[发明专利]基于投影结构稀疏编码的高光谱图像分类方法

摘要

本发明公开了一种基于投影结构稀疏编码的高光谱分类方法，主要解决现有技术不能有效利用高光谱图像邻域信息进行分类的问题。其实现步骤为：(1)读入高光谱图像数据；(2)在高光谱图像有标签的光谱向量中确定训练样本集和测试样本集；(3)根据训练样本集求解投影矩阵；(4)根据高光谱图像训练样本的投影矩阵，求测试样本集稀疏系数；(5)根据投影矩阵和测试样本集的稀疏系数，利用误差判别函数对测试样本进行判定，得到测试样本地物类别标签。本发明具有分类精度高，处理高维数据花费代价小的优点，可用于对高光谱图像的地物区分。

主权项

一种基于投影结构稀疏编码的高光谱图像分类方法，包括如下步骤：(1)输入一幅包含k个类别的待分类高光谱图像，将该高光谱图像的每一个像素点设定为一个样本，并对其作归一化处理；(2)在高光谱图像有标签的光谱向量中确定训练样本和测试样本；(3)根据训练样本求得投影矩阵W；(3a)按照下式，计算高光谱图像所有训练图像块的初始稀疏系数：${\mathrm{\β}}_i^{\left(0\right)}s=({\mathrm{\β}}_1^{\left(0\right)},\mathrm{...},{\mathrm{\β}}_{i-1}^{\left(0\right)},{\mathrm{\β}}_i^{\left(0\right)},{\mathrm{\β}}_{i+1}^{\left(0\right)},\mathrm{...}{\mathrm{\β}}_n^{\left(0\right)}),$其中，表示X_i对应的初始稀疏系数，通过下式求得：$\underset{{\mathrm{\β}}_i^{\left(0\right)}}{\min }\frac{1}{2}\left|\right|A_{-i}{\mathrm{\β}}_i^{\left(0\right)}-X_i|{|}_F^2+{\mathrm{\λ}}_1|\left|{\mathrm{\β}}_i^{\left(0\right)}\right|{|}_2+{\mathrm{\λ}}_{2}tr\left({\mathrm{\β}}_i^{\left(0\right)}L{\left({\mathrm{\β}}_i^{\left(0\right)}\right)}^T\right),i=1,2,\mathrm{...},n$式中，X_i表示以x_i为中心的5×5空间窗口的训练图像块；x_i表示的第i个训练样本；A_‑i表示训练字典,A_‑i＝(x₁,…,x_i‑1,x_i+1,…,x_n)∈R^m×(n‑1),m表示高光谱图像的波段数，n表示训练样本个数；表示矩阵的转置矩阵；表示求Frobenius范数的平方和操作；||·||₂表示求2范数操作；λ₁表示求2范数正则项的正则化参数；λ₂表示空间拉普拉斯正则项的正则化参数；tr表示对矩阵求迹的操作；L表示拉普拉斯图正则矩阵，L＝I‑D^‑1/2GD^‑1/2，G表示空间约束矩阵，g_st表示为G的第s行第t列的元素；NB(y_i)是以y_i为中心的5×5空间窗口，是位于(i_s,j_s)的像素点y_s与位于(i_t,j_t)的像素点y_t之间的距离，(i_s,j_s)表示y_s在5×5窗口中位置，(i_t,j_t)表示y_t在5×5窗口中位置；D是对角矩阵，其对角元素是G中每行元素之和；(3b)按照下式，求得高光谱图像训练样本的初始投影矩阵W⁽⁰⁾：

×

专利文献下载

说明：

1、专利原文基于中国国家知识产权局专利说明书；

2、支持发明专利 、实用新型专利、外观设计专利（升级中）；

3、专利数据每周两次同步更新，支持Adobe PDF格式；

4、内容包括专利技术的结构示意图、流程工艺图或技术构造图；

5、已全新升级为极速版,下载速度显著提升！欢迎使用！

请您登陆后，进行下载，点击【登陆】 【注册】

友情链接：交换友情链接需要网站权重大于4，网站收录10W以上，如符合条件，请联系QQ：。

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

周一至周五 9:00-18:00

版权所有http://www.vipzhuanli.com/公布日期

咨询在线客服

tel code back_top

服务热线：

投诉建议：

扫一扫，微信关注钻瓜专利网

定制专利/购买专利

行业大牛为您服务 快来咨询~