CN107133649A - 基于点‑域距离的增量式极化sar地物分类方法 - Google Patents

Abstract

本发明公开了一种基于点‑域距离的增量式极化SAR地物分类方法，主要解决传统的分类方法分类精度低的问题。其方案是：1.对输入的极化SAR图像的极化相干矩阵T进行取实部与归一化处理，得到用于分类的极化SAR数据矩阵X；2.随机选取不同比例的训练样本；3.利用K近邻分类对极化SAR数据矩阵X进行初始分类，并用预测标签矩阵L₁表示初始分类结果；4.对于预测标签矩阵L₁进行基于点‑域距离的增量式分类结果优化，得到最终的分类结果。本发明将增量式思想运用到极化SAR地物分类中，不断对分类结果进行优化，实现了分类结果的动态的学习更新，使分类精度得到了显著提升。

Description

基于点-域距离的增量式极化SAR地物分类方法

技术领域

本发明属于图像处理和遥感技术领域，特别涉及一种极化SAR图像的地物分类，可用于对具有区域一致性的极化SAR图像进行分类。

背景技术

极化合成孔径雷达SAR是通过实时的测量目标的散射回波的一种多通道、多参数的雷达成像系统。它是微波技术领域的先进测控技术。极化SAR图像分类是图像解译的重要内容，但是极化SAR图像包含全方位的极化信息，除了增大了目标辨识度，在目标检测与识别、地物分类等多方面有广泛的应用外，同时也增加了极化SAR图像分类的难度，因而提高极化SAR图像分类水平具有重要的现实意义。

目前的极化SAR图像分类方法主要是利用数据的极化信息和统计特性进行分类的。典型的基于目标分解的分类方法有：Freeman分解和H/α分解。Freeman分解是把极化信息的协方差矩阵分解为体散射、偶次散射和表面散射三种散射机制模型。H/α分解则是在基于相干矩阵的基础上，利用散射熵和散射角提出的分解方法。

除此以外，根据是否知道数据的先验信息，分为监督分类和无监督分类。监督分类是利用已知的训练样本和真实的地物分类结果等进行分类，常用的有贝叶斯分类器和支持向量机(SVM)等。无监督分类则是在没有先验信息的前提下，利用极化数据的各种统计特征完成的分类。监督分类精度高，但训练过程复杂，无监督分类算法速率快，但分类精度不高。

根据处理的数据的层次，可以分为基于像素的分类和基于区域的分类。基于像素的分类方法的边缘信息保持良好，但易受相干斑噪声的影响。基于区域的分类方法对同类区域上效果良好，但边缘信息容易丢失。

发明内容

本发明的目的在于针对上述现有技术的不足，提出了一种基于点-域距离的增量式极化SAR地物分类方法，提高分类精度。

本发明的技术方案是这样实现的：

一.技术思路

本发明在传统的、单一的极化SAR地物分类方法的基础上，旨在解决分类方法中对边缘细节保持较差、分类模式单一和不具备更新学习的问题，将增量思想运用到极化SAR地物分类方法中，在不改变原有分类方法基础上，通过构造一种点-域距离来判定预测标签的可靠性，分别构成预测标签的正确矩阵R和预测标签的错误矩阵W，并通过利用canny算子选取具有代表性的新的训练样本，对极化SAR数据进行再分类，实现分类精度的大幅度提高。

二.实现方案

根据上述思路，本发明的实现步骤包括如下：

(1)输入待分类的极化SAR图像的极化相干矩阵T，并对极化相干矩阵T的数据进行取实部与归一化处理，得到用于分类的极化SAR数据矩阵X；

(2)选取训练样本占标记样本比例分别为0.1％、0.3％、0.5％、0.8％和1％的训练样本矩阵Y；

(3)利用K近邻分类对极化SAR数据矩阵X进行初始分类，并用预测标签矩阵L₁表示初始分类结果；

(4)对步骤3的初始分类结果进行基于点-域距离的增量式分类结果优化，得到预测标签优化矩阵L₂：

(4a)计算第i行j列预测标签l_i,j与第i+I行j+J列预测标签l_i+I,j+J的点-域距离d_i+I,j+J，得到点-域优化距离矩阵D_ij：

D_ij＝[d_i-1,j-1,d_i-1,j,...,d_i+I,j+J,...,d_i+1,j+1]

其中参数I和J的变化范围是[-1,+1]且I≠0，J≠0，l_i,j表示预测标签矩阵L₁中第i行j列预测标签；

(4b)在点-域优化距离矩阵D_ij上求得其点-域距离的最大值d_i+z1,j+z2，进而得到取最大点-域距离d_i+z1,j+z2的样本标签值l_z,其中行变量z1和列变量z2的变化范围是[-1,+1]且z1≠0，z2≠0；

(4c)引入决策因子：根据r的值判断预测标签l_i,j是否正确：

若r＝1，则认为初始分类结果中预测标签l_i,j正确，并用预测标签l_i,j对应的测试样本x_i,j构成预测标签的正确矩阵R，其中x_i,j表示极化SAR数据矩阵X中第i行j列的测试样本；

若r＝0，则认为初始分类结果中预测标签l_i,j错误，并用预测标签l_i,j对应的测试样本x_i,j构成预测标签的错误矩阵W，再将l_i,j的值变为0；

(4d)利用canny算子在正确矩阵R中实现边缘信息检测，将检测出的边缘位置上的样本点作为新的训练样本，同时将错误矩阵W中的样本作为新的测试样本，重新放入分类器中进行分类；

(4e)设定迭代终止阈值B为图像数据大小的万分之五，重复步骤(4a)—(4c)将预测标签矩阵L₁中的值赋给预测标签优化矩阵L₂,即L₂＝L₁；

(4f)计算相邻两次错误矩阵W中样本数目差的绝对值h，并将h与迭代终止阈值B进行比较：

若h＜B，则对预测标签优化矩阵L₂进行局部邻域的微调，得到最终的分类结果L；

若h≥B，则返回步骤(4d)。

本发明将增量思想运用到极化SAR图像分类中，充分利用了数据的空间信息，同时结合空间环境对于状态的影响，对分类结果实现动态的学习更新，改变了传统分类中将分类器分类结果作为最终分类结果的单一模式，实现了对极化SAR图像的增量式优化分类，明显提高了分类精度。

附图说明

图1是本发明的实现流程图。

图2是本发明仿真实验采用的荷兰Flevoland1地区极化SAR图像的地物真实图；

图3是本发明仿真实验采用的荷兰Flevoland地区极化SAR图像的地物真实图；

图4是用K近邻分类以及本发明在训练样本比例取0.1％时对Flevoland1地区极化SAR图像的分类结果图。

图5是用K近邻分类以及本发明在训练样本比例取0.1％时对Flevoland地区极化SAR图像的分类结果图。

具体实施方式

下面结合附图和所采用的极化SAR图像对本发明进行详细的描述：

参照图1，本发明的实现步骤如下：

步骤1.输入待分类的极化SAR图像的极化相干矩阵T，对极化相干矩阵T的数据进行取实部与归一化处理，得到用于分类的极化SAR数据矩阵X。

本步骤的具体实现如下：

(1a)极化相干矩阵T是一个复矩阵，其每一个样本点表示为：

其中T_i,j表示极化相干矩阵T中第i行j列的样本，和分别表示t₂₁、t₃₁和t₃₂的共轭复数；

(1b)对极化相干矩阵T进行取实部，得到一个实矩阵Td，实矩阵Td中每一个样本Td_i,j表示为：

(1c)将实矩阵T_d中的每个样本Td_i,j中的t′₁₁、t′₂₁、t′₃₁、t′₂₂、t′₃₂和t′₃₃作为构成数据特征矩阵X₁中的每个样本的特征，即将数据特征矩阵X₁中的每一个样本x′_i,j表示为：

x′_i,j＝[x₁,x₂,x₃,x₄,x₅,x₆]

其中x₁＝t′₁₁，x₂＝t′₂₁，x₃＝t′₃₁，x₄＝t′₂₂，x₅＝t′₃₂和x₆＝t′₃₃；

(1d)对数据特征矩阵X₁中的样本进行最大值归一化处理，得到用于分类的极化SAR数据矩阵X。

步骤2.随机选取训练样本构成训练样本矩阵Y。

本步骤的具体实现如下：

(2a)在类标签值h的标记样本中按照训练样本比例分别为0.1％、0.3％、0.5％、0.8％和1％的选取训练样本构成训练样本矩阵y_h：

其中，类标签值h∈C，C是类标签集，C＝{1,2,...,h,...,m}m表示类别数；y_h表示类标签值为h的训练样本矩阵；y_hv表示类标签值为h的第v个训练样本，v∈{1,2,...,A_h}；A_h表示类标签值为h的训练样本的总数；

(2b)利用各个类别中选取的训练样本构成训练样本矩阵Y，Y＝[y₁,...,y_h,...,y_m]，y_h表示类标签值为h的训练样本矩阵。

步骤3.利用K近邻分类对极化SAR数据矩阵X进行初始分类。

目前常用的极化SAR分类器有支持向量机SVM、K近邻和Wishart分类器等，上述分类器均可以运用到本发明中完成初始分类，本发明将利用K近邻分类对极化SAR数据矩阵X进行初始分类，其步骤如下：

(3a)计算极化SAR数据矩阵中测试样本x_i,j与训练样本y_hv的欧式距离e_h：

y_hv表示训练样本矩阵Y中的类标签值为h的第v个训练样本；表示训练样本y_hv的第k个特征，k∈{1,2,3,4,5,6}；表示测试样本x_i,j的第k个特征；

(3b)对测试样本x_i,j与训练样本集Y中每个训练样本求欧氏距离，得到欧式距离矩阵E：E＝[e₁,e₂,…,e_h,…e_N]；

(3c)将欧式距离矩阵Ε中的元素按从小到大的顺序排序，选取前K＝5个值所对应的训练样本，将此K个训练样本的标签中出现次数最多的标签作为测试样本x_i,j的标签。

步骤4.对步骤3的初始分类结果进行增量式的分类结果优化。

(4a)计算第i行j列预测标签l_i,j与第i+I行j+J列预测标签l_i+I,j+J的点-域距离d_i+I,j+J，得到点-域优化距离矩阵D_ij：

(4a1)构造预测标签矩阵L₁中预测标签l_i,j的空间邻域矩阵N(l_i,j,1)：

其中，l_i,j表示预测标签矩阵L₁中第i行j列预测标签，l_i,j∈C,C表示类标签样本集，C＝{1,2,3,...,m}，m表示类别数；

(4a2)计算第i行j列预测标签l_i,j与第i+I行第j+J列预测标签l_i+I,j+J的点-域距离d_i+I,j+J：

其中参数I和J的变化范围是[-1,+1]且I≠0，J≠0；s表示预测标签l_i,j的空间邻域矩阵N(l_i,j,1)中的元素；t表示预测标签l_i+I,j+J的空间邻域矩阵N(l_i+I,j+J,1)中的元素；

(4a3)计算第i行j列预测标签l_i,j与空间邻域矩阵N(l_i,j,1)中每个元素的点-域距离d_i+I,j+J，得到点-域优化距离矩阵：D_ij＝[d_i-1,j-1,d_i-1,j,...,d_i+I,j+J,…,d_i+1,j+1]，其中参数I和J的变化范围是[-1,+1]且I≠0，J≠0；

(4b)在点-域优化距离矩阵D_ij上求得其点-域距离的最大值d_i+z1,j+z2，进而得到取最大点-域距离d_i+z1,j+z2的样本标签值l_z；

(4b1)在点-域优化距离矩阵D_ij上求得其点-域距离的最大值d_i+z1,j+z2：

d_i+z1,j+z2＝max(D_ij),

其中行变量z1和列变量z2的变化范围是[-1,+1]且z1≠0，z2≠0；

(4b2)取最大点-域距离d_i+z1,j+z2的样本标签值l_z：

l_z＝l_i+z1,j+z2，

(4c)引入决策因子：根据r的值判断预测样本标签l_i,j是否正确：

若r＝1，则认为初始分类结果中预测标签l_i,j正确，并用预测标签l_i,j对应的测试样本x_i,j构成预测标签的正确矩阵R，其中x_i,j表示极化SAR数据矩阵X中第i行j列的测试样本；

若r＝0，则认为初始分类结果中预测标签l_i,j错误，并用预测标签l_i,j对应的测试样本x_i,j构成预测标签的错误矩阵W，再将l_i,j的值变为0；

(4d)利用canny算子在正确矩阵R中实现边缘信息检测，将检测出的边缘位置上的样本点作为新的训练样本，同时将错误矩阵W中的样本作为新的测试样本，重新放入分类器中进行分类；

(4e)设定迭代终止阈值B为图像数据大小的万分之五，重复步骤(4a)—(4c)将预测标签矩阵L₁中的值赋给预测标签优化矩阵L₂,即L₂＝L₁；

(4f)计算相邻两次错误矩阵W中样本数目差的绝对值h，并将h与迭代终止阈值B进行比较：

若h＜B，则对预测标签优化矩阵L₂进行局部邻域的微调，执行步骤5，得到最终的分类结果L；

若h≥B，则返回步骤(4d)。

步骤5.对预测标签优化矩阵L₂进行局部邻域的微调。

(5a)针对预测标签优化矩阵L₂中的标签值为0的元素l_p,q构建调整矩阵N₁：

其中l_p,q表示预测标签优化矩阵L₂中第p行q列的预测标签优化值；l_p,q+1表示预测标签优化矩阵L₂中第p行q+1列的预测标签优化值；l_p+1,q表示预测标签优化矩阵L₂中第p+1行q列的预测标签优化值；l_p+1,q+1表示预测标签优化矩阵L₂中第p+1行q+1列的预测标签优化值；

(5b)将第p行q+1列的预测标签优化值l_p,q+1、第p+1行q列的预测标签优化值l_p+1,q和第p+1行q+1列的预测标签优化值l_p+1,q+1出现次数最多的值赋给标签值为0的元素l_p,q，得到微调后的预测标签优化矩阵L₂,即为最终的分类结果。

本发明的效果可以通过以下实验进一步说明。

1.实验数据

仿真实验使用的数据有两组：

第一组数据为Flevoland地区真实的极化SAR图像的大小为300×270的子地区Flevoland1。Flevoland1地区的极化SAR图像是由NASA/JPL ARISAR获取的荷兰Flevoland1地区的L波段数据，它的真实地物图如图2所示，其包括有6类不同的地物，用不同的颜色显示。

第二组数据为Flevoland地区真实的极化SAR图像。Flevoland地区的极化SAR图像是由NASA/JPL ARISAR获取的荷兰Flevoland地区的L波段数据。这是一个大小为750×1024的四视全极化数据，它的真实地物图如图3所示，其包括15类不同的地物，用不同的颜色显示。

2.实验内容

实验1，对图2中Flevoland1地区大小为300×270的极化SAR图像，用本发明和现有的K近邻分类方法进行分类，分类精度见表1，分类结果如图4，其中图(4a)表示训练样本比例取0.1％时K近邻分类方法的分类结果，图(4b)表示训练样本比例取0.1％时本发明的分类结果；

表1第一组数据的分类精度(％)：

实验2，对图3中Flevoland地区大小为750×1024的极化SAR图像，用本发明和现有的K近邻分类方法进行分类，用K近邻的分类方法进行分类，分类精度见表2，分类结果如图5，其中图(5a)表示训练样本比例取0.1％时K近邻分类方法的分类结果，图(5b)表示训练样本比例取0.1％时本发明的分类结果；

表2第二组数据的分类精度(％)：

3.实验结果分析

从表1中可以看出，在Flevoland1地区上K近邻分类方法和本发明的分类精度均随着训练样本比例的增大而增大，但在相同训练样本比例相同的情况下，本发明的分类精度明显高于K近邻分类方法的分类精度，分类精度高出范围大约为4％-8％。

从表2中可以看出，在Flevoland地区上K近邻分类方法和本发明的分类精度均随着训练样本比例的增大而增大，但在相同训练样本比例相同的情况下，本发明的分类精度明显高于K近邻方法的分类精度，分类精度高出范围大约为3％-8％。

由图4和图5可以看出，在训练样本比例为0.1％时，在Flevoland1地区和Flevoland地区上本发明的分类结果均明显优于K近邻分类方法。

综上所述，本发明提出的基于点-域距离的增量式极化SAR地物分类方法，充分利用了极化SAR图像数据的空间相关性，将增量思想运用到极化SAR分类中，相对于传统单次决定分类结果的缺陷，实现了对极化SAR图像数据分类结果的动态学习，明显提高了分类精度。

Claims (7)

1.基于点-域距离的增量式极化SAR地物分类方法，包括：

(1)输入待分类的极化SAR图像的极化相干矩阵T，并对极化相干矩阵T的数据进行取实部与归一化处理，得到用于分类的极化SAR数据矩阵X；

(2)选取训练样本占标记样本比例分别为0.1％、0.3％、0.5％、0.8％和1％的训练样本矩阵Y；

(3)利用K近邻分类对极化SAR数据矩阵X进行初始分类，并用预测标签矩阵L₁表示初始分类结果；

(4)对步骤3的初始分类结果进行基于点-域距离的增量式分类结果优化，得到预测标签优化矩阵L₂：

(4a)计算第i行j列预测标签l_i,j与第i+I行j+J列预测标签l_i+I,j+J的点-域距离d_i+I,j+J，得到点-域优化距离矩阵D_ij：

D_ij＝[d_i-1,j-1,d_i-1,j,...,d_i+I,j+J,...,d_i+1,j+1]

其中参数I和J的变化范围是[-1,+1]且I≠0，J≠0，l_i,j表示预测标签矩阵L₁中第i行j列预测标签；

(4b)在点-域优化距离矩阵D_ij上求得其点-域距离的最大值d_i+z1,j+z2，进而得到取最大点-域距离d_i+z1,j+z2的样本标签值l_z，其中行变量z1和列变量z2的变化范围是[-1,+1]且z1≠0，z2≠0；

(4c)引入决策因子：根据r的值判断预测标签l_i,j是否正确：

若r＝1，则认为初始分类结果中预测标签l_i,j正确，并用预测标签l_i,j对应的测试样本x_i,j构成预测标签的正确矩阵R，其中x_i,j表示极化SAR数据矩阵X中第i行j列的测试样本；

若r＝0，则认为初始分类结果中预测标签l_i,j错误，并用预测标签l_i,j对应的测试样本x_i,j构成预测标签的错误矩阵W，再将l_i,j的值变为0；

(4d)利用canny算子在正确矩阵R中实现边缘信息检测，将检测出的边缘位置上的样本点作为新的训练样本，同时将错误矩阵W中的样本作为新的测试样本，重新放入分类器中进行分类；

(4e)设定迭代终止阈值B为图像数据大小的万分之五，重复步骤(4a)—(4c)将预测标签矩阵L₁中的值赋给预测标签优化矩阵L₂,即L₂＝L₁；

(4f)计算相邻两次错误矩阵W中样本数目差的绝对值h，并将h与迭代终止阈值B进行比较：

若h＜B，则对预测标签优化矩阵L₂进行局部邻域的微调，得到最终的分类结果；

若h≥B，则返回步骤(4d)。

2.根据权利要求1所述的增量式优化的极化SAR地物分类方法，所述步骤1中的极化相干矩阵T是一个复矩阵，其每一个样本点表示为：

<mrow> <msub> <mi>T</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <msub> <mi>t</mi> <mn>11</mn> </msub> </mtd> <mtd> <msubsup> <mi>t</mi> <mn>21</mn> <mo>*</mo> </msubsup> </mtd> <mtd> <msubsup> <mi>t</mi> <mn>31</mn> <mo>*</mo> </msubsup> </mtd> </mtr> <mtr> <mtd> <msub> <mi>t</mi> <mn>21</mn> </msub> </mtd> <mtd> <msub> <mi>t</mi> <mn>22</mn> </msub> </mtd> <mtd> <msubsup> <mi>t</mi> <mn>32</mn> <mo>*</mo> </msubsup> </mtd> </mtr> <mtr> <mtd> <msub> <mi>t</mi> <mn>31</mn> </msub> </mtd> <mtd> <msub> <mi>t</mi> <mn>32</mn> </msub> </mtd> <mtd> <msub> <mi>t</mi> <mn>33</mn> </msub> </mtd> </mtr> </mtable> </mfenced> <mo>,</mo> </mrow>

其中T_i,j表示极化相干矩阵T中第i行j列的样本，和分别表示t₂₁、t₃₁和t₃₂的共轭复数。

3.根据权利要求1所述的基于点-域距离的增量式极化SAR地物分类方法，所述步骤1中对极化相干矩阵T进行取实部与归一化处理，按如下步骤进行：

(1a)对极化相干矩阵T进行取实部，得到一个实矩阵Td，实矩阵Td中每一个样本Td_i,j表示为：

<mrow> <msub> <mi>Td</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <msubsup> <mi>t</mi> <mn>11</mn> <mo>&amp;prime;</mo> </msubsup> </mtd> <mtd> <msubsup> <mi>t</mi> <mn>21</mn> <mrow> <mo>&amp;prime;</mo> <mo>*</mo> </mrow> </msubsup> </mtd> <mtd> <msubsup> <mi>t</mi> <mn>31</mn> <mrow> <mo>&amp;prime;</mo> <mo>*</mo> </mrow> </msubsup> </mtd> </mtr> <mtr> <mtd> <msubsup> <mi>t</mi> <mn>21</mn> <mo>&amp;prime;</mo> </msubsup> </mtd> <mtd> <msubsup> <mi>t</mi> <mn>22</mn> <mo>&amp;prime;</mo> </msubsup> </mtd> <mtd> <msubsup> <mi>t</mi> <mn>32</mn> <mrow> <mo>&amp;prime;</mo> <mo>*</mo> </mrow> </msubsup> </mtd> </mtr> <mtr> <mtd> <msubsup> <mi>t</mi> <mn>31</mn> <mo>&amp;prime;</mo> </msubsup> </mtd> <mtd> <msubsup> <mi>t</mi> <mn>32</mn> <mo>&amp;prime;</mo> </msubsup> </mtd> <mtd> <msubsup> <mi>t</mi> <mn>33</mn> <mo>&amp;prime;</mo> </msubsup> </mtd> </mtr> </mtable> </mfenced> <mo>,</mo> </mrow>

(1b)将实矩阵T_d中的每个样本Td_i,j中的t′₁₁、t′₂₁、t′₃₁、t′₂₂、t′₃₂和t′₃₃作为构成数据特征矩阵X₁中的每个样本的特征，即将数据特征矩阵X₁中的每一个样本x′_i,j表示为：x′_i,j＝[x₁,x₂,x₃,x₄,x₅,x₆]，

其中x₁＝t′₁₁，x₂＝t′₂₁，x₃＝t′₃₁，x₄＝t′₂₂，x₅＝t′₃₂和x₆＝t′₃₃；

(1c)对数据特征矩阵X₁中的样本进行最大值归一化处理，得到用于分类的极化SAR数据矩阵X。

4.根据权利要求1所述的方法，其特征在于：所述步骤3中利用K近邻分类对极化SAR数据矩阵X进行分类，按如下步骤进行：

(3a)计算极化SAR数据矩阵中测试样本x_i,j与训练样本y_hv的欧式距离e_h：

<mrow> <msub> <mi>e</mi> <mi>h</mi> </msub> <mo>=</mo> <msqrt> <mrow> <msubsup> <mi>&amp;Sigma;</mi> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mn>6</mn> </msubsup> <msup> <mrow> <mo>(</mo> <msubsup> <mi>x</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> <mi>k</mi> </msubsup> <mo>-</mo> <msubsup> <mi>y</mi> <mrow> <mi>h</mi> <mi>v</mi> </mrow> <mi>k</mi> </msubsup> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> <mo>,</mo> </mrow>

y_hv表示训练样本矩阵Y中的类标签值为h的第v个训练样本，类标签值h∈C，C是类标签集，C＝{1,2,...,h,...,m}，m表示类别数；v∈{1,2,...,A_h}，A_h表示类标签值为h的训练样本的总数；表示训练样本y_hv的第k个特征，k∈{1,2,3,4,5,6}；表示测试样本x_i,j的第k个特征；

(3b)对测试样本x_i,j与训练样本集Y中每个训练样本求欧氏距离，得到欧式距离矩阵E：E＝[e₁,e₂,...,e_h,...e_N]；

(3c)将欧式距离矩阵Ε中的元素按从小到大的顺序排序，选取前K＝5个值所对应的训练样本，将此K个训练样本的标签中出现次数最多的标签作为测试样本x_i,j的标签。

5.根据权利要求1所述的方法，其特征在于：所述步骤(4a)中计算第i行j列预测标签l_i,j与第i+I行j+J列预测标签l_i+I,j+J的点-域距离d_i+I,j+J，得到点-域优化距离矩阵D_ij，按如下步骤进行：

(4a1)构造预测标签矩阵L₁中预测标签l_i,j的空间邻域矩阵N(l_i,j,1)：

<mrow> <mi>N</mi> <mrow> <mo>(</mo> <msub> <mi>l</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>,</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <msub> <mi>l</mi> <mrow> <mi>i</mi> <mo>-</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> </mtd> <mtd> <msub> <mi>l</mi> <mrow> <mi>i</mi> <mo>-</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> </mrow> </msub> </mtd> <mtd> <msub> <mi>l</mi> <mrow> <mi>i</mi> <mo>-</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> </mtd> </mtr> <mtr> <mtd> <msub> <mi>l</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> </mtd> <mtd> <msub> <mi>l</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> </mtd> <mtd> <msub> <mi>l</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> </mtd> </mtr> <mtr> <mtd> <msub> <mi>l</mi> <mrow> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> </mtd> <mtd> <msub> <mi>l</mi> <mrow> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> </mrow> </msub> </mtd> <mtd> <msub> <mi>l</mi> <mrow> <mi>i</mi> <mo>+</mo> <mn>1</mn> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> </mtd> </mtr> </mtable> </mfenced> <mo>,</mo> </mrow>

其中，l_i,j表示预测标签矩阵L₁中第i行j列预测标签，l_i,j∈C,C表示类标签样本集，C＝{1,2,3,...,m}，m表示类别数；

(4a2)计算第i行j列预测标签l_i,j与第i+I行j+J列预测标签l_i+I,j+J的点-域距离d_i+I,j+J：

<mrow> <msub> <mi>d</mi> <mrow> <mi>i</mi> <mo>+</mo> <mi>I</mi> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mi>J</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mrow> <mo>|</mo> <mi>t</mi> <mo>&amp;Element;</mo> <mi>N</mi> <mrow> <mo>(</mo> <msub> <mi>l</mi> <mrow> <mi>i</mi> <mo>+</mo> <mi>I</mi> <mo>,</mo> <mi>j</mi> <mo>+</mo> <mi>J</mi> </mrow> </msub> <mo>,</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>,</mo> <mi>t</mi> <mo>=</mo> <msub> <mi>l</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>|</mo> <mo>-</mo> <mn>1</mn> </mrow> <mrow> <mo>|</mo> <mi>s</mi> <mo>&amp;Element;</mo> <mi>N</mi> <mrow> <mo>(</mo> <msub> <mi>l</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>,</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>,</mo> <mi>s</mi> <mo>=</mo> <msub> <mi>l</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>|</mo> <mo>-</mo> <mn>1</mn> </mrow> </mfrac> <mo>,</mo> </mrow>

其中参数I和J的变化范围是[-1,+1]且I≠0，J≠0；s表示预测标签l_i,j的空间邻域矩阵N(l_i,j,1)中的元素；t表示预测标签l_i+I,j+J的空间邻域矩阵N(l_i+I,j+J,1)中的元素；

(4a3)计算第i行j列预测标签l_i,j与空间邻域矩阵N(l_i,j,1)中每个元素的点-域距离d_i+I,j+J，得到点-域优化距离矩阵D_ij：D_ij＝[d_i-1,j-1,d_i-1,j,…,d_i+I,j+J,…,d_i+1,j+1]，其中参数I和J的变化范围是[-1,+1]且I≠0，J≠0。

6.根据权利要求1所述的方法，其特征在于：所述步骤(4b)中在点-域优化距离矩阵D_ij上求得其点-域距离的最大值d_i+z1,j+z2，进而得到取最大点-域距离d_i+z1,j+z2的样本标签值l_z，按如下步骤进行：

(4b1)在点-域优化距离矩阵D_ij上求得其点-域距离的最大值d_i+z1,j+z2：

d_i+z1,j+z2＝max(D_ij),

其中行变量z1和列变量z2的变化范围是[-1,+1]且z1≠0，z2≠0；

(4b2)取最大点-域距离d_i+z1,j+z2的样本标签值l_z：

l_z＝l_i+z1,j+z2。

7.根据权利要求1所述的方法，其特征在于：所述步骤(4f)中对预测标签优化矩阵L₂进行局部邻域的微调，按如下步骤进行：

(4f1)针对预测标签优化矩阵L₂中的标签值为0的元素l_p,q构建调整矩阵N₁：

<mrow> <msub> <mi>N</mi> <mn>1</mn> </msub> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <msub> <mi>l</mi> <mrow> <mi>p</mi> <mo>,</mo> <mi>q</mi> </mrow> </msub> </mtd> <mtd> <msub> <mi>l</mi> <mrow> <mi>p</mi> <mo>,</mo> <mi>q</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> </mtd> </mtr> <mtr> <mtd> <msub> <mi>l</mi> <mrow> <mi>p</mi> <mo>+</mo> <mn>1</mn> <mo>,</mo> <mi>q</mi> </mrow> </msub> </mtd> <mtd> <msub> <mi>l</mi> <mrow> <mi>p</mi> <mo>+</mo> <mn>1</mn> <mo>,</mo> <mi>q</mi> <mo>+</mo> <mn>1</mn> </mrow> </msub> </mtd> </mtr> </mtable> </mfenced> <mo>,</mo> </mrow>

其中l_p,q表示预测标签优化矩阵L₂中第p行q列的预测标签优化值；l_p,q+1表示预测标签优化矩阵L₂中第p行q+1列的预测标签优化值；l_p+1,q表示预测标签优化矩阵L₂中第p+1行q列的预测标签优化值；l_p+1,q+1表示预测标签优化矩阵L₂中第p+1行q+1列的预测标签优化值；

(4f2)将第p行q+1列的预测标签优化值l_p,q+1、第p+1行q列的预测标签优化值l_p+1,q和第p+1行q+1列的预测标签优化值l_p+1,q+1出现次数最多的值赋给标签值为0的元素l_p,q，得到微调后的预测标签优化矩阵L₂即为最终的分类结果。