[发明专利]基于局部-非局部不确定性分析的高光谱图像分类方法

说明书

本发明公开了一种基于局部‑非局部不确定性分析的高光谱图像分类方法，其实现步骤为：首先通过变量分离和增广拉格朗日(LORSAL)算法来学习最大后验概率参数ω，用逻辑回归将ω建模为一个随机向量，ω表示像素属于某一类是有一定概率的。又利用多项式逻辑回归(MLR)模型来推断后验概率P(y_i|x_i)，即P(y_i|x_i)＝P(y_i|x_i，ω)，接着由得到对应于像素x_i的空间先验概率。又基于非局部区域的后验概率(CBS)P(y_i|x_i，v_i)不仅与特征x_i本身有关，还与特征x_i的非局部区域向量v_i相关，所以可以将空间先验信息和类后验概率分布相结合，即为基于非局部区域的后验概率，主要解决基于空谱联合的高光谱图像分类方法中只考虑有限范围空间结构造成的分类精度下降和小样本训练数据集分类精度低的问题。

技术领域

本发明属于图像分类技术领域，涉及一种基于局部-非局部不确定性分析的高光谱图像分类方法。

背景技术

高光谱图像分类在地质研究和植被调查等方面一直是热点研究课题。尤其是在地物分类中，研究者通过对高光谱传感器获取的高光谱图像进行像素标记，以达到地物分类的目的。高效以及高精确度的高光谱图像分类算法可以在地质检测、植被研究、城市规划、军事侦察和土地利用等方面发挥巨大的作用。

在传统方法中，仅利用光谱维度信息的逐像素高光谱图像分类方法有计算简单、便于拓展等特点，然而并未考虑样本的空间关联性，即地物分布的空间连续性，这会导致两个主要问题：1)在较小的样本下难以对如此高维的数据学习出一个高精度的分类器，这即是著名的休斯现象；2)高维的光谱特征往往会导致分类模型中需要估计的参数量的增加，这会造成过拟合以至于模型的泛化性能难以提升。另外，同一类地物受光照强弱、阴影等因素的影响，其光谱特征也不尽相同，因而不包含空间信息的逐像素分类方法难以取得令人满意的分类结果。相比SAR图像和多光谱图像来说，高光谱图像虽然建模时需要大量的参数，但同时也提供了丰富的空间信息和光谱信息，显著地提高了图像数据分析的质量、细节性、可靠性以及可信度。到目前为止，使用图像的光谱信息和空间信息的高光谱图像分类方法也已经被众多学者关注和研究，在提高分类精度方面取得了比较好的效果。

目前提出的高光谱分类方法有：

曹相湧等在文章“基于马尔可夫随机场和卷积神经网络的高光谱图像分类”中提出了一种新的遥感高光谱图像(HSI)监督分类算法，它将光谱和空间信息集成在一个统一的贝叶斯框架中。首先，该分类方法从贝叶斯的角度来表述高光谱图像分类问题。然后，采用卷积神经网络(CNN)，使用补丁式训练策略来学习后验类分布，以更好地利用空间信息。接下来，通过在标签上放置空间平滑度，可以进一步考虑空间信息。最后，我们使用随机梯度下降迭代更新CNN参数，并使用基于α扩展的最小割算法更新所有像素向量的类标签。然而，该方法以牺牲大量人工标记的数据集为代价，同时CNN对数据有很强的贪婪属性。虽然在现实世界中，获得大量未标记的数据集相对简单，但数据集的手工标签的成本很高；对于那些标签需要高度专业知识的领域尤其如此。