CN107944474B - 基于局部自适应字典的多尺度协作表达高光谱分类方法 - Google Patents

基于局部自适应字典的多尺度协作表达高光谱分类方法 Download PDF

Info

Publication number
CN107944474B
CN107944474B CN201711078793.9A CN201711078793A CN107944474B CN 107944474 B CN107944474 B CN 107944474B CN 201711078793 A CN201711078793 A CN 201711078793A CN 107944474 B CN107944474 B CN 107944474B
Authority
CN
China
Prior art keywords
neighborhood
hyperspectral
scale
pixel
dictionary
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
CN201711078793.9A
Other languages
English (en)
Other versions
CN107944474A (zh
Inventor
杨京辉
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.)
China University of Geosciences Beijing
Original Assignee
China University of Geosciences Beijing
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 China University of Geosciences Beijing filed Critical China University of Geosciences Beijing
Priority to CN201711078793.9A priority Critical patent/CN107944474B/zh
Publication of CN107944474A publication Critical patent/CN107944474A/zh
Application granted granted Critical
Publication of CN107944474B publication Critical patent/CN107944474B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于局部自适应字典的多尺度协作表达高光谱分类方法，包括步骤如下：读入三维的高光谱高维数据；确定邻域的多个尺度；根据高光谱数据构建联合信号矩阵；根据高光谱数据构建局部自适应字典；求解对应的系数矩阵；重构样本,计算对应的残差；计算不同尺度邻域所对应的残差信息；多尺度邻域残差融合；确定高光谱像元类别得到分类结果。本发明的优点在于：应用多尺度邻域对图像中的空间信息充分利用，使用局部自适应字典避免不相关信息，本发明具有分类图视觉效果好，提高了分类的精度等优点。

Description

基于局部自适应字典的多尺度协作表达高光谱分类方法
技术领域
本发明涉及遥感信息处理技术领域，特别涉及一种基于局部自适应字典的多尺度协作表达高光谱分类方法。
背景技术
高光谱图像包含成百上千个波段信息，能够反映地物的光谱特征。同时，高光谱图像的特点是数据量大、冗余多、维数较高，在波段之间存在着很强的相关性，这些特点对后续的处理带来了挑战。高光谱图像分类主要根据不同地物反射的电磁能量不同，从而表现出波谱的差异性来实现对不同地物的判别，其目标是将图像中的每个像元划分给一个类别。随着技术的发展，稀疏表达分类(Sparse representation classification,SRC)和协作表达分类(collaborative representation classification,CRC)被成功的引入高光谱图像分类中，并具有一定的优势。
现有的高光谱图像分类方法中主要存在以下问题：1、没有充分利用高光谱图像中的邻域信息，不同尺度的邻域信息没有得到综合全面的考虑。2、分类过程中，针对特定像元，不相关信息没有得到有效剔除。上述问题导致高光谱图像不能得到较好的表达致使分类精度不高。针对以上问题，本发明提出一种基于局部自适应字典的多尺度协作表达高光谱分类方法。
例如以下现有技术：
CRC：假设高光谱图像含有j个不同类别的样本，每个类别中选取出一定的训练样本构成训练数据D。在CRC中，采用基于l2-范数约束表达式求解高光谱图像中所对应的测试像元x的系数α：
Figure GDA0002910037660000021
其中，||·||2表示l2-范数，λ为大于零的数，为平衡因子。最终CRC通过选取具有最小正则化重建误差的所对应类别来确定测试像元x的类别。
现有技术的缺点
1、没有充分利用高光谱图像中的邻域信息，不同尺度的邻域信息没有得到综合全面的考虑。
2、分类过程中，针对特定像元，不相关信息没有得到有效剔除。
上述问题导致高光谱图像不能得到较好的表达致使分类精度不高。
发明内容
本发明针对现有技术的缺陷，提供了一种基于局部自适应字典的多尺度协作表达高光谱分类方法，能有效的解决上述现有技术存在的问题。
为了实现以上发明目的，本发明采取的技术方案如下：
一种基于局部自适应字典的多尺度协作表达高光谱分类方法，包括如下步骤：
S1、读入三维的高光谱高维数据，对其进行维数转换使其从三维转换为二维数据以方便后续的处理，二维数据中每一列对应着高光谱图像中的一个像元数据，对所得的二维数据作归一化处理，确定要处理的样本类别数为j；
S2、确定邻域的多个尺度；
根据高光谱图像给出所需邻域的M个尺度W，得到所有领域的尺度，设有M个领域的尺度，设We为尺度的大小,设e的初始值为1，e满足1≤e≤M；
S3、根据高光谱数据构建联合信号矩阵XJ；
使用尺度为We的邻域，待处理的测试像元x，以该测试像元所处的位置为中心构建一个尺寸为We×We的方形邻域，邻域窗口大小为We；高光谱图像邻域中所有的像元构建成该待处理的测试像元x的联合信号矩阵XJe，XJe中上标e表示的为所对应的邻域尺寸为We；
S4、根据高光谱数据构建局部自适应字典DL；
从各个类别各选取一部分像元样本来构成训练集字典D；使用尺度为We的邻域，计算出字典D中的每个原子与矩阵XJe的相关性，并且按照相关性的降序排列，从D中选择相关性最大的前K个对应原子来构成测试测试像元x所对应的局部自适应子字典DLe；DLe中上标L表示局部性，上标e表示的为所对应的邻域尺寸为We。
S5、求解对应的系数矩阵ψ；
使用尺度为We的邻域，通过步骤3至步骤4所构建的相关矩阵，通过式(1)求解高光谱图像中所对应的测试像元x的系数矩阵：
Figure GDA0002910037660000031
其中，ψe中上标e表示的为所对应的邻域尺寸为We；λ为平衡因子，对数据的重构精度和协同度进行平衡，满足λ＞0；||·||F表示Frobenious范数,上标2表示平方。
S6、重构样本,计算对应的残差；
首先将字典与所其对应的系数矩阵相乘得到重构样本；针对重构的样本，计算并保存每类对应所对应的重构残差；第i类的残差计算如式(2)：
Figure GDA0002910037660000041
上式中下标i表示对应的为i类，重构残差
Figure GDA0002910037660000042
上标e表示的为所对应的邻域尺寸为We；
S7、计算不同尺度邻域所对应的残差信息；
执行判断，若e小于M则执行e+1的操作，读入对应尺度，再重新执行步骤S3至S6；若e等于或者大于M，跳转至步骤S8。
S8、多尺度邻域残差融合；
对步骤3至步骤7得到的不同邻域尺度残差通过式子(3)进行融合，得到测试像元x所对应的第i类的多尺度邻域融合残差。
Figure GDA0002910037660000043
Figure GDA0002910037660000044
中上标rong代表M个多尺度邻域残差融合后的结果。
S9、确定高光谱像元类别；
依据式子(4)，根据融合的多尺度邻域残差来确定测试像元x的类别，x的类别被确定具有最小多尺度邻域残差所对应的那一类；
Figure GDA0002910037660000045
最终输出基于局部自适应字典的多尺度协作表达高光谱分类方法的分类结果。
进一步地，所述We为正的奇整数。
与现有技术相比本发明的优点在于：应用多尺度邻域对图像中的空间信息充分利用，使用局部自适应字典避免不相关信息，本发明具有分类图视觉效果好，提高了分类的精度等优点。
附图说明
图1为本发明实施例的流程图；
图2为本发明实施例实验中的Indian Pines高光谱数据的真实图像；
图3为本发明实施例实验中在Indian Pines高光谱数据中所选取的原始各类的地物分布图；
图4为Indian Pines数据集的SRC分类分布图；
图5为Indian Pines数据集的CRC分类分布图；
图6为Indian Pines数据集的本发明实施例方法分类分布图；
图7为本发明实施例实验中采用的三种不同方法对Indian Pines数据集分类的评价指标图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下参照附图并举实施例，对本发明做进一步详细说明。
如图1所示，一种基于局部自适应字典的多尺度协作表达高光谱分类方法，包括如下步骤：
1、读入高光谱图像数据。
读入三维的高光谱高维数据，对其进行维数转换使其从三维转换为二维数据以方便后续的处理，二维数据中每一列对应着高光谱图像中的一个像元数据。对所得的二维数据作归一化处理，确定要处理的样本类别数为j。
2、确定邻域的多个尺度。
根据高光谱图像给出所需邻域的M个不同尺度，
[W1,W2,…,We,…WM],(1≤e≤M)。
We为尺度的大小，为正的奇整数。
3、根据高光谱数据构建联合信号矩阵XJ。
使用尺度为We(e的初始值为1)的邻域。待处理的测试像元x，以该测试像元所处的位置为中心构建一个尺寸为We×We的方形邻域，邻域窗口大小为We。高光谱图像邻域中所有的像元构建成该待处理像元的联合信号矩阵XJe，XJe中上标e表示的为所对应的邻域尺寸为We。
4、根据高光谱数据构建局部自适应字典DL。
从各个类别各选取一部分像元样本来构成训练集字典D。假设使用尺度为We的邻域，计算出字典D中的每个原子与矩阵XJe的相关性，并且按照相关性的降序排列，从D中选择相关性最大的前K个对应原子来构成测试测试像元x所对应的局部自适应子字典DLe。DLe中上标L表示局部性(Locally)，上标e表示的为所对应的邻域尺寸为We。
5、求解对应的系数矩阵ψ。
使用尺度为We的邻域。通过步骤3至步骤4所构建的相关矩阵，通过式(1)求解高光谱图像中所对应的测试像元x的系数矩阵：
Figure GDA0002910037660000071
其中，ψe中上标e表示的为所对应的邻域尺寸为We。λ为平衡因子，对数据的重构精度和协同度进行平衡，满足λ＞0。||·||F表示Frobenious范数,上标2表示平方。
6、重构样本,计算对应的残差。
首先将字典与所其对应的系数矩阵相乘得到重构样本。针对重构的样本，计算并保存每类对应所对应的重构残差。第i类的残差计算如式(2)：
Figure GDA0002910037660000072
上式中下标i表示对应的为i类，重构残差
Figure GDA0002910037660000073
上标e表示的为所对应的邻域尺寸为We。
7、计算不同尺度邻域所对应的残差信息。
执行判断，若e小于M则执行e+1的操作，读入对应尺度，再重新执行步骤3至6。若e等于或者大于M，跳转至步骤8。
8、多尺度邻域残差融合。
对步骤3至步骤7所得到的不同邻域尺度残差通过式子(3)进行融合，得到测试像元x所对应的第i类的多尺度邻域融合残差。
Figure GDA0002910037660000074
Figure GDA0002910037660000081
中上标rong代表表M个多尺度邻域残差融合后的结果。
9、确定高光谱像元类别。
依据式子(4)，根据融合的多尺度邻域残差来确定测试像元x的类别。x的类别被确定具有最小多尺度邻域残差所对应的那一类。
Figure GDA0002910037660000082
值得注意的是：步骤2至步骤9针对高光谱图像中的每个测试样本都要运行一遍，最终输出本发明下的高光谱图像分类结果Y。
为了说明本发明的有效性，特进行如下实验论证。
如图2和图3所示，其中采用Indian Pines高光谱数据集来验证本发明方法的适用性。
美国印第安纳州Indian Pines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145×145，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。从16种实际地物分布样本中均匀抽取10％的数据作为训练样本。
在对高光谱图像进行分类时，本发明方法与SRC和CRC方法进行对比。
运用三种方法分类后与之对应的各类地物的分类分布图分别如图4、图5和图6所示，可以很直观的看到相对于SRC和CRC方法分类，本发明的方法分类效果图好。
三种分类方法的三个分类评价指标即总体分类精度，类别平均分类精度和Kappa系数如图7所示，其中总体分类精度、类别平均分类精度和Kappa系数越高图像的分类效果就越好。较之SRC，本发明方法从总体分类精度，类别平均分类精度和Kappa系数来看分别高出10.65％，9.37％，12.16％。较之CRC，本发明方法从总体分类精度，类别平均分类精度和Kappa系数来看要分别高出29.96％，39.99％，35.97％。
通过实验的对比分析可以进一步看出本发明方法优势所在：分类图效果好、分类精度高。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的实施方法，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (2)

1.一种基于局部自适应字典的多尺度协作表达高光谱分类方法，其特征在于包括如下步骤：
S1、读入三维的高光谱高维数据，对其进行维数转换使其从三维转换为二维数据以方便后续的处理，二维数据中每一列对应着高光谱图像中的一个像元数据，对所得的二维数据作归一化处理，确定要处理的样本类别数为j；
S2、确定邻域的多个尺度；
根据高光谱图像给出所需邻域的M个尺度W，得到所有领域的尺度，设有M个领域的尺度，设We为尺度的大小,设e的初始值为1，e满足1≤e≤M；
S3、根据高光谱数据构建联合信号矩阵XJ；
使用尺度为We的邻域，待处理的测试像元x，以该测试像元所处的位置为中心构建一个尺寸为We×We的方形邻域，邻域窗口大小为We；高光谱图像邻域中所有的像元构建成该待处理的测试像元x的联合信号矩阵XJe，XJe中上标e表示的为所对应的邻域尺寸为We；
S4、根据高光谱数据构建局部自适应字典DL；
从各个类别各选取一部分像元样本来构成训练集字典D；使用尺度为We的邻域，计算出字典D中的每个原子与矩阵XJe的相关性，并且按照相关性的降序排列，从D中选择相关性最大的前K个对应原子来构成测试测试像元x所对应的局部自适应子字典DLe；DLe中上标L表示局部性，上标e表示的为所对应的邻域尺寸为We；
S5、求解对应的系数矩阵ψ；
使用尺度为We的邻域，通过步骤3至步骤4所构建的相关矩阵，通过式(1)求解高光谱图像中所对应的测试像元x的系数矩阵：
Figure FDA0002910037650000011
其中，ψe中上标e表示的为所对应的邻域尺寸为We；λ为平衡因子，对数据的重构精度和协同度进行平衡，满足λ＞0；||·||F表示Frobenious范数,上标2表示平方；
S6、重构样本,计算对应的残差；
首先将字典与所其对应的系数矩阵相乘得到重构样本；针对重构的样本，计算并保存每类对应所对应的重构残差；第i类的残差计算如式(2)：
Figure FDA0002910037650000021
上式中下标i表示对应的为i类，重构残差
Figure FDA0002910037650000022
上标e表示的为所对应的邻域尺寸为We；
S7、计算不同尺度邻域所对应的残差信息；
执行判断，若e小于M则执行e+1的操作，读入对应尺度，再重新执行步骤S3至S6；若e等于或者大于M，跳转至步骤S8；
S8、多尺度邻域残差融合；
对步骤3至步骤7得到的不同邻域尺度残差通过式子(3)进行融合，得到测试像元x所对应的第i类的多尺度邻域融合残差；
Figure FDA0002910037650000023
ri rong(x)中上标rong代表M个多尺度邻域残差融合后的结果；
S9、确定高光谱像元类别；
依据式子(4)，根据融合的多尺度邻域残差来确定测试像元x的类别，x的类别被确定具有最小多尺度邻域残差所对应的那一类；
Figure FDA0002910037650000024
最终输出基于局部自适应字典的多尺度协作表达高光谱分类方法的分类结果。
2.根据权利要求1所述的一种基于局部自适应字典的多尺度协作表达高光谱分类方法，其特征在于：所述We为正的奇整数。
CN201711078793.9A 2017-11-06 2017-11-06 基于局部自适应字典的多尺度协作表达高光谱分类方法 Active CN107944474B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711078793.9A CN107944474B (zh) 2017-11-06 2017-11-06 基于局部自适应字典的多尺度协作表达高光谱分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711078793.9A CN107944474B (zh) 2017-11-06 2017-11-06 基于局部自适应字典的多尺度协作表达高光谱分类方法

Publications (2)

Publication Number Publication Date
CN107944474A CN107944474A (zh) 2018-04-20
CN107944474B true CN107944474B (zh) 2021-04-09

Family

ID=61934323

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711078793.9A Active CN107944474B (zh) 2017-11-06 2017-11-06 基于局部自适应字典的多尺度协作表达高光谱分类方法

Country Status (1)

Country Link
CN (1) CN107944474B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109543717B (zh) * 2018-10-25 2021-07-20 中国地质大学（北京） 基于自适应邻域及字典的联合协作表达高光谱分类方法
CN111046844B (zh) * 2019-12-27 2020-11-27 中国地质大学（北京） 一种基于邻域选取约束的高光谱图像分类方法
CN111199251B (zh) * 2019-12-27 2020-11-27 中国地质大学（北京） 一种基于加权邻域的多尺度高光谱图像分类方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6144915B2 (ja) * 2012-01-30 2017-06-07 キヤノン株式会社 生体組織画像の再構成方法、取得方法及び装置
CN103903010A (zh) * 2014-03-28 2014-07-02 哈尔滨工程大学 基于稀疏特征和邻域同属性的高光谱图像分类方法
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
CN104408466B (zh) * 2014-11-17 2017-10-27 中国地质大学（武汉） 基于局部流形学习构图的高光谱遥感图像半监督分类方法
CN104504391B (zh) * 2014-12-04 2017-11-21 哈尔滨工程大学 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
CN104809471B (zh) * 2015-04-27 2019-01-15 哈尔滨工程大学 一种基于空间光谱信息的高光谱图像残差融合分类方法
WO2017019337A1 (en) * 2015-07-24 2017-02-02 Authentix, Inc. Determining the quantity of a taggant in a liquid sample

Also Published As

Publication number Publication date
CN107944474A (zh) 2018-04-20

Similar Documents

Publication Publication Date Title
CN110717354B (zh) 基于半监督k-svd与多尺度稀疏表示的超像元分类方法
CN108230329B (zh) 基于多尺度卷积神经网络的语义分割方法
CN108122008B (zh) 基于稀疏表示和多特征决策级融合的sar图像识别方法
US20180349743A1 (en) Character recognition using artificial intelligence
CN107992891B (zh) 基于光谱矢量分析多光谱遥感图像变化检测方法
CN107944474B (zh) 基于局部自适应字典的多尺度协作表达高光谱分类方法
CN108664911B (zh) 一种基于图像稀疏表示的鲁棒人脸识别方法
CN108460400B (zh) 一种结合多种特征信息的高光谱图像分类方法
CN113095409A (zh) 基于注意力机制和权值共享的高光谱图像分类方法
JP6945253B2 (ja) 分類装置、分類方法、プログラム、ならびに、情報記録媒体
CN104809471B (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
CN113435253A (zh) 一种多源影像联合城区地表覆盖分类方法
CN105913092A (zh) 基于子空间学习的图正则高光谱图像波段选择方法
CN115984110A (zh) 一种基于Swin-Transformer的二阶光谱注意力高光谱图像超分辨率方法
CN111199251B (zh) 一种基于加权邻域的多尺度高光谱图像分类方法
CN113537252B (zh) 基于空间谱群协方差特征的高光谱图像识别方法及装置
CN112819769B (zh) 基于核函数和联合字典的非线性高光谱图像异常探测算法
CN109543717B (zh) 基于自适应邻域及字典的联合协作表达高光谱分类方法
CN113887656B (zh) 一种联合深度学习与稀疏表示的高光谱图像分类方法
CN111046844B (zh) 一种基于邻域选取约束的高光谱图像分类方法
CN107832790A (zh) 一种基于局部低秩表示的半监督高光谱图像分类方法
CN115841594A (zh) 基于注意力机制的煤矸高光谱变图像域数据识别方法
CN109190506A (zh) 一种基于核稀疏和空间约束的高光谱目标检测方法
Pande et al. Feedback convolution based autoencoder for dimensionality reduction in hyperspectral images
Fan et al. Coupling the K-nearest neighbors and locally weighted linear regression with ensemble Kalman filter for data-driven data assimilation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant