[发明专利]基于核张量切片稀疏编码的分类方法

说明书

精确的作物分类在农业领域发挥着重要作用，用于精确作物分类的一个理想数据源是无人机获取的高空间分辨率高光谱影像(highspatial resolutionshyperspectralimagery，H2影像)。然而，对于具有许多不同类别作物的影像，无人机H2影像的作物分类是一个巨大的挑战。无人机H2影像的显著光谱多样性、空间异质性和非线性数据结构导致光谱判别性差。为了提高判别性，本发明提出了一种基于核张量切片稀疏编码的分类方法，用于无人机H2影像的精确作物分类。KTSSCC中的核张量表示机制可以降低线性不可分，同时很好地保留了土地覆盖物的光谱特征和空间约束，从而大大提高了判别性。此外，本发明提出了核张量切片稀疏正交匹配追踪方法，用于优化谱空间中的核张量切片稀疏编码，大大降低了计算成本。

技术领域

本发明涉及精确作物分类技术领域，特别涉及一种基于核张量切片稀疏编码的分类方法。

背景技术

目前精确的作物分类对于农业监测和粮食安全评估很重要。得益于对作物属性的精细光谱响应，近年来，高光谱遥感一直是一种流行的作物分类工具。在中国南方，有许多小农区。所以，平均地块大小大大小于星载或机载高光谱图像中单个像素的覆盖区域，因此难以正确分类农作物。无人机(unmanned aerial vehicle,UAV)技术在过去十年中发展迅速，因此，我们可以通过无人机载系统以低成本实时获取丰富的高空间分辨率高光谱影像(hyperspectral imagery with high spatial resolutions,H2影像)。无人机载H2影像不仅提供了地物的详细光谱属性信息，还提供了它们精确的空间几何形状。因此，它是精确作物分类的理想数据源。

然而，无人机载H2影像的作物分类面临许多挑战。其中一些是高光谱影像分类(hyperspectral imagery classification,HIC)的常见问题，例如维数灾难和复杂的非线性数据结构。其他问题更具体到无人机载H2影像；例如，异常高的空间分辨率导致显著的光谱多样性和空间异质性，从而导致光谱分辨性差。因此，仅使用光谱信息的分类器无法获得令人满意的分类结果，并且给分类图中带来了严重的椒盐(salt-and-pepper，SP)噪声。因此，必须很好地表示无人机载H2影像的光谱特征，以提高光谱判别性。

近年来，深度学习是许多领域的研究热点。为了提高HIC方法的泛化能力，各种深度学习模型被改进并用于挖掘高光谱影像的高级语义特征，例如卷积神经网络(convolutional neural network,CNN)、深度残差网络和图卷积网络(graphconvolutional network,GCN)。这些模型导致了HIC的巨大飞跃。但是，为了得到稳健的分类性能需满足一些要求。首先，需要调整很多模型参数，这是一项非常艰巨和枯燥的工作。其次，它们通常遭受高计算成本的困扰。最后，这些模型需要大量的标记样本，但这在无人机H2影像的作物分类中非常有限。

稀疏表示是一种简单有效的光谱特征表示方法。虽然高光谱影像是高维数据，但来自同一类的高光谱像素大致位于相同的低维光谱子空间。因此，结构化字典中的少量原子可以稀疏地表示未知像素。此外，相关的稀疏表示向量可以对类信息进行隐式编码。通过将空间同质性与这种稀疏表示机制相结合，Chen等人提出了用于HIC的JSCC。JSCC是一种无参数方法，在当时产生了最高的HIC精度。自提出以来，引起了遥感领域的广泛关注，近年来提出了对JSCC的各种改进。JSCC模型及其各种改进可以很好地提取和利用高光谱数据的稀疏性和空间同质性，获得精确的HIC结果。