[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

说明书

本发明公开了基于稀疏表示模型的可解释多源遥感影像联合分类方法，包括以下步骤；加载高光谱、激光雷达图像以及相应的地物标签图并进行预处理；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，得到待分类样本点的光谱和高程信息；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；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；获得多模态地物特征，通过分类器，得到分类结果。本发明将神经网络模型可解释化，提升了网络模型的泛化性能，提高了分类的精度。

技术领域

本发明属于遥感图像处理技术领域，具体涉及基于稀疏表示模型的可解释多源遥感影像联合分类方法。

背景技术

在遥感领域中已经有大量算法用来实现高光谱图像和激光雷达图像地物分类。现有的方法主要分为两大类，基于模型的方法和基于深度学习的方法。

基于模型的方法经过了大量推导，理论严谨，易于理解，并在实际应用中取得了不错的地物分类结果。一般来说，这些方法包含两个步骤。首先，他们将高光谱数据表示在特征空间中，降低维数并提取一些信息含量高的特征，将提取的特征送入分类器。在传统的训练方法中，具有非线性核的支持向量机非常受欢迎，特别是在训练数据有限的情况下。极限学习机(ELM)也被用于高光谱图像分类，从高光谱图像中提取局部二进制模式(lbp)并用于分类。在对未标记高光谱图像进行分类时，常常使用随机森林的鉴别能力。基于稀疏表示的方法，将像素表示为几个字典原子的线性组合，在降低复杂度的同时提取样本的主要特征。

随着人工神经网络的提出，深度学习方法已经广泛应用于遥感图像分类并取得更优异的结果，深度学习的快速发展也为高光谱图像和激光雷达图像地物分类的研究带来了许多新的方法和思路。上述经典的基于模型的方法往往只考虑样本点为光谱矢量的集合，而不考虑其空间信息。双分支卷积神经网络(TBCNN)开发了一个双隧道CNN框架来提取HSI的光谱空间特征，同时提取高光谱图像的空间特征和光谱特征，取得了更优异的分类性能。多注意层次融合网络(MAHiDFNet)充分考虑了不同传感器数据之间的相关性和异质性，开发了三分支HSI-LiDAR卷积神经网络(CNN)主干，以同时提取土地覆盖对象的空间特征、光谱特征和高程特征，取得了优异的分类结果。

基于模型的方法有严谨的理论证明，但是不能自适应地反映高光谱图像复杂的光谱和空间结构；而深度神经网络具有很强的非线性建模能力，并能有效地提取待分类样本点的空谱信息，但是深度神经网络缺乏可解释性，黑箱设置导致内部结构难以观察，超参数等网络参数设置依赖经验和尝试，泛化性较差。

发明内容

为了克服上述现有技术存在的不足，本发明的目的在于提供基于稀疏表示模型的可解释多源遥感影像联合分类方法，采用了自适应空谱信息融合模型，该模型自适应地对待分类样本的像素进行空间信息加权，充分利用待分类样本的空间信息；并构造可解释的稀疏表示理论相对应的网络模型，构建稀疏表示模型求解过程的约束函数。神经网络模块的各个模块与迭代优化过程中的理论完全对应，实现了将严谨的稀疏表示理论与神经网络相结合，克服了深度神经网络的不可解释性，提高了网络模型的泛化性能。

为了实现上述目的，本发明采用的技术方案是：

基于稀疏表示模型的可解释多源遥感影像联合分类方法，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