[发明专利]基于稀疏表示的半监督高光谱图像分类方法

摘要

本发明公开了一种基于稀疏表示的半监督高光谱图像分类方法，主要解决现有技术基于稀疏表示的分类方法在有标记样本个数极少时，难以精准预测无标记样本的类标，导致高光谱图像分类结果差的问题，其实现方案是：1)输入高光谱图像数据集，提取部分样本点构成有标记样本集，其余无标记样本点构成字典；2)用字典中的样本稀疏线性地表示每一个有标记样本，求解稀疏表示系数，利用求解出的稀疏表示系数计算每一个无标记样本属于不同类的类概率，把每一个无标记样本归为类概率最大的一类。本发明在不用大量有标记样本的条件下利用少量有标记样本的类标信息和大量无标记样本的结构信息进行图像分类，可用于农作物生长周期的检测和高光谱图像地物识别。

主权项

1.一种基于稀疏表示的半监督高光谱图像分类方法，包括：(1)输入高光谱图像X＝[x₁,x₂,...,x_i,...,x_N]∈R^A，x_i表示高光谱图像中的第i个像素点，i＝1,2,3,...,N，N表示像素点总数，每一个像素点用一个特征向量表示，A表示该特征向量维数，R表示实数域；(2)设高光谱图像含有n个无标记样本和m个有标记样本，n＞m且n+m＝N，用高光谱图像的无标记样本构成无标记矩阵U＝[μ₁,μ₂,...,μ_j,...,μ_n]，μ_j表示第j个无标记样本，j＝1,2,3,...,n；用有标记样本构成有标记矩阵L＝[l₁,l₂,...,l_k,...,l_m]，l_k表示第k个有标记样本，k＝1,2,...m，l_k的类标为y_k∈{1,2,...,c}，c为高光谱图像的类别数；(3)用无标记矩阵U作为字典D；(4)对字典D和有标记样本矩阵L在稀疏表示的框架下进行更新，预处理集合表示空集：4a)根据稀疏表示理论，对L中的每一个样本l_k,k＝1,2,...,m，利用字典D中的无标记样本对其进行稀疏表示：其中：a_k＝[a_k1,a_k2,...,a_kj,...,a_kn]^T是稀疏表示系数向量，a_kj是a_k中第j个元素，误差e_k是一个极小的常量，T表示向量的转置；4b)利用正交匹配追踪算法OMP得到有标记样本l_k在字典D上的稀疏表示系数向量：其中||·||₂为l₂范数，度量数据重构误差；||·||₁为l₁范数，用来保证向量a的稀疏度，λ是重构误差项与稀疏项的平衡因子；4c)通过下式计算每一个无标记样本μ_j属于第ν类的类概率：其中I(·)是0‑1判别函数，若y_k＝ν，则I(y_k＝ν)＝1，否则I(y_k＝ν)＝0；用计算出的类概率s_jν构成类概率向量s_j＝[s_j1,s_j2,...,s_jν,...s_jc]^T，s_jν表示第j个无标记样本属于第ν类的概率，ν＝1,2,...,c；4d)选出类概率向量s_j中的最大类概率，记作并赋予该无标记样本的类标为ν，选出γ_ν≠0所对应的所有无标记样本放入预处理集合W，统计W中样本个数，记为W_num；4e)提取字典D中预测出类标的无标记样本并按照预测类标将这些无标记样本放入有标记样本集L对应的类中并从D中剔除，即使得有标记样本集L＝L∪W，字典D＝D\W，同时更新无标记样本的个数n和有标记样本的个数m，使n＝n‑W_num，m＝m+W_num；4f)如果字典D中剩余无标记样本的个数小于样本点的特征维数，执行步骤(5)，否则，返回步骤(4)；(5)把数据集X中每个样本作为节点，通过高斯核函数RBF来计算不同节点之间的权重，将有标记样本的类标信息通过节点之间的权重传给无标记样本，从而对无标记样本进行类标预测，得到预测出的类标结果，完成对高光谱图像分类。