> </mrow>
其中，αk表示任意一个与维数相同的向量；η表示L1范数的系数；
最后，使用稀疏编码系数和训练集{AI(k),k＝1,...,K}根据初步索引矩阵S分别重构{gI(k),k＝1,...,K}得到K个重构误差并进行累加，将累加重构误差最小的类别作为测试样本g的类别；以表示对测试样本g预测的类别，则：
其中，表示选择出的第i个三维Gabor特征gi对应的稀疏编码系数中第p类中对应的系数，gi表示测试样本g对应的第i个三维Gabor特征，索引矩阵I是对初步索引矩阵S去重得到，i∈{I(k),k＝1,...,K}。
CN201610055913.2A 2016-01-27 2016-01-27 基于三维Gabor特征选择的高光谱遥感图像分类方法及系统 Active CN105740799B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201610055913.2A CN105740799B (zh) 2016-01-27 2016-01-27 基于三维Gabor特征选择的高光谱遥感图像分类方法及系统
PCT/CN2016/104659 WO2017128799A1 (zh) 2016-01-27 2016-11-04 基于三维Gabor特征选择的高光谱遥感图像分类方法及系统
US15/980,701 US10783371B2 (en) 2016-01-27 2018-05-15 Gabor cube feature selection-based classification method and system for hyperspectral remote sensing images

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610055913.2A CN105740799B (zh) 2016-01-27 2016-01-27 基于三维Gabor特征选择的高光谱遥感图像分类方法及系统

Publications (2)

Publication Number Publication Date
CN105740799A CN105740799A (zh) 2016-07-06
CN105740799B true CN105740799B (zh) 2018-02-16

Family

ID=56246715

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610055913.2A Active CN105740799B (zh) 2016-01-27 2016-01-27 基于三维Gabor特征选择的高光谱遥感图像分类方法及系统

Country Status (3)

Country Link
US (1) US10783371B2 (zh)
CN (1) CN105740799B (zh)
WO (1) WO2017128799A1 (zh)

Families Citing this family (46)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105740799B (zh) * 2016-01-27 2018-02-16 深圳大学 基于三维Gabor特征选择的高光谱遥感图像分类方法及系统
CN106469316B (zh) * 2016-09-07 2020-02-21 深圳大学 基于超像素级信息融合的高光谱图像的分类方法及系统
WO2018081929A1 (zh) * 2016-11-01 2018-05-11 深圳大学 一种高光谱遥感图像特征提取和分类方法及其系统
CN106871568A (zh) * 2016-12-30 2017-06-20 青岛海尔智能技术研发有限公司 冰箱内部食物的种类识别方法与冰箱
CN108734171A (zh) * 2017-04-14 2018-11-02 国家海洋环境监测中心 一种深度协同稀疏编码网络的合成孔径雷达遥感图像海洋浮筏识别方法
CN107272057A (zh) * 2017-05-16 2017-10-20 中国石油天然气股份有限公司 一种处理三维地震数据的方法及装置
CN108197640A (zh) * 2017-12-18 2018-06-22 华南理工大学 基于三维Gabor滤波器的高光谱图像快速滤波方法
CN108765412B (zh) * 2018-06-08 2021-07-20 湖北工业大学 一种带钢表面缺陷分类方法
CN109002775A (zh) * 2018-06-29 2018-12-14 华南理工大学 面向高光谱图像分类的判别性Gabor滤波方法
CN108593569B (zh) * 2018-07-02 2019-03-22 中国地质环境监测院 基于光谱形态特征的高光谱水质参数定量反演方法
CN109088684B (zh) * 2018-07-27 2021-04-20 南京航空航天大学 一种基于无人机的异构频谱网络三维频谱感知方法
CN109615008B (zh) * 2018-12-11 2022-05-13 华中师范大学 基于堆叠宽度学习的高光谱图像分类方法和系统
CN109740471B (zh) * 2018-12-24 2021-06-22 中国科学院西安光学精密机械研究所 基于联合潜在语义嵌入的遥感图像描述方法
CN109740678B (zh) * 2019-01-07 2022-09-30 上海海洋大学 基于多级不均匀空间抽样的遥感影像分类精度检验方法
CN110084159B (zh) * 2019-04-15 2021-11-02 西安电子科技大学 基于联合多级空谱信息cnn的高光谱图像分类方法
CN110276408B (zh) * 2019-06-27 2022-11-22 腾讯科技（深圳）有限公司 3d图像的分类方法、装置、设备及存储介质
CN110516727B (zh) * 2019-08-20 2022-12-06 西安电子科技大学 基于fpga深度边缘滤波器的高光谱图像分类方法
CN110717485B (zh) * 2019-10-15 2023-06-02 大连海事大学 一种基于局部保留投影的高光谱图像稀疏表示分类方法
CN110796076A (zh) * 2019-10-29 2020-02-14 北京环境特性研究所 一种高光谱图像河流检测方法
CN111079544B (zh) * 2019-11-21 2022-09-16 湖南理工学院 一种基于加权联合最近邻的多任务稀疏表示检测方法
CN111310571B (zh) * 2020-01-17 2022-11-22 中国科学院长春光学精密机械与物理研究所 一种基于空谱维滤波的高光谱图像分类方法及装置
CN111325269B (zh) * 2020-02-18 2023-09-26 大连海事大学 一种基于三维接收机工作特性曲线的高光谱图像分类评价方法
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
CN112016392B (zh) * 2020-07-17 2024-05-28 浙江理工大学 一种基于高光谱图像的大豆虫害程度的小样本检测方法
CN112241937B (zh) * 2020-07-22 2023-10-13 西安电子科技大学 一种基于神经网络的高光谱图像重构方法
CN111986162B (zh) * 2020-07-28 2021-11-16 西安理工大学 基于粗定位和协同表示的高光谱异常点快速检测方法
CN112115972B (zh) * 2020-08-14 2022-11-22 河南大学 基于残差连接的深度可分离卷积高光谱图像分类方法
CN112101381B (zh) * 2020-08-30 2022-10-28 西南电子技术研究所（中国电子科技集团公司第十研究所） 张量协作图判别分析遥感图像特征提取方法
CN112232171A (zh) * 2020-10-10 2021-01-15 中煤航测遥感集团有限公司 基于随机森林的遥感影像信息提取方法、装置及存储介质
CN112184554B (zh) * 2020-10-13 2022-08-23 重庆邮电大学 一种基于残差混合膨胀卷积的遥感图像融合方法
CN112348097A (zh) * 2020-11-12 2021-02-09 上海海洋大学 一种高光谱图像分类方法
WO2022109945A1 (zh) * 2020-11-26 2022-06-02 深圳大学 基于尺度自适应滤波的高光谱和LiDAR联合分类方法
CN112464891B (zh) * 2020-12-14 2023-06-16 湖南大学 一种高光谱图像分类方法
CN112580480B (zh) * 2020-12-14 2024-03-26 河海大学 一种高光谱遥感影像分类方法及装置
CN112560733B (zh) * 2020-12-23 2022-06-17 上海交通大学 面向两期遥感影像的多任务处理系统及方法
CN113298137B (zh) * 2021-05-21 2023-02-24 青岛星科瑞升信息科技有限公司 一种基于局部相似度数据引力的高光谱影像分类方法
CN113392724B (zh) * 2021-05-25 2022-12-27 中国科学院西安光学精密机械研究所 基于多任务学习的遥感场景分类方法
CN113920393A (zh) * 2021-09-18 2022-01-11 广东工业大学 一种基于全局胶囊神经网络的高光谱遥感图像分类方法
CN113962904B (zh) * 2021-11-26 2023-02-10 江苏云脑数据科技有限公司 一种高光谱图像滤波降噪的方法
CN114418027B (zh) * 2022-01-26 2024-03-26 浙大城市学院 一种基于波段注意力机制的高光谱图像特征波段选择方法
CN114201692B (zh) * 2022-02-18 2022-05-20 清华大学 作物类型样本的采集方法及装置
WO2023186051A1 (zh) * 2022-03-31 2023-10-05 深圳市帝迈生物技术有限公司 辅助诊断方法及装置、构建装置、分析装置及相关产品
CN114842253A (zh) * 2022-05-04 2022-08-02 哈尔滨理工大学 基于自适应光谱空间核结合ViT高光谱图像分类方法
CN114898131B (zh) * 2022-06-17 2024-07-12 北京师范大学 一种基于自然引导和数据增强的违禁物品检测方法及系统
CN116246712B (zh) * 2023-02-13 2024-03-26 中国人民解放军军事科学院军事医学研究院 带组稀疏约束多模态矩阵联合分解的数据亚型分类方法
CN116402693B (zh) * 2023-06-08 2023-08-15 青岛瑞源工程集团有限公司 一种基于遥感技术的市政工程图像处理方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010080121A1 (en) * 2008-12-18 2010-07-15 The Regents Of The University Of California, Santa Cruz Training-free generic object detection in 2-d and 3-d using locally adaptive regression kernels
CN102156872B (zh) * 2010-12-29 2013-03-13 深圳大学 一种基于多光谱数据的物体识别方法和装置
CN104036289A (zh) * 2014-06-05 2014-09-10 哈尔滨工程大学 一种基于空间-光谱特征和稀疏表达的高光谱图像分类方法
CN105740799B (zh) * 2016-01-27 2018-02-16 深圳大学 基于三维Gabor特征选择的高光谱遥感图像分类方法及系统

Also Published As

Publication number Publication date
CN105740799A (zh) 2016-07-06
WO2017128799A1 (zh) 2017-08-03
US10783371B2 (en) 2020-09-22
US20180268195A1 (en) 2018-09-20

Similar Documents

Publication Publication Date Title
CN105740799B (zh) 基于三维Gabor特征选择的高光谱遥感图像分类方法及系统
Yang et al. Hyperspectral image classification using wavelet transform-based smooth ordering
Li et al. Robust capsule network based on maximum correntropy criterion for hyperspectral image classification
Wang et al. Dual-channel capsule generation adversarial network for hyperspectral image classification
Gong et al. A spectral and spatial attention network for change detection in hyperspectral images
Fang et al. Temperature distribution descriptor for robust 3D shape retrieval
CN109766858A (zh) 结合双边滤波的三维卷积神经网络高光谱影像分类方法
Xiang et al. Visual attention and background subtraction with adaptive weight for hyperspectral anomaly detection
CN107341505B (zh) 一种基于图像显著性与Object Bank的场景分类方法
CN104281835A (zh) 基于局部敏感的核稀疏表示的人脸识别方法
Fang et al. Multiattention joint convolution feature representation with lightweight transformer for hyperspectral image classification
CN109284781A (zh) 基于流形学习的图像分类算法和系统
Liu et al. Region-based relaxed multiple kernel collaborative representation for hyperspectral image classification
CN111680579A (zh) 一种自适应权重多视角度量学习的遥感图像分类方法
Yuan et al. ROBUST PCANet for hyperspectral image change detection
Hou et al. Spatial–spectral weighted and regularized tensor sparse correlation filter for object tracking in hyperspectral videos
Hanachi et al. Semi-supervised classification of hyperspectral image through deep encoder-decoder and graph neural networks
Tu et al. Feature extraction using multidimensional spectral regression whitening for hyperspectral image classification
Chu et al. Shape-guided dual-memory learning for 3D anomaly detection
Huo et al. Memory-augmented Autoencoder with Adaptive Reconstruction and Sample Attribution Mining for Hyperspectral Anomaly Detection
Zhu et al. Application of pornographic images recognition based on depth learning
Huang et al. A claim approach to understanding the pointnet
Xu et al. Gabor-filtering-based probabilistic collaborative representation for hyperspectral image classification
Deng et al. Point cloud resampling via hypergraph signal processing
Chong et al. ST-VTON: Self-supervised vision transformer for image-based virtual try-on

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