[发明专利]基于稀疏表示模型的可解释多源遥感影像联合分类方法

权利要求书

1.基于稀疏表示模型的可解释多源遥感影像联合分类方法，其特征在于，包括以下步骤；

加载相同时相的高光谱图像、激光雷达图像以及该时相下的地物标签图并进行预处理；

预处理后的高光谱和激光雷达图像为样本点的光谱和高程信息，将预处理后的高光谱和激光雷达图像划分为训练集和测试集；

引入自适应空谱信息融合模块，得到高光谱图像含空谱信息和激光雷达图像含有空间高程信息的待分类样本特征，并从每类样本特征中选取部分作为初始训练字典和

利用样本点空谱信息和空间高程信息和初始训练字典通过稀疏表示模型迭代m次得到稀疏系数矩阵和

级联高光谱图像稀疏系数矩阵和激光雷达图像稀疏系数矩阵作为多模态地物特征通过分类器，得到分类结果。

2.根据权利要求1所述的基于稀疏表示模型的可解释多源遥感影像联合分类方法，其特征在于，对预处理后的高光谱图像和激光雷达图像进行自适应空谱信息联合得到融合空谱信息的高光谱图像和激光雷达图像L；

通过自适应空谱信息融合模块使用欧几里德距离计算相邻像素和中心像素之间的相似性，计算相邻像素权重并自适应加权到中心像素中，含有空谱特征的高光谱样本点通过下式获得：

其中h_i表示与中心像素h相邻像素中的第i个像素，n是相邻像素的数量，ω_i是h_i对应的权重，该权重针对每个相邻的像素进行自适应调整；

含有空间高程信息的激光雷达图像样本点通过下式获得：

其中l_j表示与中心像素l相邻中的第j个像素，n是相邻像素的数量，ω_j是l_j对应的权重，该权重针对每个相邻的像素进行自适应调整；

ω_i和ω_j越大，意味着h_i和h越相似，l_j和l越相似，更可能属于同一类地物，通过自适应加权H与L中每个样本像素周围邻域的空间信息获得含有空谱信息高光谱样本点和空间高程信息的激光雷达样本点因此，和L中的每个样本点不仅包含了地物的光谱和高程特征，还自适应地加权了地物周围的空间信息，从而更完整地提取了图像地物特征。

3.根据权利要求2所述的基于稀疏表示模型的可解释多源遥感影像联合分类方法，其特征在于，同一类地物使用相同的特征来表示，任意所述同一类地物能够使用代表所有类别地物的特征(字典)乘以该类地物的权重来进行表示，该线性表示为；

H≈D_HA_H＝[d₁,d₂,d₃…d_M*N][α₁,α₂,α₃…α_M*N]^T

其中D_H为一个大小为M*N的字典,M为地物类别数，N为字典中每类地物所取的数目，α_M*N表示稀疏系数矩阵，代表字典的权重，因此一个待分类的样本可以通过字典乘以稀疏系数矩阵来表示。

4.根据权利要求2所述的基于稀疏表示模型的可解释多源遥感影像联合分类方法，其特征在于，所述空谱信息融合模块首先使用欧氏距离计算大小为B×B的空间像素与中心像素的相似性(权重)，再通过SoftMax层将权重归一化，通过加权求和得到高光谱和激光雷达图像带有空谱信息的样本点，使用卷积层对该光谱向量进行特征提取，得到待分类样本点的空谱特征，在特征提取过程末端将高光谱图像与激光雷达图像的待分类样本点通道数保持一致，便于后续稀疏系数矩阵和的拼接。