[发明专利]高光谱图像复选性加权分类方法

说明书

(一)技术领域

本发明涉及一种高光谱图像的分类方法，特别是一种基于最小二乘支持向量机(最小二乘SVM)的高光谱图像复选性(多重)加权分类方法，属于模式识别领域。

(二)背景技术

随着遥感技术的发展，高光谱图像(HSI)得到了越来越广泛的应用。高光谱图像中的基本像元为高维数据向量，将其正确分类是高光谱数据分析的最基本、最重要内容。在众多的高光谱图像分类方法中，支持向量机(SVM)以其优良的分类性能得到广泛好评和使用。SVM在发展过程中出现了许多结构类型。在这些结构类型中，最小二乘SVM受到了普遍欢迎，其主要原因在于，最小二乘SVM的代价函数是一个仅带有等式约束的的优化问题，其求解可在线性系统中进行。虽然最小二乘SVM在高光谱图像分类中表现出良好的性能，但如何进一步提高其分类性能仍然是一项值得研究的内容。在高光谱图像分类过程中，最小二乘SVM的泛化表现对于训练过程中的野值点和噪声干扰像元(统称为异常像元)较为敏感，而它们又常常不可避免地广泛存在于高光谱数据之中，影响了模型的准确性。最小二乘的建模方法过于依赖训练样本，对异常像元的存在很敏感，通常少量异常像元的引入就可能完全破坏模型的泛化性能。

2002年J.A.K.SUYKENS提出最小二乘SVM的加权方法，使得高光谱图像中受到噪声干扰严重的像元和野值点得到有效控制，从而获得了更加良好的鲁棒特性和推广能力。这种加权的方法包含一次的预备训练。而我们知道，一次训练所需要的计算量一般较大，尤其是当训练样本较多时，该方法将变得极为耗时。由于这一原因，该方法并没有得到有效推广。

上面的加权方法以及其他现有的基于SVM的高光谱图像分类加权方法都是针对训练样本实施的，而对于如下两种情况却少有文献考虑。其一，高光谱图像不同的特征(或称波段，谱段)对于类别可分性的影响是不同的，即他们对分类的作用是不同的，因此在分类器设计中不应等同对待；其二，在实际应用中，遥感数据类别众多，而不同类别对于高光谱数据分析的意义往往不同，或者说研究者对于他们所感兴趣的程度不同，因此也同样需要在分类器设计中加以考虑。传统的特征选择方法可以将对于类别可分性影响较大的特征提取出来，但这种方式明显地缺乏灵活性而影响分析效果。

(三)发明内容

本发明的目的在于提供一种对像元、特征和类别进行多重加权处理的基于最小二乘SVM的高光谱图像复选性加权分类方法。

本发明的目的是这样实现的：

本发明它至少包括样本加权、特征加权或类别加权处理过程的一个；

1)所述的样本加权过程包括：

①为每个训练样本像元x_i计算其相应的距离D(x_i，x₀)，其计算公式为：

D(x_i，x₀)＝(K(x_i，x_i)+K(x₀，x₀)-2K(x_i，x₀))^1/2，i＝1，2，Λ，n.    (1)

其中，x₀为样本x_i所对应的类中心(即该类全部样本的平均值)，函数K(·，·)为SVM中的核函数；

②对距离D(x_i，x₀)进行归一化处理，归一化处理所选用的公式为：