[发明专利]带有标签学习的遥感图像的半监督多视图特征选择方法

摘要

带有标签学习的高分遥感图像的半监督多视图特征选择方法，属于高分遥感图像的半监督特征选择技术领域。本发明是为了解决现有高分遥感图像特征选择方法中，当只有少量的对象被标出时，监督和无监督的方法不能达到足够好的性能以及视图在高分图像的特征中不可用的问题。它包括以下步骤：一、采集原始图像特征集，生成特征组；二、通过类概率矩阵y_u以及含有专属组信息的对角矩阵F，计算获得由所有特征组中所有特征向量的权重系数构成的原始特征权重系数矢量β；三、迭代计算特征权重系数矢量β，选定预设个数的权重系数，将选定的权重系数对应的全体特征向量作为选择出的特征集。本发明用于高分遥感图像的特征选择。

主权项

1.一种带有标签学习的高分遥感图像的半监督多视图特征选择方法，其特征在于，它包括以下步骤：步骤一：采集原始图像特征集，将原始图像特征集使用相似性传播算法生成多个不相交的特征组，每一个特征组代表同一主题的数据特征；步骤二：通过类概率矩阵yu以及含有专属组信息的对角矩阵F，计算获得由所有特征组中所有特征向量的权重系数构成的原始特征权重系数矢量β；步骤三：采用前一次计算获得的特征权重系数矢量β更新含有专属组信息的对角矩阵F，再迭代计算特征权重系数矢量β，直至相邻两次计算获得的特征权重系数矢量β的差值满足预设定阈值，选取其中较大的一个作为最终的特征权重系数矢量β，在最终的特征权重系数矢量β中，将权重系数由大到小排序，由大到小选定预设个数的权重系数，将选定的权重系数对应的全体特征向量作为选择出的特征集；给定原始图像特征集n为对象的个数，其中的对象x_i∈R^m，R为空间集合，m是维数，y_i是对象的类的标签，并且x_i,y_i∈{1,...,c}，c是类号，所有的对象x_i表示为X：所有的对象的类的标签y_i表示为y：对象的m维特征向量表示为X：X＝[f₁,f₂,...,f_m]，f_i∈R^m×1；使用相似性传播算法计算从特征fi至fj之间的相似性S(i,j)：S(i,j)＝‑||fi‑fj||2，式中i≠j；更新方程如下：r(i,j)表示可靠性，代表fj作为fi的范例时计算结果的合适程度；a(i,j)表示可用性，代表选择fj作为fi的范例的合适程度，其中i'、j'和j分别代表原始图像特征集中的一个对象，其之间互不相等；然后，确定范例为：最后生成K个特征组，特征组的结构为G：其中Gk表示第k个特征组；令特征权重系数矢量特征权重系数矢量β的l_1,2范数定义如下：其中是β的第k组特征组G_k,l₁范数构成了相同特征组的权重，l₂范数构成了不同特征组的权重；令yl∈Rv×C是标记对象的类概率矩阵，其中v为标记样本数量，yu∈Rq×C是未标记对象的类概率矩阵，q为无标记样本数量；C是类号；采用最小二乘回归作为损失函数和排他性套索作为正则化，整体优化问题变为：Xl为有标记样本数据矩阵，Xu为无标记样本数据矩阵，其中yu(i,j)是属于第j类的第i个未标记的对象的概率，λ和γ是预定的常数，||·||2是欧几里得范数，将β作为一个稀疏矢量，整体优化问题等效为：对上式采用反复重新加权算法，令F∈Rm×m为含有专属组信息的对角矩阵，其对角元素Fii为：其中1_m×1是一个长度为m的向量，是第k个特征组的索引指示；由此进一步转化整体优化问题为：当特征权重系数矢量β固定时，类概率矩阵yu采用以下公式获得：上式等价为：min(yu‑Xuβ)T(yu‑Xuβ)，令上式为零，获得：yu＝Xuβ，在没有限制的条件下，当类概率矩阵yu固定，特征权重系数矢量β为：β＝(XlTXl+γXuTXu‑2λF)‑1(XlTyl+γXuTyu)，F依赖于β，方程最小化过程同时依赖于F和β，取方程相对于β的导数，得到：XlT(yl‑Xlβ)+γXuT(yu‑Xuβ)+2λFβ＝0，计算获得特征权重系数矢量β。