CN111723838A - 一种多核机器学习融合多尺度特征的高光谱地物分类方法 - Google Patents
一种多核机器学习融合多尺度特征的高光谱地物分类方法 Download PDFInfo
- Publication number
- CN111723838A CN111723838A CN202010318446.4A CN202010318446A CN111723838A CN 111723838 A CN111723838 A CN 111723838A CN 202010318446 A CN202010318446 A CN 202010318446A CN 111723838 A CN111723838 A CN 111723838A
- Authority
- CN
- China
- Prior art keywords
- scale
- kernel
- hyperspectral
- sampling
- scale features
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000010801 machine learning Methods 0.000 title claims abstract description 17
- 238000005070 sampling Methods 0.000 claims abstract description 45
- 239000011159 matrix material Substances 0.000 claims abstract description 30
- 238000000513 principal component analysis Methods 0.000 claims abstract description 20
- 230000004927 fusion Effects 0.000 claims abstract description 19
- 239000013598 vector Substances 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 230000009467 reduction Effects 0.000 claims abstract description 9
- 238000013507 mapping Methods 0.000 claims abstract description 4
- 238000000605 extraction Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 8
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000002087 whitening effect Effects 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 description 9
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 8
- 235000011613 Pinus brutia Nutrition 0.000 description 8
- 241000018646 Pinus brutia Species 0.000 description 8
- 238000001228 spectrum Methods 0.000 description 8
- 241001466077 Salina Species 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 244000075850 Avena orientalis Species 0.000 description 3
- 235000007319 Avena orientalis Nutrition 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 210000000873 fovea centralis Anatomy 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 240000004658 Medicago sativa Species 0.000 description 1
- 235000017587 Medicago sativa ssp. sativa Nutrition 0.000 description 1
- 241000488988 Monotropa Species 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 102100038374 Pinin Human genes 0.000 description 1
- 101710173952 Pinin Proteins 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 241000139306 Platt Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000002341 toxic gas Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种多核机器学习融合多尺度特征的高光谱地物分类方法，包括以下步骤：1)获取高光谱图像，再使用非均匀采样滤波核在每一波段上对高光谱图像进行二维空间非均匀滤波采样，再将采样得到的二维矩阵拉伸变换为一维向量，最后使用PCA对二维矩阵进行降维，以提取主成分波段，得高光谱图像的特征；2)提取目标的多尺度特征，在多核学习框架式中对目标的多尺度特征与多尺度核进行有机融合，再进行加权映射，得融合核矩阵，然后通过训练决策函数得到最优的多尺度核分类器，最后利用优化的多尺度核分类器对图像进行分类，完成多核机器学习融合多尺度特征的高光谱地物分类，该方法能够高精度高实时性的进行高光谱地物分类。
Description
技术领域
本发明涉及一种高光谱地物分类方法，具体涉及一种多核机器学习 融合多尺度特征的高光谱地物分类方法。
背景技术
高光谱遥感作为一种结合了遥感成像和光谱细分的多维信息获取技 术，极大地丰富了所获取图像目标的信息。对于高光谱图像应用中最受 关注的分类技术而言，高光谱数据的图谱合一、高维度特性以及如何对 高光谱图像进行预处理、解混、有效特征提取、目标识别一直都是亟待 解决的难题。随着高光谱图像成像器的分辨率不断提高，高光谱图像广 泛应用于资源调查、作物估产、灾害预报、矿床勘探、地形测定、影像 地图制作、有毒气体监测、伪装识别、军事侦察和探测等方向。
将复杂、巨大的高光谱图像数据转化为能够准确表达地表物质性质 的“地图”并称这一过程为高光谱图像的分类。也就是说，正是由于不同 地物在不同波段光谱信号下的不同表现，可以据此对高光谱图像中每个 像元分配一个类别标签并将最终得到的分类结果称为分类图。获取高精 确度的分类图一直是研究人员关注的重中之重。但是在高光谱图像中， 有些地物光谱特性曲线十分相似，对于高光谱图像这种在空间、光谱特 征存在大量冗余信息且各波段间高相关性的数据而言，通常很难得到很 高的分类精度，给分类带来了挑战。
从高光谱图像分类所利用的信息类型来看可以分为谱分类和谱-空 联合分类。前者直接根据高光谱图像中的光谱信息而忽略了高光谱图像 图谱合一的特性利用分类器对目标像元进行分类。而谱-空联合分类将高 光谱图像中的空间信息和光谱信息一起考虑在内，利用分类器对目标像 元进行分类。随着成像器的分辨率的不断提高，高光谱图像中的空间相 邻像元也包含了大量相关信息，这就使得谱-空联合分类相对于谱分类来 说，优势更加突出，在一定程度上消除了分类图中的空间不均匀性，对 像元所属结构的尺度、形状都能较好地表达。随着深度学习的发展，越 来越多的学者开始将深度学习方法运用到大规模高光谱图像分类领域， 并取得了较好的分类效果。如Chen等将目标像元周围空间邻域信息经 过PCA降维后的空间邻域信息和目标像元的光谱信息一起作为SAE 的输入进行训练。但由于深度网络结构过于复杂，所需训练参数太多， 网络收敛速度过慢，无法保证高实时性；仅仅将高光谱图像原始数据作 为输入训练网络，没有考虑到不同高光谱图像的自身特点，无法保证有 效性；此外，影响分类精度的窗口大小也很少受到关注。综上分析，这 些问题使得高光谱图像高精度高实时性目标识别还缺乏成熟的理论和实 用性方法，需要加大基础研究力度。
发明内容
本发明的目的在于克服上述现有技术的缺点，提供了一种多核机器 学习融合多尺度特征的高光谱地物分类方法，该方法能够高精度高实时 性的进行高光谱地物分类。
为达到上述目的，本发明所述的多核机器学习融合多尺度特征的高 光谱地物分类方法包括以下步骤：
1)获取高光谱图像，再使用非均匀采样滤波核在每一波段上对高光 谱图像进行二维空间非均匀滤波采样，再将采样得到的二维矩阵拉伸变 换为一维向量，其中，每一个维度均采样拉伸为一个一维向量，从而将 原始的高光谱数据集由一个三维矩阵变换为二维矩阵，其中，二维矩阵 中的行表示像元，列表示波段维度，最后使用PCA对二维矩阵进行降维， 以提取主成分波段，得高光谱图像的特征；
2)提取目标的多尺度特征，在多核学习框架式中对目标的多尺度特 征与多尺度核进行有机融合，再进行加权映射，得融合核矩阵，然后通 过训练决策函数得到最优的多尺度核分类器，最后利用优化的多尺度核 分类器对图像进行分类，完成多核机器学习融合多尺度特征的高光谱地 物分类。
获取高光谱图像的具体过程为：构建基于非均匀采样的多尺度空间， 其中，在中央凹范围内均匀采样，且采样率最高为1，采样率由外围到 中心点距离的2倍递减。
非均匀采样滤波核的表达式为：
其中，高光谱图像的大小为N×N，N为2的整数次幂，δ表示中央凹 范围的半径，当位于δ内时为均匀采样，利用离散小波方法的采样滤波 方式实现非均匀采样，其中，离散小波变换的相平面格点分布为非均匀， 每次采样都从视点中央向周围扩展，对于固定的尺度参数m，采样率为 1/b0a0 m，令：
1/b0a0 m＝c(x) (2)
m为整数，则有
滤波核中同一同心圆域中具有相同的m值，即二进制小波滤波器的 带宽相同，中心区m＝0，且带宽最窄，由中心向外带宽渐增。
基于PCA进行高光谱图像特征降维的具体过程为：
使用PCA对高光谱图像特征进行白化，计算样本的相关系数矩阵的 特征值及特征向量，再按降序将特征值进行排序，并调整特征向量；计 算各特征值的贡献率，根据预设的提取率，以提取主成分特征向量，并 在提取的主成分特征向量上对样本进行投影，以提取图像的特征。
所述基核为高斯径向基核，将高斯径向基核的多尺度化表示为：
对各个尺度特征使用多个高斯径向核进行加权组合，使得每个尺度 均基于多个尺度核映射，然后对多个尺度的合成核进行多核融合，即
其中，M表示每个尺度特征使用的尺度基核的数目，N表示尺度特 征的数目，l表示训练样本的数目，f(x)为最终的决策函数。
采用基于梯度下降方法优化得到的核函数的权系数。
本发明具有以下有益效果：
本发明所述的多核机器学习融合多尺度特征的高光谱地物分类方法 在具体操作时，基于非均匀采样特征提取、PCA降维及多尺度核方法相 结合，实实现高光谱图像的高精度及鲁棒分类，经试验，本发明与现有 技术相比，既能保证小样本下对目标的有效分类，又能保证模型的灵活 性构建及快速训练，操作方便，简单，具有较高的准确性及可靠性。
附图说明
图1为高光谱图像多尺度特征提取的流程图；
图2为特征降维的流程图；
图3为高光谱图像特征提取的流程图；
图4为基于多尺度核支持向量机的高光谱图像分类的原理图；
图5为仿真实验中Indian Pines数据集的分类结果图；
图6为仿真实验中Pavia University数据集的分类结果图；
图7为仿真实验中Salinas数据集的分类结果图；
具体实施方式
下面结合附图对本发明做进一步详细描述：
参考图1至图4，本发明所述的多核机器学习融合多尺度特征的高 光谱地物分类方法包括以下步骤：
1)模仿生物视网膜具有视觉信息非均匀采样的特点及具有选择性的 生物视觉注意机制，本发明考虑构建基于非均匀采样的多尺度空间，其 中，在中央凹范围内均匀采样，且采样率最高为1，即图像的原始分辨 率，采样率由外围到中心点距离的2倍递减，因此可以将输入信息进行 压缩，以降低存储及处理的难度。
2)在不同尺度空间对高光谱图像进行特征提取，具体的：先使用非 均匀采样滤波核在每一波段上对高光谱图像进行二维空间非均匀滤波采 样，再将采样得到的二维矩阵拉伸变换为一维向量，其中，每一个维度 均采样拉伸成一个一维向量，从而将原始的高光谱数据集由一个三维矩 阵变换为二维矩阵，其中，二维矩阵中的行表示像元，列表示波段维度， 最后使用PCA对二维矩阵进行降维，以提取主成分波段，以去除不同波 段之间的冗余性，得高光谱图像的特征。
a)为模拟采样率随空间位置的变化，所述非均匀采样滤波核可以表 示为：
其中，高光谱图像的大小为N×N，N为2的整数次幂，δ表示中央凹 的半径，当位于δ内时，则进行均匀采样，否则，则进行非均匀采样， 为实现非均匀采样，借用传统离散小波方法的采样滤波思想，其原因在 于，离散小波变换的相平面格点分布为非均匀的，每次采样都从视点中 央向周围扩展，对于固定的尺度参数m，采样率为1/b0a0 m，令：
1/b0a0 m＝c(x) (2)
m为整数，则有
滤波核中同一同心圆域中具有相同的m值，即二进制小波滤波器的 带宽相同，中心区m＝0，则有最窄的带宽，由中心向外，带宽渐增。
为在尺度空间中更有效的检测到稳定的关键点，可以在视觉特征提 取过程中，模仿中央-外围差策略建模，设计输出特征的对比度，即视点 的中心部分和外围部分之间的差值。同理，在多尺度空间中，可以设计 不同尺度下图像特征图的差分作为输出。
因此可以模拟视网膜中央凹和外围区的采样模式，细尺度代表中央 凹检测高频的细节信息，粗尺度代表外围区检测低频信息，以充分利用 图像的空间信息，提高分类的精度。
b)采用基于PCA进行高光谱图像特征降维，具体过程为：
参考图2，为提高分类的速度，减小特征维度，必须消除特征向量 之间的相关性，使用PCA对数据进行白化，计算样本的相关系数矩阵的 特征值及特征向量，按降序将特征值进行排序，并调整特征向量；计算 各特征值的贡献率，根据给定的提取率，以提取主成分特征向量，并在 提取的主成分特征向量上对样本进行投影，以提取图像的特征。
3)考虑到提取特征的多尺度特性，通过将多个尺度的核进行有机整 合，构造高效的多尺度核分类器。本发明在分类器内部实现目标图像的 多尺度特征进行融合分析，即多核融合多尺度特征。使用本发明提出的 非均匀多尺度特征提取的算法在具体操作时，参考图4，先提取目标的 多尺度特征，在多核学习框架式中对目标的多尺度特征与多尺度核进行 有机融合，再通过加权映射的方法，得融合核矩阵，然后通过训练决策 函数得到最优的多尺度核分类器，最后使用最优的多尺度核分类器对遥 感图像进行分类。
最常见的基核为高斯径向基核，将高斯径向基核的多尺度化表示为：
其中，σ1<…<σm，当σ较小时，则对小样本地物的分类效果好，而 当σ较大时，则对大样本地物的分类效果好，为提高算法的鲁棒性和稳 定性，先对各尺度特征使用多个高斯径向核进行加权组合，使得每个尺 度均基于多个尺度核映射，然后对多个尺度的合成核进行多核融合，即
其中，M表示每个尺度特征使用的尺度基核的数目，N表示尺度特 征的数目，l表示训练样本的数目，f(x)为最终的决策函数。
另外，本发明提出了一种多核机器SMO学习算法，具体过程为：
序贯最小化方法(Sequential Minimal Optimization，SMO)是Platt 等1998年提出的快速训练支持向量机的算法，与传统的Chunking和 Osuna的SVM学习算法不同的是，之前使用的是大规模二次规划作为 内循环，而SMO算法将原有的大规模二次规划分解成一系列小规模凸 二次规划子问题，不需要额外的矩阵存储，也不需要使用大规模二次规 划步骤，SMO解析二次规划步骤。多核机器SMO算法为了遵守线性等 式约束式，每一步只加入两个拉格朗日乘子优化，内层两个乘子变量的 最优化问题，不需迭代，可以解析求解，关键在于选择两个乘子的启发 式规则。
两个拉格朗日乘子α1,α2的解析求解方法为：
固定工作集的大小为2，根据固定dm的值，则多核SMO一次优化 小规模优化问题可以表示为：
s.t.
0≤α1,α2≤C (8)
其中，α1,α2为本次优化选择的两个拉格朗日乘子，(x1,y1)及(x2,y2)为 拉格朗日乘子对应的输入样本，根据上式利用线性等式约束y1α1+y2α2＝常数，消去α1，得到一个关于α2的单变量二次规划问题，当 不考虑不等式约束时，目标函数关于α2的二阶导数η为：
将α2更新为
其中
其中，Ei＝ui-yi表示第i个样本的误判，然后再考虑约束0≤α2≤C， 得α2的解析解为：
根据
更新α1的值
另外，采用基于梯度下降的方法进行核函数权系数的优化，具体过 程为：
完成优化核项系数α的学习后，则将d作为被优化的变量，式(6) 中关于d的优化问题是一个非线性目标函数，J(d)为凸且可微，具有 Lipschitz梯度，因此可以通过减少梯度的方法来解决式(6)，当J(d)的 梯度计算完，在保证关于d的等式条件和不等式条件满足的前提下，根 据下降的方向来更新d的值。设dμ为d中非零的部分，则J(d)减少的梯度 可以表示为
的表达式为：
其中，μ为向量d中最大分量值的位置索引，关于d的非负约束可以 在下降方向中考虑到，令J(d)最小，则
应该是一个下降方向，但 是如果d中存在一个位置分量m使得dm＝0并且
当使用这个 方向来更新d会忽略关于dm的正约束，因此，这时下降方向应置为零， 则更新d的下降方向Dm为：
根据梯度下降方法，以d←d+γD来更新d值，其中，γ为每一次更 新的步长。
仿真实验
本实施例采用AVIRIS成像光谱系统拍摄的Indian Pines高光谱数据 和Salinas数据集以及ROSIS–03传感器系统拍摄的Pavia University高 光谱数据作为仿真实验的样本，参考表1，应用本发明对多类地物目标 进行快速分类识别，并与经典算法进行对比。
实验过程中，为从原始数据集中提取训练集及测试集，从每个数据 集中的每类地物样本中随机抽取10％的像元作为训练集，除去背景像元 后其余90％为测试集，由于是随机抽样，所以每次实验结果的分类精度 会出现小范围波动，故每种实验条件下均进行10次重复实验取平均值， 体现结果的合理性。
表1
为评价实验结果的准确性，使用混淆矩阵(CM)、平均分类精度(AA) 及总体分类精度(OA)作为评价标准，其中，混淆矩阵为分类图与真实图 之间像元与像元之间的误差矩阵，总体分类精度为正确分类的样本像元 占总体样本像元的比例，平均分类精度为每一类地物中正确分类的样本 占该类地物中总的样本的比例，设高光谱图像中地物类别共有C种，混 淆矩阵
其中，Mij表示第i类地物被分类成第j的像元数目。
Indian Pines数据集
Indian Pines拍摄的是一块印度松林测试地，从图5中可以看出同类 地物分布相对集中，呈现区块状，但是不同类别的地物样本数目分布非 常不均匀即区块有大有小，如Oats、Grass-pasture-mowed及Alfalfa三类 地物，样本数目仅仅占总带标记样本总数的0.20％、0.27％及0.45％，因 此识别与分类比较困难。
在不同尺度空间在对Indian Pines数据集进行特征提取，使用多尺度 特征融合的多核方法分类结果见图5，表2列出了3种算法对16种地物 的分类精度和总体精度，相对与SVM好和PCA+SVM算法，本发明得 到的分类结果图更加的平滑，孤立的椒盐状的错分点基本消除，同时受 周边样本影响而错分的样本也不是很多。
从表2中数据可以看出，大部分类别的地物都达到了95％以上的分 类精度，而只有Alfalfa和Oats这两类地物的分类精度只有92.68％和 94.44％，拉低了总体分类精度，这主要是由于这两类地物的样本数目过 少，说明地物样本数目的分布会对总体分类效果产生影响。但是相对于 传统的SVM和PCA+SVM算法，本发明对于小样本地物Alfalfa和Oats的分类精度提升了将近85％，说明本发明对于小样本的分类结果很出色。
表2
Pavia University数据集
对于Pavia University数据集拍摄意大利北部的帕维亚学校区域，不 同地物样本数目分布相对比较均匀，地物类别少，因此分类较Indian Pines数据集要容易一些，但是同类地物分布相对分散呈现点线状，这会 对多尺度特征提取会产生不利影响。
参考图6，从图6中可以看出基本实现了地物样本的分类，并且也 没有出现椒盐状的错分点，融合了尺度空间信息，图像比较平滑，与真 实地物分布情况接近，分类结果较Indian Pines数据集要更好。
各类地物的分类精度和总体精度如表3所示，从表3中数据可以看 出，所有类别的地物都达到了95％以上的分类精度，说明本发明具有较 好的通用性和鲁棒性。SVM和PCA+SVM算法对于Gravel和Trees两类 地物的分类精度均未达到90％以上，一方面是地物的样本数目较少，另 一方面是这两类地物的光谱特征比较接近，不容易区分。而本发明对于 这两类地物的分类精度达到了95％以上，说明本发明利用空间信息在分 类过程中起了很大作用，可以很好地解决近光谱问题。
表3
Salinas数据集
Salinas数据集拍摄的是美国加利福尼亚州的Salinas山谷，它包含 了IndianPines和Pavia University两个数据集的各自特点，既有分布成 区块状的地物，也有成线状的地物，且大部分不同地物样本数目分布相 对比较均匀，但是地物类别较多，因此分类较Pavia University数据集要 复杂一些。
图7为使用多尺度特征融合的核方法的分类结果图，从图7中可以 看出基本实现了地物样本的分类，椒盐状的错分点相比较SVM和 PCA+SVM算法大大减少，但是依然存在少量的错分的孤立点，主要是 个别像元受周边异类地物的影响，分类结果较Indian Pines数据集要更 好，但是不如Pavia University数据集的分类结果。
各类地物的分类精度及总体精度如表4所示，从表4中可以看出， 所有类别的地物都达到了95％以上的分类精度，说明本发明具有较好的 通用性和鲁棒性。SVM和PCA+SVM算法对于Vinyard_untrained类地 物的分类精度均未达到70％，主要是由于这类地物的光谱特征与 Orapes_untraied的光谱特征比较接近，样本分布区域相邻，且 Orapes_untraied地物的样本数目要远远大于Vinyard_untrained地物的样 本数目，因此容易被识别Orapes_untraied类地物，而影响总体分类精度。 而本发明对于Vinyard_untrained地物的分类精度达到了98.49％以上，说 明本发明通过多尺度特征融合的方法，可以很好的平衡数据的光谱信息 和空间信息，得到更好的分类结果。
表4
Claims (6)
1.一种多核机器学习融合多尺度特征的高光谱地物分类方法，其特征在于，包括以下步骤：
1)获取高光谱图像，再使用非均匀采样滤波核在每一波段上对高光谱图像进行二维空间非均匀滤波采样，再将采样得到的二维矩阵拉伸变换为一维向量，其中，每一个维度均采样拉伸为一个一维向量，从而将原始的高光谱数据集由一个三维矩阵变换为二维矩阵，其中，二维矩阵中的行表示像元，列表示波段维度，最后使用PCA对二维矩阵进行降维，以提取主成分波段，得高光谱图像的特征；
2)提取目标的多尺度特征，在多核学习框架式中对目标的多尺度特征与多尺度核进行有机融合，再进行加权映射，得融合核矩阵，然后通过训练决策函数得到最优的多尺度核分类器，最后利用优化的多尺度核分类器对图像进行分类，完成多核机器学习融合多尺度特征的高光谱地物分类。
2.根据权利要求1所述的多核机器学习融合多尺度特征的高光谱地物分类方法，其特征在于，获取高光谱图像的具体过程为：构建基于非均匀采样的多尺度空间，其中，在中央凹范围内均匀采样，且采样率最高为1，采样率由外围到中心点距离的2倍递减。
3.根据权利要求1所述的多核机器学习融合多尺度特征的高光谱地物分类方法，其特征在于，非均匀采样滤波核的表达式为：
其中，高光谱图像的大小为N×N，N为2的整数次幂，δ表示中央凹范围的半径，当位于δ内时为均匀采样，利用离散小波方法的采样滤波方式实现非均匀采样，其中，离散小波变换的相平面格点分布为非均匀，每次采样都从视点中央向周围扩展，对于固定的尺度参数m，采样率为1/b0a0 m，令：
1/b0a0 m＝c(x) (2)
m为整数，则有
滤波核中同一同心圆域中具有相同的m值，即二进制小波滤波器的带宽相同，中心区m＝0，且带宽最窄，由中心向外带宽渐增。
4.根据权利要求1所述的多核机器学习融合多尺度特征的高光谱地物分类方法，其特征在于，基于PCA进行高光谱图像特征降维的具体过程为：
使用PCA对高光谱图像特征进行白化，计算样本的相关系数矩阵的特征值及特征向量，再按降序将特征值进行排序，并调整特征向量；计算各特征值的贡献率，根据预设的提取率，以提取主成分特征向量，并在提取的主成分特征向量上对样本进行投影，以提取图像的特征。
5.根据权利要求1所述的多核机器学习融合多尺度特征的高光谱地物分类方法，其特征在于，所述基核为高斯径向基核，将高斯径向基核的多尺度化表示为：
对各个尺度特征使用多个高斯径向核进行加权组合，使得每个尺度均基于多个尺度核映射，然后对多个尺度的合成核进行多核融合，即
其中，M表示每个尺度特征使用的尺度基核的数目，N表示尺度特征的数目，l表示训练样本的数目，f(x)为最终的决策函数。
6.根据权利要求1所述的多核机器学习融合多尺度特征的高光谱地物分类方法，其特征在于，采用基于梯度下降方法优化得到的核函数的权系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010318446.4A CN111723838A (zh) | 2020-04-21 | 2020-04-21 | 一种多核机器学习融合多尺度特征的高光谱地物分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010318446.4A CN111723838A (zh) | 2020-04-21 | 2020-04-21 | 一种多核机器学习融合多尺度特征的高光谱地物分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111723838A true CN111723838A (zh) | 2020-09-29 |
Family
ID=72563648
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010318446.4A Pending CN111723838A (zh) | 2020-04-21 | 2020-04-21 | 一种多核机器学习融合多尺度特征的高光谱地物分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111723838A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP4102419A1 (en) * | 2021-06-13 | 2022-12-14 | Inception Institute of Artificial Intelligence, Ltd. | Method and system for kernel continuing learning |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103839084A (zh) * | 2014-03-12 | 2014-06-04 | 湖州师范学院 | 一种应用于行人再识别的多核支持向量机多示例学习算法 |
| CN104361313A (zh) * | 2014-10-16 | 2015-02-18 | 辽宁石油化工大学 | 一种基于多核学习异构特征融合的手势识别方法 |
| WO2016091017A1 (zh) * | 2014-12-09 | 2016-06-16 | 山东大学 | 一种高光谱图像分类中光谱向量互相关特征的抽取方法 |
| CN106250855A (zh) * | 2016-08-02 | 2016-12-21 | 南京邮电大学 | 一种基于多核学习的多模态情感识别方法 |
| CN110210313A (zh) * | 2019-05-06 | 2019-09-06 | 河海大学 | 基于多尺度pca-3d-cnn空谱联合的高光谱遥感影像分类方法 |
| CN110321963A (zh) * | 2019-07-09 | 2019-10-11 | 西安电子科技大学 | 基于融合多尺度多维空谱特征的高光谱图像分类方法 |
-
2020
- 2020-04-21 CN CN202010318446.4A patent/CN111723838A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103839084A (zh) * | 2014-03-12 | 2014-06-04 | 湖州师范学院 | 一种应用于行人再识别的多核支持向量机多示例学习算法 |
| CN104361313A (zh) * | 2014-10-16 | 2015-02-18 | 辽宁石油化工大学 | 一种基于多核学习异构特征融合的手势识别方法 |
| WO2016091017A1 (zh) * | 2014-12-09 | 2016-06-16 | 山东大学 | 一种高光谱图像分类中光谱向量互相关特征的抽取方法 |
| CN106250855A (zh) * | 2016-08-02 | 2016-12-21 | 南京邮电大学 | 一种基于多核学习的多模态情感识别方法 |
| CN110210313A (zh) * | 2019-05-06 | 2019-09-06 | 河海大学 | 基于多尺度pca-3d-cnn空谱联合的高光谱遥感影像分类方法 |
| CN110321963A (zh) * | 2019-07-09 | 2019-10-11 | 西安电子科技大学 | 基于融合多尺度多维空谱特征的高光谱图像分类方法 |
Non-Patent Citations (4)
| Title |
|---|
| JUNYI YAO 等: "High Precision Classification of Hyperspectral Image Based on A Hierarchical Localized Multiple Kernel Learning Method", 《2019 12TH INTERNATIONAL CONGRESS ON IMAGE AND SIGNAL PROCESSING, BIOMEDICAL ENGINEERING AND INFORMATICS (CISP-BMEI)》 * |
| 林栋: "高分辨率遥感影像空间特征提取及面向对象分类技术研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
| 汪洪桥 等: "多核学习方法", 《自动化学报》 * |
| 王庆超 等: "多核融合多尺度特征的高光谱影像地物分类", 《光学精密工程》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP4102419A1 (en) * | 2021-06-13 | 2022-12-14 | Inception Institute of Artificial Intelligence, Ltd. | Method and system for kernel continuing learning |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110321963B (zh) | 基于融合多尺度多维空谱特征的高光谱图像分类方法 | |
| US11783569B2 (en) | Method for classifying hyperspectral images on basis of adaptive multi-scale feature extraction model | |
| CN110728224B (zh) | 一种基于注意力机制深度Contourlet网络的遥感图像分类方法 | |
| CN109145992B (zh) | 协作生成对抗网络和空谱联合的高光谱图像分类方法 | |
| CN107292339B (zh) | 基于特征融合的无人机低空遥感影像高分地貌分类方法 | |
| CN108491849B (zh) | 基于三维稠密连接卷积神经网络的高光谱图像分类方法 | |
| CN110084159A (zh) | 基于联合多级空谱信息cnn的高光谱图像分类方法 | |
| CN110348399B (zh) | 基于原型学习机制和多维残差网络的高光谱智能分类方法 | |
| CN107145836B (zh) | 基于栈式边界辨别自编码器的高光谱图像分类方法 | |
| CN112347888B (zh) | 基于双向特征迭代融合的遥感图像场景分类方法 | |
| CN107103306A (zh) | 基于小波分析与支持向量机的冬小麦白粉病遥感监测方法 | |
| CN105184314B (zh) | 基于像素聚类的wrapper式高光谱波段选择方法 | |
| CN114821164A (zh) | 基于孪生网络的高光谱图像分类方法 | |
| CN107292258A (zh) | 基于双边加权调制与滤波的高光谱图像低秩表示聚类方法 | |
| CN112733736A (zh) | 基于增强过采样的类别不平衡高光谱图像分类方法 | |
| CN115564996A (zh) | 一种基于注意力联合网络的高光谱遥感图像分类方法 | |
| CN114266961A (zh) | 一种整合高光谱和多频段全极化sar影像的沼泽植被堆栈集成学习分类方法 | |
| CN114511735A (zh) | 级联空谱特征融合与核极限学习机的高光谱图像分类方法及系统 | |
| CN115240072A (zh) | 一种基于多方向多尺度光谱-空间残差卷积神经网络的高光谱多类变化检测方法 | |
| CN116843975A (zh) | 结合空间金字塔注意力机制的高光谱图像分类方法 | |
| Chu et al. | Convolution based spectral partitioning architecture for hyperspectral image classification | |
| CN112560949B (zh) | 基于多级统计学特征提取的高光谱分类方法 | |
| CN112115961B (zh) | 一种基于稀疏图正则化的高光谱遥感影像分类方法 | |
| Song et al. | Using dual-channel CNN to classify hyperspectral image based on spatial-spectral information | |
| Fırat et al. | Hybrid 3D convolution and 2D depthwise separable convolution neural network for hyperspectral image classification |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200929 |
|
| RJ01 | Rejection of invention patent application after publication |