CN110688890A - 一种基于自适应核稀疏表示及多特征的高光谱图像分类方法 - Google Patents

一种基于自适应核稀疏表示及多特征的高光谱图像分类方法 Download PDF

Info

Publication number
CN110688890A
CN110688890A CN201910742222.3A CN201910742222A CN110688890A CN 110688890 A CN110688890 A CN 110688890A CN 201910742222 A CN201910742222 A CN 201910742222A CN 110688890 A CN110688890 A CN 110688890A
Authority
CN
China
Prior art keywords
matrix
kernel
adaptive
sparse representation
hyperspectral image
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
CN201910742222.3A
Other languages
English (en)
Other versions
CN110688890B (zh
Inventor
李丹
孔繁锵
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201910742222.3A priority Critical patent/CN110688890B/zh
Publication of CN110688890A publication Critical patent/CN110688890A/zh
Application granted granted Critical
Publication of CN110688890B publication Critical patent/CN110688890B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component 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
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • G06V10/513—Sparse representations
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

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)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于自适应核稀疏表示及多特征的高光谱图像分类方法，该方法包括：(1)采集原始高光谱图像，对所述原始高光谱图像X0进行多个特征提取，得到联合组成特征空间X；(2)从X中随机选取部分像素点作为训练样本集D，剩余的像素点作为测试样本集；(3)分别为每个特征构建基础核，根据各个基础核及其权重值计算复合核；(4)每一个测试样本x进行分类，得到分类结果。发明将多核学习方法融入到自适应核稀疏表示分类器中，基于不同特征描述构建基础核，并且计算基础核的权重值，不仅可以利用不同特征间的相关性，同时还能保留各种特征的差异性，有利于改善分类精度。

Description

一种基于自适应核稀疏表示及多特征的高光谱图像分类方法
技术领域
本发明涉及高光谱数据处理技术领域，具体涉及一种基于自适应核稀疏表示及多特征的高光谱图像分类方法，可应用于航天遥感和物质探测等实际工程领域。
背景技术
高光谱图像分类技术是遥感领域的研究热点，它的目标是基于光谱信息和学习到的空间信息，将每一个光谱像素分到特定的类别。为了实现这个目标，很多分类方法被提出，包括SVM，MLR，神经网络，自适应人工免疫网络等等。但是这些方法都只利用了高光谱图像的光谱信息，忽略了其空间信息，因此会产生有噪声的分类结果。
充分利用高光谱图像的空间信息是提高分类精度的有效方法。国内外很多学者分别从不同方面提取了有用的空间信息，与光谱信息相结合，在很大程度上提高了分类精度。并且，一些基于提取多样的特征描述的高光谱图像分类方法被相继提出，例如提取光谱特征，形状特征，纹理特征和滤波特征等。然而，一种特征只能从一个方面来描述光谱像素点，不能完全描述所有类的像素。所以，结合多种特征来描述像素点是高光谱图像分类方法的一个趋势。但是这些基于多特征的分类器也存在一些问题，其中最值得研究的问题是：这些多特征分类器没有充分考虑不同特征之间的相似性和多样差异性。
发明内容
发明目的：为了克服现有技术的不足，本发明提供一种基于自适应核稀疏表示及多特征的高光谱图像分类方法，该方法解决了在多特征空间的像素点趋于线性不可分，并且不能充分考虑多特征之间的相似性和差异性，分类结果较差的问题。
技术方案：本发明所述的基于自适应核稀疏表示及多特征的高光谱图像分类方法，该方法包括：
(1)采集原始高光谱图像，对所述原始高光谱图像X0进行多个特征提取，得到联合组成特征空间X；
(2)从X中随机选取部分像素点作为训练样本集D，剩余的像素点作为测试样本集；
(3)分别为每个特征构建基础核，根据各个基础核及其权重值计算复合核；
(4)采用形状自适应算法为每一个测试样本x构建自适应区域，并根据所述自适应区域以及复合核分别对每一个测试样本x进行分类，得到分类结果。
进一步地，包括：
所述步骤(3)中，分别为每个特征构建基础核，根据各个基础核及其权重值计算复合核，具体包括：
(41)构建基础核矩阵：
Figure BDA0002164344670000021
其中，Dij，j＝1，2，...，C是对角块，N为提取特征的总个数；
(42)计算基础核矩阵Ki和理想核矩阵之间的相似性：
Figure BDA0002164344670000022
其中，S(Dij)表示对角块Dij所有元素的加和，S(Ki)表示矩阵Ki所有元素的加和；
(43)计算基础核的权重值：
(44)计算复合核：
Figure BDA0002164344670000024
其中，p为基础核的个数，即提取特征的个数，所述ki(dii,dij)为单一核，且
Figure BDA0002164344670000025
dii和dij分别表示任意两个光谱像素，ki(dii，dij)表示第i个高斯核函数，
Figure BDA0002164344670000026
表示原始高光谱空间到核空间的映射函数，<·，·>表示内积运算，T表示矩阵的转置。
进一步地，包括：
步骤(4)中，分别对每一个测试样本x进行分类，得到分类结果，包括：
(41)获取x的形状自适应区域内的所有测试样本xSA；
(42)计算K(xSA,xSA)和K(xSA,D)，其中，K(SA，xSA)为高斯核公式对矩阵xSA和xSA的运算结果矩阵，K(xSA，D)是高斯核公式对矩阵xSA和D的运算结果矩阵；
(43)基于核联合稀疏表示分类器计算联合稀疏表示就矩阵
Figure BDA0002164344670000027
(44)计算每一类的重建误差：
Figure BDA0002164344670000031
其中，trace(.)用于计算矩阵对角线元素的加和；
(45)根据稀疏表示分类判别准则Class(x)＝ar gmini＝1，2...，Cri(x)决定测试样本x的类别标签。
进一步地，包括：
所述步骤(43)，具体包括：
(431)计算K(xSA，xSA)，K(D，D)和K(xSA，D)，其中，K(xSA，xSA)，K(D，D)和K(xSA，D)分别为高斯核公式对矩阵xSA，xSA，D，D和xSA，D的运算结果矩阵，xSA为测试样本，D为训练样本集；
(432)初始化系数矩阵ASA∈RN为全0矩阵，索引集合
Figure BDA0002164344670000032
误差
Figure BDA0002164344670000033
(433)当迭代次数t≤K或者
Figure BDA0002164344670000034
K为稀疏度，ε为最小误差界定，循环更新误差
Figure BDA0002164344670000035
(434)最后一次迭代得到的更新稀疏矩阵即为联合稀疏表示矩阵
Figure BDA0002164344670000036
进一步地，包括：
所述步骤(433)具体包括：
(4331)计算
Figure BDA0002164344670000037
提取具有最大值的索引idxt，其中，K(：，Δt)表示矩阵K(D,D)中与索引集合Δt相对应的列所组成的矩阵，Δt为第t次迭代中的索引集合；
(4332)Δt＝[Δt-1 idxt]，其中，Δt-1为第t-1次迭代中的索引集合；
(4333)计算Kt＝K[Δt，Δt]和K(xSA，D(：，Δt))，其中，D(：，Δt)为矩阵D中与Δt索引集合相对应的列所组成的矩阵；
(4334)更新稀疏矩阵
Figure BDA0002164344670000038
(4335)更新误差
Figure BDA0002164344670000039
有益效果：本发明与现有技术相比，其显著优点在于：1、本发明从原始高光谱数据中提取多种特征，从不同的方面有效描述像素点，充分利用了光谱信息和空间信息，在很大程度上提高了分类精度；2、发明提出一种基于多特征的自适应核稀疏表示分类方法，自适应获取上下文信息的同时，有效解决了特征空间像素点线性不可分的问题；3、本发明将多核学习方法融入到自适应核稀疏表示分类器中，基于不同特征描述构建基础核，并且计算基础核的权重值，不仅可以利用不同特征间的相关性，同时还能保留各种特征的差异性，有利于改善分类精度；4、本发明分类方法与其他同类方法相比，具有更高的分类精度。
附图说明
图1为本发明方法的流程示意图；
图2为固定尺寸区域和本方法形状自适应区域的对比，a为固定尺寸区域，b为形状自适应区域；
图3为本发明所述的复合核学习模型流程图；
图4为实验真实高光谱数据集；
图5为本发明所述分类方法AKSR-MF与SVM，SRC，JSRC，SAJSRC，AKSR-SF和KSRC-MF六种分类器对实验图像分类结果的对比图；
图6为本发明方法AKSR-MF在高斯核尺度σ从0.001增长到0.1时，总体分类精度(OA)的曲线图；
图7为本发明算法AKSR-MF在高斯核尺度σ从0.001增长到0.1时，κ系数的曲线图；
图8为本发明所述的样本数据量为10％时，7种分类方法对实验图像的OA，AA，κ系数和每类分类精度的对比仿真结果图。
具体实施方式
下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明提出了一种基于自适应核稀疏表示及多特征的高光谱图像分类方法。首先，从原始高光谱数据中提取五种特征，分别为光谱特征，EMP，DMP，LBP纹理和Gabor纹理特征，可以在很大程度上提高分类精度。然后，由于多特征空间的像素是线性不可分的，用核稀疏表示分类器来求解线性不可分问题。并且，引入多核学习方法，基于不同特征描述构建不同的基础核，有效计算基础核的权重值，充分考虑不同特征描述之间的相似性和多样性。为了进一步获取上下文空间信息，利用形状自适应算法为每一个像素点构建一个自适应区域。最终，测试像素点的类别标签通过对自适应区域的所有像素点应用核联合稀疏表示分类器得到，有利于提高分类精度。
本发明所述的方法，如图1所示，包括：
S1对原始高光谱图像X0进行多特征提取，并将其联合组成特征空间X＝[X1,X2,...,Xk,...,XN]，k∈[1,N]，本发明的实施例N＝5，分别为光谱特征，EMP，DMP，LBP纹理和Gabor纹理特征五种特征描述，Xi，i＝1，...，5
S2从X中随机选取部分像素点作为训练样本集D∈Rd×N，剩余的像素点作为测试样本集，其中，d为光谱维度，N为提取特征的总个数；
S3对原始高光谱图像X0使用PCA，得到第一个主要成分x1，然后使用形状自适应算法为每一个测试样本构建一个自适应区域；
S4为每种特征构建基础核，计算基础核的权重值；
S5计算K(D，D)，其中，K(D，D)为高斯核公式对矩阵D和D的运算结果矩阵；并以此构建复合核；
S51基于高斯核公式计算单一核
Figure BDA0002164344670000051
为特征空间X构建基础核，其中，dii和dij分别表示任意两个光谱像素，ki(dii，dij)表示第i个高斯核函数，
Figure BDA0002164344670000052
表示原始高光谱空间到核空间的映射函数，<·，·>表示内积运算，T表示矩阵的转置；
S52训练样本集D被用于构建基础核矩阵：
Figure BDA0002164344670000053
其中，Dij，j＝1，2，...，C是对角块；
S53计算基础核矩阵Ki和理想核矩阵之间的相似性：
Figure BDA0002164344670000061
其中，S(Dij)表示矩阵Dij所有元素的加和，S(Ki)表示矩阵Ki所有元素的加和；
S54计算基础核的权重值：
Figure BDA0002164344670000062
S55得到复合核：
Figure BDA0002164344670000063
其中，P为基础核的个数，取决于提取的特征数，即5个。
S6分别对每一个测试样本x∈Rd进行分类，得到分类结果。
S61对每一个测试样本x，实施以下过程：
S62获取x的形状自适应区域内的所有测试样本矩xSA；
S63计算K(xSA，xSA)和K(xSA，D)，其中，K(xSA，xSA)为高斯核公式对矩阵xSA和xSA的运算结果矩阵，K(xSA，D)是高斯核公式对矩阵xSA和D的运算结果矩阵；
S64基于核联合稀疏表示分类器计算联合稀疏表示
Figure BDA0002164344670000064
S65计算每一类的重建误差：
Figure BDA0002164344670000065
其中，trace(.)用于计算矩阵对角线元素的加和；
S66根据稀疏表示分类判别准则Class(x)＝argmini＝1，2...，Cri(x)来决定测试样本x的类别标签。
步骤64基于核联合稀疏表示分类器计算联合稀疏表示
Figure BDA0002164344670000066
的算法流程如下所示：
S641输入：测试样本xSA；训练样本集D；稀疏度K；最小误差界定ε；
S642分别计算K(xSA，xSA)，K(D，D)和K(xSA，D)，其中，K(xSA，xSA)，K(D，D)和K(xSA，D)分别为高斯核公式对矩阵xSA，xSA，D，D和xSA，D的运算结果矩阵；
S643初始化系数矩阵ASA∈RN为全0矩阵，索引集合
Figure BDA0002164344670000071
误差
Figure BDA0002164344670000072
S644当迭代次数t≤K或者
Figure BDA0002164344670000073
实施以下循环：
S6441计算
Figure BDA0002164344670000074
提取具有最大值的索引idxt，其中，K(：，Δt)表示矩阵K(D，D)中与索引集合Δt相对应的列所组成的矩阵，Δt为第t次迭代中的索引集合；
S6442Δt＝[Δt-1 idxt]，其中，Δt-1为第t-1次迭代中的索引集合；
S6443计算Kt＝K[Δt，Δt]和K(xSA，D(：，Δt))，其中，D(：，Δt)为矩阵D中与Δt索引集合相对应的列所组成的矩阵；
S6444更新稀疏矩阵
Figure BDA0002164344670000075
S6445更新误差
Figure BDA0002164344670000076
S645得到稀疏表示矩阵
Figure BDA0002164344670000077
最后一次迭代得到的更新稀疏矩阵即为联合稀疏表示矩阵
Figure BDA0002164344670000078
图2为固定尺寸区域和形状自适应区域的对比图，其中固定尺寸区域大小为非重叠的11*11图像块，形状自适应区域为本发明采用的形状自适应算法得到。从图2可以看出，形状自适应尺寸在平滑区域较大，在非平滑区域较小，这说明形状自适应区域可以更有效的获取高光谱数据的上下文信息。并且，形状自适应区域可以基本保证在每一个区域内的像素点都属于相同的类别，有利于提高分类精度。
图3为多核学习模型流程图。从图3可以看出，多核学习模型可以根据不同类型的特征，构建基础核，并有效计算基础核的权重值，最终得到复合核。不仅可以利用不同特征间的相关性，同时还能保留各种特征的差异性，有利于改善分类精度。
为了更好的体现本发明基于自适应核稀疏表示及多特征的高光谱图像分类方法的优势，下面结合一具体事例，将本发明所述的分类方法与已存在的经典分类器SVM，SRC，JSCR，SAJSRC，AKSR-SF，KSRC-MF作比较。
比较的方式为：对图4所示的真实高光谱图像Indian Pines进行分类，随机选取10％的像素点作为训练样本集，剩余90％的像素点作为测试样本集，比较以上7种分类方法所能达到的分类结果。分类结果使用整体分类精度(OA)，平均分类精度(AA)，κ系数和各类的分类精度来表示。并且，为进一步说明高斯核尺度σ对本发明分类方法AKSR-MF的影响，在高斯核尺度σ从0.001增长到0.1的情况下，分别对实验图像进行分类实验，分类结果使用OA和κ系数表示。
表1为7种分类方法对实验高光谱图像的OA，AA，κ系数和各类的分类精度的对比仿真结果。从表1可以看出，本发明方法AKSR-MF获得了更高OA，AA和κ系数，即最好的分类结果。图5为本发明所述分类方法AKSR-MF及SVM，SRC，JSRC，SAJSRC，AKSR-SF和KSRC-MF六种分类器对实验图像分类结果的对比图。从图5可以看出，本发明所提出的分类方法AKSR-MF能够提供最好的视觉分类结果，尤其是在被对比分类方法错分的细节结构区域优势更为明显。
图6和图7分别为本发明算法AKSR-MF在高斯核尺度σ从0.001增长到0.1时，总体分类精度(OA)和κ系数的曲线图。从图6和图7可以看出，分类精度先随着σ的增大而增大，随后随着σ的增大而减小，并且σ对分类精度具有较大的影响。而本发明方法的目的为获得最高的分类精度，所以在本发明方法中选取高斯核尺度σ为0.02。
如图8所示，图中最后一列为本发明使用的方法，从图中可看出，本发明提取多种特征，充分利用光谱信息和空间信息，在很大程度上提高了分类精度。然后设计自适应核稀疏表示分类方法，进一步获取上下文信息的同时，解决特征空间像素点线性不可分的问题。并且，引入多核学习方法，考虑多特征之间相似性的同时保留其间的差异性，进一步提高了分类精度。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (5)

1.一种基于自适应核稀疏表示及多特征的高光谱图像分类方法，其特征在于，该方法包括：
(1)采集原始高光谱图像，对所述原始高光谱图像X0进行多个特征提取，得到联合组成特征空间X；
(2)从X中随机选取部分像素点作为训练样本集D，剩余的像素点作为测试样本集；
(3)分别为每个特征构建基础核，根据各个基础核及其权重值计算复合核；
(4)采用形状自适应算法为每一个测试样本x构建自适应区域，并根据所述自适应区域以及复合核分别对每一个测试样本x进行分类，得到分类结果。
2.根据权利要求1所述的基于自适应核稀疏表示及多特征的高光谱图像分类方法，其特征在于，所述步骤(3)中，分别为每个特征构建基础核，根据各个基础核及其权重值计算复合核，具体包括：
(41)构建基础核矩阵：
Figure FDA0002164344660000011
其中，Dij，j＝1，2，...，C是对角块，N为提取特征的总个数；
(42)计算基础核矩阵Ki和理想核矩阵之间的相似性：
Figure FDA0002164344660000012
其中，S(Dij)表示对角块Dij所有元素的加和，S(Ki)表示矩阵Ki所有元素的加和；
(43)计算基础核的权重值：
Figure FDA0002164344660000013
(44)计算复合核：
Figure FDA0002164344660000014
其中，p为基础核的个数，即提取特征的个数，所述ki(dii,dij)为单一核，且
Figure FDA0002164344660000015
dii和dij分别表示任意两个光谱像素，ki(dii，dij)表示第i个高斯核函数，
Figure FDA0002164344660000016
表示原始高光谱空间到核空间的映射函数，<·，·>表示内积运算，T表示矩阵的转置。
3.根据权利要求2所述的基于自适应核稀疏表示及多特征的高光谱图像分类方法，其特征在于，步骤(4)中，分别对每一个测试样本x进行分类，得到分类结果，包括：
(41)获取x的形状自适应区域内的所有测试样本xSA；
(42)计算K(xSA,xSA)和K(xSA,D)，其中，K(xSA，xSA)为高斯核公式对矩阵xSA和xSA的运算结果矩阵，K(xSA，D)是高斯核公式对矩阵xSA和D的运算结果矩阵；
(43)基于核联合稀疏表示分类器计算联合稀疏表示就矩阵
Figure FDA0002164344660000021
(44)计算每一类的重建误差：
其中，trace(.)用于计算矩阵对角线元素的加和；
(45)根据稀疏表示分类判别准则Class(x)＝argmini＝1，2...，Cri(x)决定测试样本x的类别标签。
4.根据权利要求3所述的基于自适应核稀疏表示及多特征的高光谱图像分类方法，其特征在于，所述步骤(43)，具体包括：
(431)计算K(xSA，xSA)，K(D，D)和K(xSA，D)，其中，K(xSA，xSA)，K(D，D)和K(xSA，D)分别为高斯核公式对矩阵xSA，xSA，D，D和xSA，D的运算结果矩阵，xSA为测试样本，D为训练样本集；
(432)初始化系数矩阵ASA∈RN为全0矩阵，索引集合
Figure FDA0002164344660000023
误差
(433)当迭代次数t≤K或者
Figure FDA0002164344660000025
K为稀疏度，ε为最小误差界定，循环更新误差
Figure FDA0002164344660000026
(434)最后一次迭代得到的更新稀疏矩阵即为联合稀疏表示矩阵
Figure FDA0002164344660000027
5.根据权利要求4所述的基于自适应核稀疏表示及多特征的高光谱图像分类方法，其特征在于，所述步骤(433)具体包括：
(4331)计算
Figure FDA0002164344660000028
提取具有最大值的索引idxt，其中，K(：，Δt)表示矩阵K(D,D)中与索引集合Δt相对应的列所组成的矩阵，Δt为第t次迭代中的索引集合；
(4332)Δt＝[Δt-1 idxt]，其中，Δt-1为第t-1次迭代中的索引集合；
(4333)计算Kt＝K[Δt，Δt]和K(xSA，D(：，Δt))，其中，D(：，Δt)为矩阵D中与Δt索引集合相对应的列所组成的矩阵；
(4334)更新稀疏矩阵
Figure FDA0002164344660000031
(4335)更新误差
Figure FDA0002164344660000032
CN201910742222.3A 2019-08-13 2019-08-13 一种基于自适应核稀疏表示及多特征的高光谱图像分类方法 Active CN110688890B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910742222.3A CN110688890B (zh) 2019-08-13 2019-08-13 一种基于自适应核稀疏表示及多特征的高光谱图像分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910742222.3A CN110688890B (zh) 2019-08-13 2019-08-13 一种基于自适应核稀疏表示及多特征的高光谱图像分类方法

Publications (2)

Publication Number Publication Date
CN110688890A true CN110688890A (zh) 2020-01-14
CN110688890B CN110688890B (zh) 2023-07-25

Family

ID=69108157

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910742222.3A Active CN110688890B (zh) 2019-08-13 2019-08-13 一种基于自适应核稀疏表示及多特征的高光谱图像分类方法

Country Status (1)

Country Link
CN (1) CN110688890B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127179A (zh) * 2016-06-30 2016-11-16 南京理工大学 基于自适应分层多尺度的高光谱遥感图像分类方法
CN107563324A (zh) * 2017-08-30 2018-01-09 广东工业大学 一种基于核基础超限学习机的高光谱图像分类方法及装置
CN108460400A (zh) * 2018-01-02 2018-08-28 南京师范大学 一种结合多种特征信息的高光谱图像分类方法
CN108985301A (zh) * 2018-07-04 2018-12-11 南京师范大学 一种多特征类子字典学习的高光谱图像分类方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127179A (zh) * 2016-06-30 2016-11-16 南京理工大学 基于自适应分层多尺度的高光谱遥感图像分类方法
CN107563324A (zh) * 2017-08-30 2018-01-09 广东工业大学 一种基于核基础超限学习机的高光谱图像分类方法及装置
CN108460400A (zh) * 2018-01-02 2018-08-28 南京师范大学 一种结合多种特征信息的高光谱图像分类方法
CN108985301A (zh) * 2018-07-04 2018-12-11 南京师范大学 一种多特征类子字典学习的高光谱图像分类方法

Also Published As

Publication number Publication date
CN110688890B (zh) 2023-07-25

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
CN113011499B (zh) 一种基于双注意力机制的高光谱遥感图像分类方法
CN110399909B (zh) 一种基于标签约束弹性网图模型的高光谱图像分类方法
Montazer et al. An improved radial basis function neural network for object image retrieval
Yuan et al. Factorization-based texture segmentation
CN108108751B (zh) 一种基于卷积多特征和深度随机森林的场景识别方法
Dosovitskiy et al. Unsupervised feature learning by augmenting single images
CN107563442B (zh) 基于稀疏低秩正则图张量化嵌入的高光谱图像分类方法
CN110110596B (zh) 高光谱图像特征提取、分类模型构建及分类方法
CN111738344B (zh) 一种基于多尺度融合的快速目标检测方法
US9330332B2 (en) Fast computation of kernel descriptors
CN109190511B (zh) 基于局部与结构约束低秩表示的高光谱分类方法
CN108734199B (zh) 基于分段深度特征及低秩表示的高光谱图像鲁棒分类方法
CN110866439B (zh) 基于多特征学习及超像素核稀疏表示的高光谱图像联合分类方法
CN110458192B (zh) 基于视觉显著性的高光谱遥感图像分类方法及系统
CN112836671B (zh) 一种基于最大化比率和线性判别分析的数据降维方法
Lin et al. A supervised multi-view feature selection method based on locally sparse regularization and block computing
CN115937655B (zh) 多阶特征交互的目标检测模型及其构建方法、装置及应用
CN112633202B (zh) 一种基于双重去噪联合多尺度超像素降维的高光谱图像分类算法
CN113269201A (zh) 一种基于潜在特征融合的高光谱影像波段选择方法及系统
CN105868711B (zh) 一种基于稀疏低秩的人体行为识别方法
CN111460966B (zh) 基于度量学习和近邻增强的高光谱遥感图像分类方法
CN111062428A (zh) 一种高光谱图像的聚类方法、系统及设备
Song et al. Using dual-channel CNN to classify hyperspectral image based on spatial-spectral information
CN116310462B (zh) 一种基于秩约束自表示的图像聚类方法及装置

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