基於半監督核自適應學習的遙感高光譜圖像分類方法
2023-05-31 03:26:51
專利名稱：基於半監督核自適應學習的遙感高光譜圖像分類方法
技術領域：
本發明涉及一種遙感高光譜圖像的分類方法。
技術背景
高光譜圖像不僅波段較多，一般觀測地物類型複雜，可以分為植被、田地、建築物、 道路、水域、沼澤地、裸土等多個地物類別。若每個像元代表一種地物類型，那麼該像元稱為 端元(End-member)。為提高圖像解析度，需對端元進行分類以區分不同地物。目前常用的 高光譜圖像端元分類算法可分為有監督和無監督算法，前者已知地物類屬判斷每個端元代 表的地物類別的分類算法，而後者則未知地物種類純粹依靠光譜統計差異進行分類。常用 的有監督分類方法包括光譜角填圖法、二進位編碼法、平行六面體方法、最小距離法以及最 大似然法等方法；常用的無監督分類方法包括IsoData方法和K-Means方法等方法。除了上述傳統的分類方法外，還有一些新的分類方法，如基於各種神經網絡、決策 樹、支持向量機和專家系統等的分類方法。然而，目前高光譜圖像端元分類方法由於受到採集樣本的限制，面臨機器學習領 域廣泛存在且尚待解決的小樣本問題，用於高光譜圖像端元分類的分類器不能獲得最大泛 化能力，不能獲得最優圖像解析度。
發明內容
本發明的目的是解決目前遙感高光譜圖像分類方法存在解析度低的問題，提供了 一種基於半監督核自適應學習的遙感高光譜圖像分類方法。基於半監督核自適應學習的遙感高光譜圖像分類方法，它的過程如下
步驟一、對高光譜圖像訓練樣本集的標註形式進行判定若標註形式為類標籤信息，則 執行步驟二 ；若標註形式為邊信息，則執行步驟三；
步驟二、對高光譜圖像訓練樣本集中的所有樣本進行標註，然後利用Fisher準則和最 大間隔準則獲得優化目標函數，然後通過基於遺傳算法的自適應尋求算法對獲得的優化目 標函數進行計算，獲得最優參數，然後執行步驟四；
步驟三、對高光譜圖像訓練樣本集中的所有樣本進行標註，然後利用全局流形保持設 計準則獲得優化目標函數，然後通過基於拉格朗日方法的自適應尋求算法對獲得的優化目 標函數進行計算，獲得數據依賴核參數，然後執行步驟四；
步驟四、根據具體應用情況判斷核函數的結構類型若結構類型為不變結構，則執行步 驟五；若結構類型為變結構，則執行步驟六；
步驟五、獲得不變結構的最優核函數，然後執行步驟七； 步驟六、獲得變結構的最優核函數，然後執行步驟七；
步驟七、根據獲得的最優核函數，獲得最優半監督分類器；利用獲得的最優半監督分類 器，對實測遙感高光譜圖像進行分類，獲得該遙感高光譜圖像的類別。
本發明能夠準確地對遙感高光譜圖像的端元進行分類，提高了遙感高光譜圖像的 解析度，能夠應用於地形軍事目標偵察、高效的戰事打擊效果評估、海軍潛艇實時海上環境 監測、突發自然災害的應急響應技術領域。
圖1為本發明的基於半監督核自適應學習的遙感高光譜圖像分類方法的流程圖； 圖2為步驟二的具體過程的流程圖；圖3為步驟三的具體過程的流程圖；圖4為步驟五的具 體過程的流程圖；圖5和圖6分別為步驟六中所述獲得變結構的最優核函數的兩種過程的 流程圖。
具體實施例方式具體實施方式
一本實施方式的基於半監督核自適應學習的遙感高光譜圖像分 類方法，它的過程如下
步驟一、對高光譜圖像訓練樣本集的標註形式進行判定若標註形式為類標籤信息，則 執行步驟二 ；若標註形式為邊信息，則執行步驟三；
步驟二、對高光譜圖像訓練樣本集中的所有樣本進行標註，然後利用Fisher準則和最 大間隔準則獲得優化目標函數，然後通過基於遺傳算法的自適應尋求算法對獲得的優化目 標函數進行計算，獲得最優參數，然後執行步驟四；
步驟三、對高光譜圖像訓練樣本集中的所有樣本進行標註，然後利用全局流形保持設 計準則獲得優化目標函數，然後通過基於拉格朗日方法的自適應尋求算法對獲得的優化目 標函數進行計算，獲得數據依賴核參數，然後執行步驟四；
步驟四、根據具體應用情況判斷核函數的結構類型若結構類型為不變結構，則執行步 驟五；若結構類型為變結構，則執行步驟六；
步驟五、獲得不變結構的最優核函數，然後執行步驟七； 步驟六、獲得變結構的最優核函數，然後執行步驟七；
步驟七、根據獲得的最優核函數，獲得最優半監督分類器；利用獲得的最優半監督分類 器，對實測遙感高光譜圖像進行分類，獲得該遙感高光譜圖像的類別。步驟一至步驟七的流程詳見圖1。步驟二所述的對高光譜圖像訓練樣本集中的所有樣本進行標註的具體過程可以 為
步驟二一、按照類標籤信息的標註形式，對高光譜圖像訓練樣本集中的每個樣本進行 標註，則存在未標註樣本；
其中，在所述高光譜圖像訓練樣本集中，部分樣本的類別已知，則可對這部分樣本進行 標註，另外一部分樣本的類別未知，則無法對所述另外一部分樣本進行標註。此外，在本實 施方式中，未知類別的樣本所涉及的所有類別，均已包含於已知類別的所有樣本的類別中。步驟二二、以生成式模型作為分類器，將未標註樣本屬於每個已知類別的概率視 為一組缺失參數，然後採用EM算法對未標註樣本進行標註估計，再以估計的結果對所述未 標註樣本進行標註。步驟二的詳細步驟見圖2。
步驟三所述的對高光譜圖像訓練樣本集中的所有樣本進行標註的具體過程可以 為
步驟三一、獲得所述高光譜圖像訓練樣本集的正約束圖和k最近鄰圖，根據獲得的正 約束圖和k最近鄰圖，構造一個內在圖，使得該內在圖的一部分與所述正約束圖相對應，使 得該內在圖的另一部分與所述k最近鄰圖相對應，同時，使該內在圖內的數據在經驗特徵 空間內的緊湊性最強；
步驟三二、獲得所述高光譜圖像訓練樣本集的負約束圖和非k最近鄰圖，根據獲得的 負約束圖和非k最近鄰圖，構造一個懲罰圖，使得該懲罰圖的一部分與所述負約束圖相對 應，使得該懲罰圖的另一部分與所述非k最近鄰圖相對應，同時，使該懲罰圖內的類間數據 在經驗特徵空間內的分散性最強；
步驟三三、根據構造的內在圖和懲罰圖，對高光譜圖像訓練樣本集中的所有樣本進行 標註。步驟三的詳細步驟見圖3。步驟五所述的獲得不變結構的最優核函數的具體過程可以為
步驟五一、對步驟二獲得的最優參數或步驟三獲得的數據依賴核參數進行初始化，將 初始化後的參數進行編碼後作為候選解；
步驟五二、根據優化目標函數計算所述候選解的適應度，保留適應度大於或等於閾值 的候選解，捨棄其它候選解；
步驟五三，對保留的候選解進行複製、交叉以及變異等操作，生成新的候選解； 步驟五四、對新的候選解進行解碼，即得到最優核優化參數，進而獲得不變結構的最優 核函數。其中，在步驟五一中所述的「對步驟二獲得的最優參數或步驟三獲得的數據依賴 核參數進行初始化」的過程中，選擇所述最優參數還是所述數據依賴和函數進行初始化的 標準如下
若步驟一中的標註形式為類標籤信息，則選擇步驟二獲得的最優參數進行初始化；若 步驟一中的標註形式為邊信息，則選擇步驟三獲得的數據依賴核參數進行初始化。在步驟五二中，所述閾值為根據實際情況進行設定的已知值。步驟五的詳細步驟見圖4。在步驟六中，
當步驟一中判定的標註形式為類標籤信息時，所述獲得變結構的最優核函數的具體過 程可以為步驟Al至步驟A3
步驟Al、利用高光譜圖像訓練樣本集的標註信息，擴展獲得數據依賴核函數，然後求得 所述數據依賴核函數與已知基礎核函數的關係，並求得所述數據依賴核函數的Fisher度 量表達式，然後建立以該數據依賴核函數參數為自變量的Fisher度量函數；
步驟A2、根據所述訓練樣本集的標註信息進行優化目標函數設計，建立一個用於求解 最優數據依賴核參數的約束方程；
步驟A3、利用循環迭代的方法對所述約束方程進行計算，獲得以訓練樣本集為變量的 最優解表達式，然後將訓練樣本集代入所述最優解表達式，計算獲得自適應參數，進而獲得 變結構的最優核函數。
步驟Al至步驟A3的詳細步驟見圖5。當步驟一中判定的標註形式為邊信息時，所述獲得變結構的最優核函數的具體過程可以為步驟Bl至步驟B3
步驟Bi、利用邊信息標註的訓練樣本集，獲得經驗映射空間內樣本間隔的表達式，然後利用邊信息建立數據依賴核函數表達式，進行優化目標函數設計；
步驟B2、根據樣本間隔表達式、數據依賴核函數表達式及目標函數，建立一個用於求解最優數據依賴核參數的約束方程；
步驟B3、利用拉格朗日乘子法對所述約束方程進行計算，獲得以訓練樣本集為變量的最優解表達式，然後將訓練樣本集代入所述最優解表達式，計算獲得自適應參數，進而獲得 變結構的最優核函數。步驟Bl至步驟B3的詳細步驟見圖6。本發明能夠準確地對遙感高光譜圖像的端元進行分類，提高了遙感高光譜圖像的 解析度，能夠應用於地形軍事目標偵察、高效的戰事打擊效果評估、海軍潛艇實時海上環境 監測、突發自然災害的應急響應技術領域。
權利要求
基於半監督核自適應學習的遙感高光譜圖像分類方法，其特徵在於它的過程如下步驟一、對高光譜圖像訓練樣本集的標註形式進行判定若標註形式為類標籤信息，則執行步驟二；若標註形式為邊信息，則執行步驟三；步驟二、對高光譜圖像訓練樣本集中的所有樣本進行標註，然後利用Fisher準則和最大間隔準則獲得優化目標函數，然後通過基於遺傳算法的自適應尋求算法對獲得的優化目標函數進行計算，獲得最優參數，然後執行步驟四；步驟三、對高光譜圖像訓練樣本集中的所有樣本進行標註，然後利用全局流形保持設計準則獲得優化目標函數，然後通過基於拉格朗日方法的自適應尋求算法對獲得的優化目標函數進行計算，獲得數據依賴核參數，然後執行步驟四；步驟四、根據具體應用情況判斷核函數的結構類型若結構類型為不變結構，則執行步驟五；若結構類型為變結構，則執行步驟六；步驟五、獲得不變結構的最優核函數，然後執行步驟七；步驟六、獲得變結構的最優核函數，然後執行步驟七；步驟七、根據獲得的最優核函數，獲得最優半監督分類器；利用獲得的最優半監督分類器，對實測遙感高光譜圖像進行分類，獲得該遙感高光譜圖像的類別。
2.根據權利要求1所述的基於半監督核自適應學習的遙感高光譜圖像分類方法，其特 徵在於步驟二所述的對高光譜圖像訓練樣本集中的所有樣本進行標註的具體過程為步驟二一、按照類標籤信息的標註形式，對高光譜圖像訓練樣本集中的每個樣本進行 標註，則存在未標註樣本；步驟二二、以生成式模型作為分類器，將未標註樣本屬於每個已知類別的概率視為一 組缺失參數，然後採用EM算法對未標註樣本進行標註估計，再以估計的結果對所述未標註 樣本進行標註。
3.根據權利要求1所述的基於半監督核自適應學習的遙感高光譜圖像分類方法，其 特徵在於步驟三所述的對高光譜圖像訓練樣本集中的所有樣本進行標註的具體過程為步驟三一、獲得所述高光譜圖像訓練樣本集的正約束圖和k最近鄰圖，根據獲得的正 約束圖和k最近鄰圖，構造一個內在圖，使得該內在圖的一部分與所述正約束圖相對應，使 得該內在圖的另一部分與所述k最近鄰圖相對應，同時，使該內在圖內的數據在經驗特徵 空間內的緊湊性最強；步驟三二、獲得所述高光譜圖像訓練樣本集的負約束圖和非k最近鄰圖，根據獲得的 負約束圖和非k最近鄰圖，構造一個懲罰圖，使得該懲罰圖的一部分與所述負約束圖相對 應，使得該懲罰圖的另一部分與所述非k最近鄰圖相對應，同時，使該懲罰圖內的類間數據 在經驗特徵空間內的分散性最強；步驟三三、根據構造的內在圖和懲罰圖，對高光譜圖像訓練樣本集中的所有樣本進行 標註。
4.根據權利要求1所述的基於半監督核自適應學習的遙感高光譜圖像分類方法，其特 徵在於步驟五所述的獲得不變結構的最優核函數的具體過程為步驟五一、對步驟二獲得的最優參數或步驟三獲得的數據依賴核參數進行初始化，將 初始化後的參數進行編碼後作為候選解；步驟五二、根據優化目標函數計算所述候選解的適應度，保留適應度大於或等於閾值 的候選解，捨棄其它候選解；步驟五三，對保留的候選解進行複製、交叉以及變異等操作，生成新的候選解； 步驟五四、對新的候選解進行解碼，即得到最優核優化參數，進而獲得不變結構的最優 核函數。
5.根據權利要求1所述的基於半監督核自適應學習的遙感高光譜圖像分類方法，其特 徵在於在步驟六中，當步驟一中判定的標註形式為類標籤信息時，所述獲得變結構的最優 核函數的具體過程可以為步驟Al至步驟A3 步驟Al、利用高光譜圖像訓練樣本集的標註信息，擴展獲得數據依賴核函數，然後求得 所述數據依賴核函數與已知基礎核函數的關係，並求得所述數據依賴核函數的Fisher度 量表達式，然後建立以該數據依賴核函數參數為自變量的Fisher度量函數；步驟A2、根據所述訓練樣本集的標註信息進行優化目標函數設計，建立一個用於求解 最優數據依賴核參數的約束方程；步驟A3、利用循環迭代的方法對所述約束方程進行計算，獲得以訓練樣本集為變量的 最優解表達式，然後將訓練樣本集代入所述最優解表達式，計算獲得自適應參數，進而獲得 變結構的最優核函數；當步驟一中判定的標註形式為邊信息時，所述獲得變結構的最優核函數的具體過程可 以為步驟Bl至步驟B3 步驟Bi、利用邊信息標註的訓練樣本集，獲得經驗映射空間內樣本間隔的表達式，然後 利用邊信息建立數據依賴核函數表達式，進行優化目標函數設計；步驟B2、根據樣本間隔表達式、數據依賴核函數表達式及目標函數，建立一個用於求解 最優數據依賴核參數的約束方程；步驟B3、利用拉格朗日乘子法對所述約束方程進行計算，獲得以訓練樣本集為變量的 最優解表達式，然後將訓練樣本集代入所述最優解表達式，計算獲得自適應參數，進而獲得 變結構的最優核函數。
全文摘要
基於半監督核自適應學習的遙感高光譜圖像分類方法，它涉及一種遙感高光譜圖像的分類方法，它解決了目前遙感高光譜圖像分類方法存在解析度低的問題。本發明的過程為判定高光譜圖像訓練樣本集的標註形式，獲得優化目標函數，然後獲得最優參數或數據依賴核參數；根據獲得的參數，得到不變結構或變結構的最優核函數，進而獲得最優半監督分類器，利用該分類器即可實現對實測遙感高光譜圖像的分類。本發明能夠準確地對遙感高光譜圖像的端元進行分類，提高了遙感高光譜圖像的解析度，能夠應用於地形軍事目標偵察、高效的戰事打擊效果評估、海軍潛艇實時海上環境監測、突發自然災害的應急響應技術領域。
文檔編號G06K9/66GK101814148SQ20101016020
公開日2010年8月25日 申請日期2010年4月30日 優先權日2010年4月30日
發明者霍振國 申請人:霍振國