[发明专利]一种基于稀疏表达图的高光谱图像半监督分类方法

说明书

本发明公开了一种基于稀疏表达图的高光谱图像半监督分类方法，包括：根据高光谱图像的像元数据，得到类别概率矩阵，所述像元数据包括标记类别的像元数据和未标记类别的像元数据；利用类别概率矩阵和像元数据的空域信息构建正则项，根据正则项得到有约束的稀疏表达目标函数，利用稀疏表达目标函数得到相似性权值矩阵；根据相似性权值矩阵，利用标记传播得到高光谱图像的每个像元的类别。本发明有效解决了现有图构造方法中存在的对噪声敏感、需手动设置参数、判别性不够的问题，适用于少量标记类别下高光谱图像分类的应用场合。

技术领域

本发明属于模式识别技术领域，更具体地，涉及一种基于稀疏表达图的高光谱图像半监督分类方法。

背景技术

高光谱遥感是具有高的光谱分辨率的遥感科学和技术，它具有“图谱合一”特性，将代表地物性质的光谱和确定地物空间的图像结合在一起，能够获取地球表面丰富的光谱和空间信息，使得在传统多光谱遥感中不可识别的地物，在高光谱中能够被识别。因此，高光谱遥感可以获取地物丰富的细节信息，鉴别地物间微小的差别，凭借其对地物属性的准确描述成功应用于地物的精细分类。对于有监督高光谱图像分类，需要足够数量的标记样本，但是对高光谱图像获取类别标记数据，是一项耗时耗力，成本高昂的工作。针对上述问题，能利用少量标记样本和大量未标记样本的半监督学习方法被提出来解决上述问题。这些方法大概被分成以下三类：1)生成模型；2)低密度分隔算法；3)基于图的算法。在这些方法中，由于具有更优的数学模型和闭式解，基于图的半监督学习方法得到了学术界的广泛研究。

基于图的半监督学习算法的核心是图的构造。基于图的半监督方法一般包含两步，首先构造一个图，其中顶点集由标记样本和未标记样本组成，边表示样本间的相似性，然后在图中通过成对样本间的相似性将标记从有标记样本传播到未标记样本。尽管许多不同的目标函数被用来刻画标记传播过程，但是它们大多采用聚类假设，也就是说位于同一个流形或结构的样本很有可能拥有相同的标记。而这个潜在的流形结构是可以用图结构来近似表示。因而，图构造是基于图的半监督学习算法中非常关键的步骤。

目前存在的图构造方法大体可以分为三类：1)基于欧式距离的方法。这类方法通常是利用k近邻准则来获得局部近邻，然后是采用二进制权重或者高斯核权重来编码样本的相似性；2)基于局部自我表达模型的方法。这类方法通过将每个样本表示为局部邻域的线性组合来获得权重；3)基于全局自我表达模型的方法。他们将每个样本表示为所有其它样本的线性组合来得到权重，例如，基于稀疏表达的方法和基于低秩表达的方法。基于欧式距离的方法和基于局部自我表达的模型取决于局部邻域参数(例如k)，通常对噪声和误差很敏感，而且要手动设置参数不能产生自适应的邻域。针对干扰数据，基于全局的自我表达模型采用一些正则项来约束数据和表示矩阵，从而能够对噪声和局部误差有很好的鲁棒性。然而，这类方法在实际应用中也存在一些问题。在理想的情况下，基于全局的自我表达模型希望得到的线性系数是结构稀疏的，也就是说，只有那些和目标样本属于同类的样本点才有非零的系数值。不幸的是，这样的假设通常只有在如下条件下才能成立：所有的样本点位于独立的、不相连的子空间。换句话说，如果存在相互依赖的的子空间、非线性子空间，这种方法很可能就选择不同类别的样本点来表达某个样本，从而使得表示矩阵缺乏判别性。

由此可见，现有技术存在对噪声敏感、需手动设置参数、判别性不够的技术问题。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于稀疏表达图的高光谱图像半监督分类方法，由此解决现有技术存在对噪声敏感、需手动设置参数、判别性不够的技术问题。

为实现上述目的，按照本发明的一个方面，提供了一种基于稀疏表达图的高光谱图像半监督分类方法，包括：

(1)根据高光谱图像的像元数据，得到类别概率矩阵，所述像元数据包括标记类别的像元数据和未标记类别的像元数据；