[发明专利]基于局部和非局部多特征语义高光谱图像分类方法

摘要

本发明公开了一种基于局部和非局部多特征语义高光谱图像分类方法。主要解决高光谱图像分类中正确率低，鲁棒性差，空间一致性弱的问题。其步骤包括：输入图像，提取图像多种特征；数据集切分为训练集和测试集；概率支持矢量机将所有样本的多种特征映射成相应的语义表示；构造局部以及非局部近邻集合；构建降噪马尔可夫场模型，进行语义融合和降噪处理；对语义表示迭代优化；利用语义表示求得所有样本的类别，完成高光谱图像准确分类。本发明采用了多特征融合，并对存在于图像中的空间信息充分挖掘和利用，在小样本情况下，得到了非常高的分类精度，并拥有良好的鲁棒性和空间一致性，用于军事探测、地图绘制、植被调查、矿物检测等方面。

主权项

1.一种基于局部和非局部多特征语义高光谱图像分类方法，其特征在于，包括有如下步骤：(1)输入图像，提取图像的多种特征：输入高光谱图像M是高光谱图像中所有像素点的总个数，h_q为一个列向量，代表像素点q在每个波段的反射值所构成的向量；对高光谱图像分别提取多种特征，包括有：原始光谱特征、Gabor纹理特征和差分形态学特征；该高光谱图像包含c类像素点，其中有N个有标记像素点，m个无标记像素点，图像的每个像素点为一个样本，每个样本由V个特征向量构成，分别代表该样本在不同特征描述子下的表述，V是特征类别的个数；(2)高光谱图像数据集分为训练集和测试集：用N个有标记像素点作为训练样本构成训练集其对应的类别标记集为用m个无标记像素点作为测试样本构成测试集其中，x_i表示训练集的第i个样本，y_j表示测试集的第j个样本，l_i是第i个训练样本所属的类别标号，D_v表示第v类特征的维数，R表示实数域；(3)利用概率支持矢量机(SVM)将所有样本的多种特征映射成相应的语义表示：分别利用训练集中所有样本的V个特征向量以及其对应的类别标记集构建V个概率支撑矢量机分类器，该分类器的核函数为径向高斯核，核参数以及惩罚参数由多倍交叉验证得到；将测试集中所有样本的V个特征向量分别输入到构建的V个对应分类器中，得到在不同特征描述子表述下，每个测试样本y_j,j＝1,2,L,m属于每个类别的概率，作为每个测试样本的语义表示对于训练集中的每个样本x_i,i＝1,2,L,N，它属于本身类别l_i的概率为1，而属于其他类别的概率为0，得到多种特征对应的多种语义表示其中的第l_i行为1，其它行为0；从而得到该高光谱图像中所有样本的多种语义表示(4)构造测试集中所有样本的局部以及非局部近邻集合：对于测试集中的每个样本y_j,j＝1,2,L,m，构造其局部自适应近邻集合B_j和非局部相似结构近邻集合C_j；局部与非局部近邻集合构造方法如下：4a)对该高光谱图像进行主成分分析，提取第一主成分作为基准图像，设置超像素个数LP，进行基于熵率的超像素图像分割，得到LP个超像素块4b)设置局部窗口参数W_local，对于测试集中的样本y_j，位于以样本y_j为中心的方形窗口W_local×W_local中，又和样本y_j属于同一个超像素块P_u的所有样本构成样本y_j的局部自适应近邻集合B_j；4c)设置非局部结构窗口参数W_nonlocal，以及非局部近邻个数K，分别对原始高光谱图像中的每个样本h_q,q＝1,2,L,M在其邻域W_nonlocal×W_nonlocal中进行均值池化，得到所有样本的结构信息对于测试集中的每个样本y_j,j＝1,2,L,m，用其结构信息和剩余所有样本的结构信息做比较，计算样本结构信息之间的远近程度：其中是测地距离，代表对向量x中的每一行进行开根操作，SGD_jq的值就代表了测试样本y_j和样本q之间结构信息的远近程度；寻找和测试样本y_j最相似的K个样本，也就是SGD值最小的前K个样本，构成测试样本y_j的非局部相似结构近邻集合C_j，与此同时，根据SGD值的大小，分别给予K个非局部近邻不同的权重，权重计算公式如下：式中，ω_jh代表样本y_j的非局部相似结构近邻h的权重大小，γ是高斯核参数；(5)构建降噪马尔可夫场模型，进行测试样本的多种语义表示融合以及语义表示的降噪处理：对每个测试样本y_j,j＝1,2,L,m分别进行如下操作，将y_j所对应的语义表示局部自适应近邻集合B_j中所有样本的语义表示和非局部相似结构近邻集合C_j中所有样本的语义表示均输入到局部能量函数中，最小化该能量函数，得到测试样本y_j的一阶降噪语义表示与此同时保持训练集中样本的语义表示不变，得到该高光谱图像所有样本的一阶降噪语义表示(6)对高光谱图像所有样本的一阶降噪语义表示进一步迭代优化：设定最大迭代次数T_max，t为当前迭代代数，对每个测试样本进行如下操作：将测试样本y_j，以及集合B_j和集合C_j中所有样本的第t阶降噪语义表示作为降噪马尔可夫场局部能量函数的输入，最小化该能量函数，得到测试样本y_j的第(t+1)阶语义表示与此同时继续保持训练集中样本的语义表示不变，进而得到该高光谱图像所有样本的第(t+1)阶降噪语义表示重复迭代过程，直到t＝T_max‑1停止，得到该高光谱图像所有样本的第T_max阶降噪语义表示，也就是最终的语义表示(7)利用最终的语义表示求得测试集中所有样本的类别：对于测试集中的每个样本y_j,j＝1,2,L,m，其最终的语义表示为即测试样本y_j属于每个类别的概率所组成的列向量，选择该向量中最大值元素所在位置的标号作为y_j的类别从而得到测试集类别预测集合完成该高光谱图像的分类任务。