[发明专利]基于Jeffries-Matusita距离和类对决策树的高光谱数据多分类方法

说明书

本发明公开了一种基于Jeffries‑Matusita距离和类对决策树的高光谱数据多分类方法，其步骤如下：一、计算两两类别之间的Jeffries‑Matusita距离，得到Jeffries‑Matusita距离矩阵；二、基于总体可分性度量得到执行顺序表，构建类对决策树；三、采用基于Jeffries‑Matusita距离的加权核SVM分类器执行整个类对决策树策略所确定的分类任务，直到完成叶节点的二分类任务，得到最终单一类别属性。本发明通过引入Jeffries‑Matusita距离加权矩阵，使得分类器在训练的过程中充分利用样本的类间信息，且不会造成太大的参数波动。同时在区分单一样本时使用较少的二分类器，且每层“淘汰”了一半了类别，增强了加权分类的针对性，从而将每个子分类器的分类误差进一步降低，提高了分类精度，适用于高光谱数据的模式识别应用。

技术领域

本发明属于模式识别领域，涉及一种单独定制子分类器的基于Jeffries-Matusita距离的加权核SVM分类方法。

背景技术

高光谱图像数据利用窄波段获取图像数据，通常从可见光波段到热红外波段获得数百个波段的数据，图像的光谱分辨率可达到纳米数量级。可以把整个数据看成三个维度的数据长方体，其中两维确定对象在观测平面中的位置，第三维确定对象在光谱波长中的位置。由于高光谱图像空间维与光谱维相结合这一特点，在目标识别过程中的表述区分能力十分优秀。在这种运用中，支持向量机(SVM)是一种非常有效的工具。由于其核函数和核技巧的使用，可以将非线性问题转化为线性问题求解。

高光谱图像数据各维度之间统计特征不同，可通过概率统计中的可分性概念进行定量分析，来对其进行综合利用。对于高光谱数据的多分类任务，某些特定波段会比其他波段包含更多的有用信息，可以通过波段处理方法来突出这些特定波段的作用。在SVM分类器的框架下，定制专属的加权核函数是最直接的方法，即根据各波段所含有用信息的多少来分配不同的加权系数。通过加权核函数可以精炼样本中对分类有帮助的信息，从而提高分类精度。

由于SVM在本质上只能完成二分类任务，加权核SVM同样是一个二分类器，所以高光谱数据的典型多分类应用往往需要借助多个SVM及一定的策略来构建多分类器。对于组建多分类器的各SVM，以往的研究都采取了一致对待的简单方案。更加精确的方法是采取一种更为有利的多分类方案，即根据各子分类器所处理的两类对象的特点对其进行核函数的单独定制。在多分类策略上，广泛应用的有OAA(One-Against-All，一对多)、OAO(One-Against-One，一对一)A&O(All-and-One，一对多和一对一混合)、DAG(Direct AcyclicGraph，有向无环图)以及BTS(Binary Tree of SVM，二叉树支持向量机)，他们各有优缺点，而多类支持向量机为了保证分类精度与泛化能力，通常会采取一种折衷的办法解决问题。类对决策树(Pairwise Decision Tree，PDT)是一种类似于“淘汰赛”的多类策略，在决策时每一层次并行处理多个“赛事”，即同时处理多个二分类问题，减少了单个样本所需的分类次数，进而减少潜在的累积误差；但是该策略需要一种好的分类器相配合，否则每一级分类所造成的误差都会直接传导并影响最终的分类精度。因此我们考虑将类对决策树与定制化的加权核SVM分类相结合，因为再优秀的分类器也有其适用范围，所以只有定制化的分类器才能得到满意的分类效果。

在鉴别模式识别中的分类有效性方面，分类错误率是一种常用的度量值。但是分类错误率函数过于复杂，以至于无法作为一种分析手段加以应用。因此错误率的最小上界被广泛运用。常用的错误率上界有Chernoff距离，Bhattacharyya距离和Jeffries-Matusita距离，Jeffries-Matusita距离作为错误率上界可以指导核分类器的分类策略，使得分类有效性好的波段在分类器中能够发挥更大的作用，从而提高分类精度。一般而言，Jeffries-Matusita距离较前两者的运算复杂度稍高，但是衡量的准确性也更好。

发明内容