CN110399909A - 一种基于标签约束弹性网图模型的高光谱图像分类方法 - Google Patents

Abstract

本发明公开了一种基于标签约束弹性网图模型的高光谱图像分类方法。步骤：对待高光谱图像进行EMP特征提取，构建空谱联合特征；根据空谱联合特征进行标签约束传递，获得全局约束矩阵；根据全局约束矩阵，针对每个像素点构建字典；根据字典求解弹性网表示，构建标签约束的弹性网图模型；基于弹性网图模型进行半监督分类，得到标签矩阵，实现高光谱图像分类。本发明可以降低计算的复杂度，提高构图的准确性，提升算法分类性能。

Description

一种基于标签约束弹性网图模型的高光谱图像分类方法

技术领域

本发明属于图像信息处理技术领域，特别涉及了一种高光谱图像分类方法。

背景技术

上世纪80年代，高光谱遥感技术开始崛起并且迅速发展，人类观测与认识地表事物的能力发生了质的飞跃。高光谱遥感技术在获取观测地物的空间图像的同时，还可以捕捉到其对应的光谱信息，因此高光谱图像呈现为一个三维立方体数据，实现了第一次真正意义上的图谱合一成像。每个像素的多个谱段形成了光谱曲线，包含了地表事物成分的丰富信息，可以用于识别不同的地物类型。目前，高光谱图像分类已经成为当前高光谱遥感领域的热门研究。由于高光谱图像的自身特征，其分类也面临着一定的挑战。

在高光谱分类的特征表示方面，研究者们进行了很多尝试。最初的方法通常直接使用光谱信息，较难得到稳健的分类结果。在认识到空间信息在高光谱分类中的重要性后，Pesaresi和Benediktsson两人采用形态学转换的方法去构建形态学分布特征，用来提取空间结构信息。考虑到高光谱图像空谱合一的特性，Fauvel和Chanussot将可拓展的形态学空间特征EMP与光谱特征进行联合提取到一种空谱联合的特征表示，然后采用支持向量机模型进行分类，实现了算法分类的性能提升。

高光谱图像分类器学习方面包括监督模型、非监督模型与半监督分类模型，区别在于在模型训练阶段是否使用到了带有标签的数据样本。非监督方法主要使用聚类算法来获得高光谱像素的分布特性，但无法准确判别其类别。相比较而言，监督模型的效果更好，想要训练出好的分类模型，训练样本的数量必须是样本维度的十倍，但是想要获得大量的训练样本需要付出巨大的成本代价。半监督分类模型因此而诞生，它充分利用了高光谱图像有限的有标记样本和大量的未标记样本进行学习分类。研究表明，半监督分类模型对于训练样本的数量要求远低于监督样本的要求，它的出现大大缓解了训练样本不足的问题，并且有效的提高了分类性能。

诸多文献研究了高光谱图像的半监督分类算法，而基于支持向量机分类器则是目前主流的半监督方法之一。Leng和Xu提出了主动学习与半监督分类相结合用于SVM分类器，改善仅使用SVM进行分类的性能。另一种主流的半监督分类方法则是基于图的半监督学习方法，它通过边将每个样本的标签信息传播给近邻，直到整个数据集达成全局稳定，该方法的优势体现在计算速度快、准确率高、便于解决大规模问题。例如，Camps-Valls等人利用k近邻法(k-nearest neighbors,KNN)构造了一个半监督图，并利用复合核计算每条边的权值。但是KNN的方法泛化能力往往不是很好，很有可能发生过拟合的情况。为了进一步整合空间上下文信息，Cheng和Yang提出一种l₁的图，利用数据的稀疏表示去构建图，进行高光谱图像的聚类。Song提出了基于形态属性轮廓的稀疏表示(SR+EMAPs)用于高光谱分类。Zhou和Huang通过构建超图来进行高光谱图像的分类，超边可以同时连接多个顶点，有利于表示高阶的复杂关系。

构建有效的图表示模型是高光谱图半监督分类算法的关键。然而当前的算法并未能充分利用标签信息进行构图，如何构造图模型以及利用有效的标定信息是高光谱的图半监督分类算法的关键。

发明内容

为了解决上述背景技术提到的技术问题，本发明提出了一种基于标签约束弹性网图模型的高光谱图像分类方法。

为了实现上述技术目的，本发明的技术方案为：

一种基于标签约束弹性网图模型的高光谱图像分类方法，包括以下步骤：

(1)对待高光谱图像进行EMP特征提取，构建空谱联合特征；

(2)根据空谱联合特征进行标签约束传递，获得全局约束矩阵；

(3)根据全局约束矩阵，针对每个像素点构建字典；

(4)根据字典求解弹性网表示，构建标签约束的弹性网图模型；

(5)基于弹性网图模型进行半监督分类，得到标签矩阵，实现高光谱图像分类。

进一步地，在步骤(1)中，其中，V表示空谱联合特征矩阵，X表示光谱特征矩阵，EMP表示EMP特征矩阵，m为主成分个数，n为半径不同的圆形结构元素的个数，d为光谱波段的数量，N为图像像素点数目。

进一步地，在步骤(2)中，标签约束传递的模型如下：

其中，U为全局约束矩阵，Z为初始约束矩阵，表示F范数的平方，上标T表示矩阵转置，tr表示矩阵的迹，δ为正则化参数，L为正则化的拉普拉斯矩阵，L＝I-D_W ^-1/2WD_W ^-1/2，W是根据空谱联合特征矩阵V构图得到的邻接矩阵，D_W是图的度矩阵，I是单位阵；

求解上述模型，得到全局约束矩阵的最优解U^*。

进一步地，在步骤(3)中，步骤(2)求解的全局约束矩阵中的每个元素为对应两个像素点之间的置信度，针对每个像素点x_i，挑选出前K个置信度最高的像素点x_j构建字典D_i＝VB_i，其中，B_i是一个对角矩阵，若x_j被选出构建字典D_i，则(B_i)_jj＝1，否则(B_i)_jj＝0，(B_i)_jj表示矩阵B_i中第j行第j列的元素，i＝1,2,…,N，j∈{1,2,...,N}。

进一步地，在步骤(4)中，通过求解以下约束优化问题求解所有像素点的弹性网表示：

其中，c_i是x_i基于字典D_i获得的表示系数，C＝[c₁,c₂,...,c_N]是表示系数矩阵，E是误差矩阵，λ和γ是正则化参数，||C||₁表示l₁范数，||E||_2,1表示l_2,1范数；

根据每个样本点的弹性网表示系数，构建标签约束的弹性网图模型，样本之间的系数直接作为边的权重，在高光谱像素点之间建立边的连接，邻接矩阵直接用弹性网表示系数矩阵C表示。

进一步地，在步骤(5)中，建立半监督学习模型：

其中，F是分类结果标签矩阵，Y是初始标签矩阵，表示二范数的平方，μ是正则化参数，L₁是标签约束的弹性网图的拉普拉斯矩阵，上标T表示矩阵转置，tr表示矩阵的迹；

求解半监督学习模型，得到分类结果标签矩阵的最优解F^*，实现高光谱图像分类。

采用上述技术方案带来的有益效果：

本发明利用标签成对约束信息，建立一种基于标签约束弹性网图的高光谱图像分类模型，模型在特征表示上，将空间特征与光谱特征相联合构成空谱联合特征；并且利用了标签约束信息选择K个与其最相关的样本构建字典，进而进行弹性网分解并构建弹性网图，降低了计算复杂度，使得构图更加准确；基于构建的标签约束图模型进行半监督分类学习，达到了高光谱图像精准分类的目的。

附图说明

图1是本发明的整体流程图。

具体实施方式

以下将结合附图，对本发明的技术方案进行详细说明。

本发明设计了基于标签约束弹性网图模型的高光谱图像分类方法，如图1所示，步骤如下：

S101、对待高光谱图像进行EMP特征提取，构建空谱联合特征；

S102、根据空谱联合特征进行标签约束传递，获得全局约束矩阵；

S103、根据全局约束矩阵，针对每个像素点构建字典；

S104、根据字典求解弹性网表示，构建标签约束的弹性网图模型；

S105、基于弹性网图模型进行半监督分类，得到标签矩阵，实现高光谱图像分类。

在本实施例中，步骤S101采用如下优选方案实现：

其中，V表示空谱联合特征矩阵，X表示光谱特征矩阵，EMP表示EMP特征矩阵，m为主成分个数，n为半径不同的圆形结构元素的个数，d为光谱波段的数量，N为图像像素点数目。

在本实施例中，步骤S102采用如下优选方案实现：

标签约束传递的模型如下：

其中，U为全局约束矩阵，Z为初始约束矩阵，表示F范数的平方，上标T表示矩阵转置，tr表示矩阵的迹，δ为正则化参数，L为正则化的拉普拉斯矩阵，L＝I-D_W ^-1/2WD_W ^-1/2，W是根据空谱联合特征矩阵V构图得到的邻接矩阵，D_W是图的度矩阵，I是单位阵。

经过数学推演，可以直接运用进行计算得到全局约束矩阵，其中，α是一个正则化参数，是拉普拉斯矩阵。

在本实施例中，步骤S103采用如下优选方案实现：

步骤S102求解的全局约束矩阵中的每个元素为对应两个像素点之间的置信度，即全局约束矩阵中第i行第j列元素代表像素点x_i与x_j之间的置信度。针对每个像素点x_i，挑选出前K个置信度最高的像素点x_j构建字典D_i＝VB_i，其中，B_i是一个对角矩阵，若x_j被选出构建字典D_i，则(B_i)_jj＝1，否则(B_i)_jj＝0，(B_i)_jj表示矩阵B_i中第j行第j列的元素，i＝1,2,…,N，j∈{1,2,...,N}。

在本实施例中，步骤S104采用如下优选方案实现：

通过求解以下约束优化问题求解所有像素点的弹性网表示：

其中，c_i是x_i基于字典D_i获得的表示系数，C＝[c₁,c₂,...,c_N]是表示系数矩阵，E是误差矩阵，λ和γ是正则化参数，||C||₁表示l₁范数，||E||_2,1表示l_2,1范数。

根据每个样本点的弹性网表示系数，构建标签约束的弹性网图模型，样本之间的系数直接作为边的权重，在高光谱像素点之间建立边的连接，邻接矩阵直接用弹性网表示系数矩阵C表示。

在本实施例中，步骤S105采用如下优选方案实现：

建立半监督学习模型：

其中，F是分类结果标签矩阵，Y是初始标签矩阵，表示二范数的平方，μ是正则化参数，L₁是标签约束的弹性网图的拉普拉斯矩阵，上标T表示矩阵转置，tr表示矩阵的迹；

求解半监督学习模型，得到分类结果标签矩阵的最优解F^*＝(I-βL₁)^-1Y，β是正则化参数，实现高光谱图像分类。

为验证本发明的效果，对本发明进行仿真实验，Indian Pines(IP)和SalinasScene(SS)测试序列规格分别是145×145和512×217，两种测试序列设置正则化参数α和β：α_IP＝0.3，β_IP＝0.1，α_SS＝0.1，β_SS＝0.5。

实验的评价使用定量的分析方法。

关于定量比较分析，使用OA、AA和k来评判。其中，OA为所有样本分类的总体准确率(Overall Accuracy)，AA为各类样本分类的平均准确度(Average Accuracy)，k为Kappa系数，其计算分别如下：

其中，c为样本类别数量，m_ii表示分类过程中第i类的样本被分到第i类的样本数量，N为样本总量，p_i表示每类样本分类的正确率，N_i表示第i类样本的总数。

在作定量比较时，我们在两个高光谱图像数据集上，每类样本选取10％的样本给予标签，进行分类，将每个数据集的分类结果与Groundtruth比对，计算出对应的OA、AA和k值。表2和表3给出了本发明与其他方法分别在数据集Indian Pines(IP)和Salinas Scene(SS)OA、AA和k值，可见本发明在高光谱图像的分类中起到了很大的效果，使用标签约束信息，使得构图更加准确，分类精度有所提升。

表1

Class	PX+SVM	EMP+SVM	Graph+SSL	SR+EMAPs	GGraph+SSL	LCG+SSL	LCE+SSL
								C1	38.05	73.91	20.87	91.95	84.78	89.13	86.96
C2	78.72	87.82	71.05	82.51	89.78	90.83	95.17
								C3	68.70	86.51	51.52	89.06	84.94	79.76	88.80
C4	52.96	83.97	48.95	63.24	80.59	84.39	80.59
								C5	90.11	90.64	91.39	93.62	96.89	93.58	93.37
C6	96.44	98.44	93.51	99.27	98.36	99.18	98.49
								C7	66.40	90.00	89.29	97.20	32.14	89.29	96.43
C8	96.51	98.95	100	100	98.74	99.16	99.58
								C9	38.89	53.00	18.00	27.78	10.00	95.00	60.00
C10	71.20	85.49	77.53	84.49	93.83	95.78	94.75
								C11	78.62	87.98	83.60	94.83	93.73	94.01	94.42
C12	70.79	84.25	39.87	89.27	78.08	82.80	88.03
								C13	97.28	98.63	99.41	98.21	98.54	99.51	98.05
C14	90.97	96.27	98.91	99.70	99.37	98.34	99.84
								C15	58.27	90.26	49.64	97.61	66.84	77.46	90.93
C16	87.38	99.78	88.17	96.02	95.70	98.92	93.55
								OA	79.65	89.98	77.76	91.76	91.40	92.33	94.40
AA	73.83	87.78	70.11	87.80	81.39	91.70	91.19
								k	76.76	88.56	74.51	90.88	90.20	91.26	93.61

表2

在上表中，C1～C16表示高光谱图像中的第1～16类，LCE+SSL代表本发明提出的基于标签约束弹性网图模型的高光谱图像分类方法，其他方法解释如下：PX+SVM：只使用光谱特征的支持向量机进行像素分类；

EMP+SVM：采用支持向量机对扩展形态学特征和光谱特征级联的像素进行分类；

Graph+SSL：基于图的半监督学习；

SR+EMAPs：利用形态学属性剖面的稀疏表示进行分类；

GGraph+SSL：对空谱联合特征仅使用高斯核构图的半监督分类学习；

LGG+SSL：空谱联合特征的标签约束高斯核构图的半监督分类学习。

综上可知，相对于传统高光谱分类算法并不能够充分利用标签信息，分类的结果存在很大的像素错分问题。本发明利用标签成对约束信息，建立一种标签约束弹性网图的高光谱图像分类模型，选取多个高度相关的样本点来表征目标样本，抑制了大概率属于不同类的样本点，进而提高了构图的精准性。本文的算法对于像素错分有了较大的抑制作用，可以更有效的将高光谱像素进行分类，无论是从分类的准确率还是从视觉效果上来看，都呈现出一定的优势。

实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (6)

1.一种基于标签约束弹性网图模型的高光谱图像分类方法，其特征在于，包括以下步骤：

(1)对待高光谱图像进行EMP特征提取，构建空谱联合特征；

(2)根据空谱联合特征进行标签约束传递，获得全局约束矩阵；

(3)根据全局约束矩阵，针对每个像素点构建字典；

(4)根据字典求解弹性网表示，构建标签约束的弹性网图模型；

(5)基于弹性网图模型进行半监督分类，得到标签矩阵，实现高光谱图像分类。

2.根据权利要求1所述基于标签约束弹性网图模型的高光谱图像分类方法，其特征在于，在步骤(1)中，其中，V表示空谱联合特征矩阵，X表示光谱特征矩阵，EMP表示EMP特征矩阵，m为主成分个数，n为半径不同的圆形结构元素的个数，d为光谱波段的数量，N为图像像素点数目。

3.根据权利要求2所述基于标签约束弹性网图模型的高光谱图像分类方法，其特征在于，在步骤(2)中，标签约束传递的模型如下：

其中，U为全局约束矩阵，Z为初始约束矩阵，表示F范数的平方，上标T表示矩阵转置，tr表示矩阵的迹，δ为正则化参数，L为正则化的拉普拉斯矩阵，L＝I-D_W ^-1/2WD_W ^-1/2，W是根据空谱联合特征矩阵V构图得到的邻接矩阵，D_W是图的度矩阵，I是单位阵；

求解上述模型，得到全局约束矩阵的最优解U^*。

4.根据权利要求2所述基于标签约束弹性网图模型的高光谱图像分类方法，其特征在于，在步骤(3)中，步骤(2)求解的全局约束矩阵中的每个元素为对应两个像素点之间的置信度，针对每个像素点x_i，挑选出前K个置信度最高的像素点x_j构建字典D_i＝VB_i，其中，B_i是一个对角矩阵，若x_j被选出构建字典D_i，则(B_i)_jj＝1，否则(B_i)_jj＝0，(B_i)_jj表示矩阵B_i中第j行第j列的元素，i＝1,2,…,N，j∈{1,2,...,N}。

5.根据权利要求4所述基于标签约束弹性网图模型的高光谱图像分类方法，其特征在于，在步骤(4)中，通过求解以下约束优化问题求解所有像素点的弹性网表示：

s.t.x_i＝D_ic_i,1≤i≤N

其中，c_i是x_i基于字典D_i获得的表示系数，C＝[c₁,c₂,...,c_N]是表示系数矩阵，E是误差矩阵，λ和γ是正则化参数，||C||₁表示l₁范数，||E||_2,1表示l_2,1范数；

根据每个样本点的弹性网表示系数，构建标签约束的弹性网图模型，样本之间的系数直接作为边的权重，在高光谱像素点之间建立边的连接，邻接矩阵直接用弹性网表示系数矩阵C表示。

6.根据权利要求1-5中任意一项所述基于标签约束弹性网图模型的高光谱图像分类方法，其特征在于，在步骤(5)中，建立半监督学习模型：

其中，F是分类结果标签矩阵，Y是初始标签矩阵，表示二范数的平方，μ是正则化参数，L₁是标签约束的弹性网图的拉普拉斯矩阵，上标T表示矩阵转置，tr表示矩阵的迹；

求解半监督学习模型，得到分类结果标签矩阵的最优解F^*，实现高光谱图像分类。