[发明专利]一种遥感图像的分类方法

摘要

本发明提供了遥感图像的分类方法，首先获取遥感图像中地物的样本，然后构建用于地物分类的半监督神经网络模型，最后基于半监督神经网络进行地物分类。本发明在半监督神经网络中引入结构性误差代替经验误差，有效地避免了当目标函数局部取得局部极小值带来的分类错误；并在极值求解过程中引入了用于求解非线性优化的拟牛顿极值求解算法，从而有效地提高了地物分类精度，为后续进一步进行环境检测、地形测绘等应用提供有益保障。

主权项

一种遥感图像的分类方法，其特征在于包括下述步骤：(a)从遥感图像中提取各个像素的灰度特征，根据不同地物具有不同灰度值的特性，对遥感图像中已知地物类别的部分进行标记，从而获得标记样本；未知类别部分则作为无标记样本；将标记样本与无标记样本集合，即得到了用于进行分类的样本数据，具体如下：以遥感图像中像素的灰度值作为描述地物的特征，从包含多种地物的遥感图像中，提取遥感图像中各类地物的特征，形成一个由像素灰度值组成的样本集合其中样本x1,x2,…,xl,xl+1,…,xn表示遥感图像中各个像素的一维灰度特征向量，n表示所有遥感图像中包含的像素个数；针对样本集合人工为其前l个样本标记类别，形成标记集合{y1,…,yl}，其中yi∈{‑1,+1}(i＝1,2,...,l)，其中每个像素灰度值xi是实数，并且标记yi∈{‑1,+1}；而样本集合中后u个数据点为未标记数据；对图像进行半监督分类也就是构建并求解目标函数的过程，决策函数f的最小化正则化函数为：其中，V表示标记数据导致损失的代价函数，γM控制数据边缘分布内蕴几何的复杂度，在构建的新模型中，选择神经网络构造f(w,x)，在模型中，用于解决不适定问题的Laplacian正则化项改为根据nguyen‑widrow设置初始权值，使用l+u个节点构造数据邻域图，边缘的权值为Sij，由这些权值形成一个(l+u)×(l+u)矩阵S，那么L＝D‑S，其中D为S的对角矩阵，其对角元素且f＝[f(w,x1),…f(w,xl+u)]T；(b)构建用于地物分类的半监督神经网络模型，该神经网络模型为一个三层感知神经网络，其中输入层包括1个神经元，隐层包括三个神经元，输出层包括4个神经元；在该神经网络中，将SVM中的结构性误差引入代替感知神经网络的经验误差，以此作为新的正则化目标函数，从而得到了基于结构误差的新的半监督神经网络模型；具体如下：选择三层的多层感知网络，一个输入层、一个输出和一个隐层，输入层用于输入样本的特征向量，输出层输出的是样本的类别；对于具有Sigmoid激发函数的三层MLP：f(x)＝W(2)h(W(1)x+b1)+b2，其中，x是输入的样本，W(1)、W(2)分别表示输入层到隐层、隐层到输出层的权值，b1表示隐层的输出结果；b2表示输出层的输出结果，h为隐层输出矢量函数；假设输出层b2＝0，则隐层输出矢量y(1)＝h(W(1)x+b1)，那么分类超平面可以写成W(1)y(1)＝0，空间的点与分类超平面的距离为d，表示式如下：d=f(x)||W(2)||---(3)]]>则对于已标记的样本，可以得到新的正则化目标函数其中n为隐神经元的数目，u为未标记样本个数，l是标记样本个数；γ为正则化因子，f＝[f(x1),…f(xl+u)]T，表示样本集合，即不同数量的样本构成不同的集合；fT表示为f的转置；输出目标yi的值为‑1或1；在对神经网络训练过程中，使用拟牛顿法以加速算法的收敛，同时，由于用未标记样本辅助构建损失函数，能够更为准确的描述样本的真实分布；(c)采用拟牛顿进行求解半监督神经网络，进行地物分类。