CN109145945A - 一种非局部加权联合稀疏表示的高光谱图像分类方法 - Google Patents

一种非局部加权联合稀疏表示的高光谱图像分类方法 Download PDF

Info

Publication number
CN109145945A
CN109145945A CN201810763299.4A CN201810763299A CN109145945A CN 109145945 A CN109145945 A CN 109145945A CN 201810763299 A CN201810763299 A CN 201810763299A CN 109145945 A CN109145945 A CN 109145945A
Authority
CN
China
Prior art keywords
point
hyperspectral image
joint sparse
window
weight
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
Application number
CN201810763299.4A
Other languages
English (en)
Other versions
CN109145945B (zh
Inventor
闫敬文
陈宏达
袁振国
王宏志
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.)
Shantou University
Original Assignee
Shantou 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 Shantou University filed Critical Shantou University
Priority to CN201810763299.4A priority Critical patent/CN109145945B/zh
Publication of CN109145945A publication Critical patent/CN109145945A/zh
Application granted granted Critical
Publication of CN109145945B publication Critical patent/CN109145945B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
    • 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 & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (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)
  • Image Analysis (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明实施例公开了一种非局部加权联合稀疏表示的高光谱图像分类方法，首先，根据训练样本来获得一个自适应的阈值。然后，利用已得到的阈值和十字窗相似法进行类间差异较大点的排除和其余点权重的计算。接着利用得到的权重对搜索窗内的点进行加权获得联合信号矩阵。最后，将联合稀疏信号矩阵进行联合稀疏表示分类方法的操作，得出中心待测点的类别。采用本发明，通过使用像素间光谱角取代欧氏距离来衡量像素间的相似性，充分地利用高光谱遥感数据的数据信息，克服其维数过高导致的一系列问题，且稀疏表示分类效果理想，很好地减少异类点对中心待测点的干扰。

Description

一种非局部加权联合稀疏表示的高光谱图像分类方法
技术领域
本发明涉及遥感图像处理领域，尤其涉及一种基于自适应阈值的非局部加权联合稀疏表示的高光谱图像分类方法。
背景技术
高光谱成像技术自上世纪80年代被提出以来，对其研究便从不间断。当前高光谱遥感数据一般拥有几十甚至几百个光谱波段的信息，丰富的光谱信息使得它在识别和区分各类地物中具有得天独厚的优势。不仅如此，当前高光谱传感器空间分辨率的不断提高，即使空间结构较小的地物特征也可以通过高光谱遥感图像进行分析。由于具有多时相等、丰富光谱信息的特点，且覆盖范围广泛，其应用技术也不断提高，使得高光谱遥感图像得以被应用到生态科学、地质科学、水文科学、军事应用、精细农业等诸多方面。在对高光谱图像信息进行提取的诸多途径中，分类是目前高光谱图像处理领域的一个研究热点，它一般是通过对高光谱遥感图像数据进行光谱维上的分析，将高光谱图像中的每个像素划分为不同的地物类别。一旦对高光谱图像进行分类后，便可从分类后的图像中了解到实际场景中各类地物的分布情况，达到自动识别地物的目的，并可进一步服务于相关应用部门的产品化。
近年来高光谱图像分类算法虽然取得了一定的进展，但由于高光谱图像具有维数高、谱间冗余度大、训练样本有限以及存在噪声等特点，使得分类的速度和精度有待提高，不能满足实际应用的需要。特别是在光谱分辨率提高的情况下，数据维数也必定增加，这导致在采用高光谱图像进行精细分类的同时也将产生“维数灾难”。“维数灾难”问题不仅会对数据的处理带来巨大的计算压力，同时也有可能导致分类和识别无法正常进行。因而如何充分地利用高光谱遥感数据丰富的光谱信息，克服其维数过高导致的一系列问题，以及如何解决小样本问题，成为研究的重点。
发明内容
本发明实施例所要解决的技术问题在于，提供一种非局部加权联合稀疏表示的高光谱图像分类方法。可充分使用高光谱遥感数据解决其维数过高导致的一系列问题。
为了解决上述技术问题，本发明实施例提供了一种非局部加权联合稀疏表示的高光谱图像分类方法，包括以下步骤：
S1：将高光谱图像数据集分成训练样本数据集和测试样本数据集；
S2：使用各类训练样本光谱角并选择中间值作为后续操作的自适应阈值；
S3：利用所述自适应阈值对以每一个测试样本为中心的搜索窗内的邻点进行预排除；
S4：对搜索窗内剩余的点采用十字相似窗来进行与中心测试点相似性的度量，找出最相似的相似结构并计算与中心相似块的光谱角；
S5：利用步骤4)得到的光谱角，使用巴托沃斯函数进行权重计算，最终得到搜索窗内各点的权重；
S6：将得到的权重赋权给搜索窗内的每一点形成联合信号矩阵，并将利用稀疏表示方法得到稀疏系数矩阵；
S7：进行各类子字典和对应稀疏系数重建误差比较，并最终得到分类结果。
进一步地，所述步骤S2中的自适应阈值通过以下方法得出：
通过随机选取的训练样本分别求均值并计算它们之间两两的光谱角，最后选择中间值。
更进一步地，所述步骤S3中所述预排除的步骤包括：
先计算以测试样本为中心的搜索窗内的邻点与中心测试样本间的光谱角，然后使用得到阈值θmedian进行比较并排除。
更进一步地，所述步骤S5包括使用巴托沃斯函数进行搜索窗内邻点权重的计算，而其中的输入是邻点与中心测试样本的十字窗间的光谱角。
实施本发明实施例，具有如下有益效果：本发明通过使用像素间光谱角取代欧氏距离来衡量像素间的相似性，充分地利用高光谱遥感数据的数据信息，克服其维数过高导致的一系列问题，且稀疏表示分类效果理想，很好地减少异类点对中心待测点的干扰。
附图说明
图1是本发明的采用的十字相似窗；
图2是本发明的完整流程图；
图3是本发明使用的Indian Pines数据的标签图；
图4是本发明对Indian Pines数据的分类结果图；
图5是Indian Pines数据的训练样本和测试样本的数量；
图6是本发明算法与几种主流算法对Indian Pines数据的分类结果对比。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
本发明实施例的一种非局部加权联合稀疏表示的高光谱图像分类方法，包括以下步骤过程。
通过使用像素间光谱角取代欧氏距离来衡量像素间的相似性，光谱角θ的公式如(1)所示，其中xn和xm表示不同的高光谱图像像素点，参数b表示高光谱图像的第b个波段，B表示高光谱图像总的波段数。首先按一定比例随机选取的训练样本(即过完备字典)，剩余的作为测试样本。训练集和测试集的样本如图5所示。计算不同类别各自的训练样本均值(2)，其中参数Ni表示类别i的训练样本数。在本实施例中，优选采用10％，再分别求不同类间的光谱角θ下标i和j表示类别。将所有类别间的光谱角进行从大到小进行排序，并选择他们的中间值θmedian(3)作为后续对搜索窗内高光谱图像像素点的排除和权重的计算的阈值，其中θ1的值表示最大光谱角，参数C表示高光谱图像中总共的类别数，下标C(C-1)/2表示总共的类间光谱角数。
θmedian＝median{θ1,θ2,…,θC(C-1)/2} (3)
在计算每一个待测点搜索窗内的像素点的权重前，本发明先利用前面得到的阈值θmedian先预排除掉与中心待测点差异较大的邻点。具体来讲就是计算邻点与中心待测点的光谱角，再与阈值θmedian进行比较，如公式(4)所示。
其中，xi表示中心测试样本，xj表示搜索窗内邻点。
对于每一个测试样本，在以它为中心的搜索窗内先计算各邻点与它的光谱角，并根据公式(4)进行像素点的取舍。
当去除掉与中心点差异较大的点之后，再分别求解剩下的点的权重。在计算搜索窗内的邻点的权重时，本发明采用十字相似窗的来进行相似块的选择，这样可以较为充分地利用图像空间信息的冗余，防止未考虑空间结构的方向性而导致相似性的衡量不准确。十字窗是由中间像素及其上下左右五个像素点共同构成，图(1)展示的八种相似窗分别是上面的原始相似窗经过顺时针旋转相应角度所得，可以发现他们均具有相同结构，只是方向有所不同，如果按照传统方法进行比较，则只有a与之最为相似，相似程度高达100％，而其他仅为20％，如果将他们分别经逆时针旋转相应角度再进行比较，则他们的相似程度也均为100％。这里衡量十字窗间的相似程度时用的是欧式距离，具体来说便是对每个波段对应位置求欧式距离，如(5)所示。
这里Ri是八种旋转结构之一，R0为中心点所在的十字窗图像块，B为高光谱数据的波段数，为第b个波段的十字窗结构。
在找最相似的结构后，分别对两个十字窗求均值，这个过程与(2)类似。然后调用公式(1)进行两个十字窗光谱角的求解，最后将得到的光谱角代入巴托沃斯公式(6)进行权重求解，最终得到一个相似窗内各邻点的权重。
其中，θmedian为前面求得的各类训练样本间的光谱角。N为巴托沃斯函数的阶数，本发明设置为20。该权重计算方法可以给像素间夹角较小的点赋予较大的权重，而对于夹角较大的点则赋予很小的权重，减少它对中心待测点的干扰。
当搜索窗内全部点的权重求解完成后，将权重赋予对应位置的像素点得到联合信号矩阵，再将其进行联合稀疏表示分类。具体是通过同步正交匹配追踪算法(SMOP)求解公式(7)，得到稀疏系数矩阵。其中，X是搜索窗内的像素点堆叠成的矩阵，W是前面得到的权重对角矩阵，D是过完备字典(由各类训练样本构成)，Φ是稀疏系数矩阵，K是稀疏程度。
Φ＝argmin||XW-DΦ||F s.t.||Φ||row,0≤K (7)
在得到的稀疏系数矩阵和过完备字典，根据公式(8)进行最终的分类。其中，Di代表第i类子字典，Φi对应第i类子字典的稀疏系数。最后的分类结果如图4和图6所示，其中涉及的对比方法为稀疏表示分类法(SRC)、联合稀疏表示分类法(JSRC)、非局部加权联合稀疏表示分类法(NLW-JSRC)，衡量指标为整体分类精度(OA)、平均分类精度(AA)和Kappa系数。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (4)

1.一种非局部加权联合稀疏表示的高光谱图像分类方法，其特征在于，包括以下步骤：
S1：将高光谱图像数据集分成训练样本数据集和测试样本数据集；
S2：使用各类训练样本光谱角并选择中间值作为后续操作的自适应阈值；
S3：利用所述自适应阈值对以每一个测试样本为中心的搜索窗内的邻点进行预排除；
S4：对搜索窗内剩余的点采用十字相似窗来进行与中心测试点相似性的度量，找出最相似的相似结构并计算与中心相似块的光谱角；
S5：利用步骤4)得到的光谱角，使用巴托沃斯函数进行权重计算，最终得到搜索窗内各点的权重；
S6：将得到的权重赋权给搜索窗内的每一点形成联合信号矩阵，并将利用稀疏表示方法得到稀疏系数矩阵；
S7：进行各类子字典和对应稀疏系数重建误差比较，并最终得到分类结果。
2.根据权利要求1所述的非局部加权联合稀疏表示的高光谱图像分类方法，其特征在于，所述步骤S2中的自适应阈值通过以下方法得出：
通过随机选取的训练样本分别求均值并计算它们之间两两的光谱角，最后选择中间值。
3.根据权利要求2所述的非局部加权联合稀疏表示的高光谱图像分类方法，其特征在于，所述步骤S3中所述预排除的步骤包括：
先计算以测试样本为中心的搜索窗内的邻点与中心测试样本间的光谱角，然后使用得到阈值θmedian进行比较并排除。
4.根据权利要求3所述的非局部加权联合稀疏表示的高光谱图像分类方法，其特征在于，所述步骤S5包括使用巴托沃斯函数进行搜索窗内邻点权重的计算，而其中的输入是邻点与中心测试样本的十字窗间的光谱角。
CN201810763299.4A 2018-07-12 2018-07-12 一种非局部加权联合稀疏表示的高光谱图像分类方法 Active CN109145945B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810763299.4A CN109145945B (zh) 2018-07-12 2018-07-12 一种非局部加权联合稀疏表示的高光谱图像分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810763299.4A CN109145945B (zh) 2018-07-12 2018-07-12 一种非局部加权联合稀疏表示的高光谱图像分类方法

Publications (2)

Publication Number Publication Date
CN109145945A true CN109145945A (zh) 2019-01-04
CN109145945B CN109145945B (zh) 2021-10-29

Family

ID=64800326

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810763299.4A Active CN109145945B (zh) 2018-07-12 2018-07-12 一种非局部加权联合稀疏表示的高光谱图像分类方法

Country Status (1)

Country Link
CN (1) CN109145945B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111079544A (zh) * 2019-11-21 2020-04-28 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

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103065310A (zh) * 2012-12-25 2013-04-24 南京理工大学 基于三维光谱角统计的高光谱图像边缘信息提取方法
CN103150580A (zh) * 2013-03-18 2013-06-12 武汉大学 一种高光谱图像半监督分类方法及装置
US20140050406A1 (en) * 2012-08-17 2014-02-20 Ge Aviation Systems Llc. Method of selecting an algorithm for use in processing hyperspectral data
CN103729651A (zh) * 2014-01-17 2014-04-16 重庆大学 基于局部光谱角度量流形近邻的高光谱遥感影像分类方法
CN103729652A (zh) * 2014-01-17 2014-04-16 重庆大学 基于稀疏保持流形嵌入的高光谱遥感影像分类方法
CN105095913A (zh) * 2015-08-11 2015-11-25 湖北大学 基于近邻正则联合稀疏表示的遥感图像分类方法及系统
CN108229551A (zh) * 2017-12-28 2018-06-29 湘潭大学 一种基于紧凑字典稀疏表示的高光谱遥感图像分类方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140050406A1 (en) * 2012-08-17 2014-02-20 Ge Aviation Systems Llc. Method of selecting an algorithm for use in processing hyperspectral data
CN103065310A (zh) * 2012-12-25 2013-04-24 南京理工大学 基于三维光谱角统计的高光谱图像边缘信息提取方法
CN103150580A (zh) * 2013-03-18 2013-06-12 武汉大学 一种高光谱图像半监督分类方法及装置
CN103729651A (zh) * 2014-01-17 2014-04-16 重庆大学 基于局部光谱角度量流形近邻的高光谱遥感影像分类方法
CN103729652A (zh) * 2014-01-17 2014-04-16 重庆大学 基于稀疏保持流形嵌入的高光谱遥感影像分类方法
CN105095913A (zh) * 2015-08-11 2015-11-25 湖北大学 基于近邻正则联合稀疏表示的遥感图像分类方法及系统
CN108229551A (zh) * 2017-12-28 2018-06-29 湘潭大学 一种基于紧凑字典稀疏表示的高光谱遥感图像分类方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
DE CARVALHO O A: "Spectral correlation mapper (SCM): an improvement on the spectral angle mapper (SAM)", 《SUMMARIES OF THE 9TH JPL AIRBORNE EARTH SCIENCE WORKSHOP》 *
HILDA DEBORAH等: "A Comprehensive Evaluation of Spectral Distance Functions and Metrics for Hyperspectral Image Processing", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》 *
HONGYAN ZHANG等: "A nonlocal weighted joint sparse representation classification method for hyperspectral imagery", 《IEEE JOURAL OF SELECTED TOPICS IN APPLIES EARTH OBSERVATION AND REMOTE SENSING》 *
K. SHANG等: "A novel spectral spatial filtering approach for hyperspectral image classification", 《2014 6TH WORKSHOP ON HYPERSPECTRAL IMAGE AND SIGNAL PROCESSING: EVOLUTION IN REMOTE SENSING (WHISPERS)》 *
YAN J等: "Adaptive and Rotating Non-local Weighted Joint Sparse Representation Classification for Hyperspectral Images", 《INTERNATIONAL CONFERENCE ON IMAGE AND GRAPHICS》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111079544A (zh) * 2019-11-21 2020-04-28 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

Also Published As

Publication number Publication date
CN109145945B (zh) 2021-10-29

Similar Documents

Publication Publication Date Title
CN110443143B (zh) 多分支卷积神经网络融合的遥感图像场景分类方法
Liu et al. Multiscale morphological compressed change vector analysis for unsupervised multiple change detection
CN108764005B (zh) 一种高光谱遥感图像地物空间波谱特征提取方法及系统
CN106203523B (zh) 基于梯度提升决策树半监督算法融合的高光谱图像分类方法
CN107451614B (zh) 基于空间坐标与空谱特征融合的高光谱分类方法
CN109284786B (zh) 基于分布和结构匹配生成对抗网络的sar图像地物分类方法
CN108830312B (zh) 一种基于样本自适应扩充的集成学习方法
CN112465880B (zh) 基于多源异构数据认知融合的目标检测方法
CN105718942B (zh) 基于均值漂移和过采样的高光谱图像不平衡分类方法
CN107992891A (zh) 基于光谱矢量分析多光谱遥感图像变化检测方法
CN107480620A (zh) 基于异构特征融合的遥感图像自动目标识别方法
Deng et al. Cloud detection in satellite images based on natural scene statistics and gabor features
CN113298137B (zh) 一种基于局部相似度数据引力的高光谱影像分类方法
CN108229551A (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
CN111144250A (zh) 融合雷达和光学遥感数据的土地覆盖分类方法
CN111222545A (zh) 基于线性规划增量学习的图像分类方法
CN111507393B (zh) 一种基于拉普拉斯特征映射学习的显卡接口机器测试方法
CN110570462A (zh) 基于极化雷达遥感影像的洪水淹没范围自动提取方法
CN115661069A (zh) 一种高光谱异常检测方法及计算机装置
Liu et al. Ground-based cloud classification using weighted local binary patterns
CN111291818A (zh) 一种面向云掩膜的非均匀类别的样本均衡化方法
Huo et al. Memory-augmented Autoencoder with Adaptive Reconstruction and Sample Attribution Mining for Hyperspectral Anomaly Detection
CN110751144B (zh) 一种基于稀疏表示的冠层植物高光谱图像分类方法
Xu et al. Combining iterative slow feature analysis and deep feature learning for change detection in high-resolution remote sensing images
CN109145945A (zh) 一种非局部加权联合稀疏表示的高光谱图像分类方法

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