一种基于多连接决策流形对准的高分辨率多时相遥感图像分类方法技术

一种基于多连接决策流形对准的高分辨率多时相遥感图像分类方法，本发明专利技术涉及高分辨率多时相遥感图像分类方法。本发明专利技术的目的是为了解决高分条件下的多时相对准分类的问题。具体过程为：一、输入源时相和目标时相中所有空间点的光谱矩阵A与B，以及A中各行相应类别标签向量Y；二、分别计算A、B以及A与B中各行之间的W1、W2和W12；三、通过多连接决策方式计算W1、W2所对应的G1、G2，以及W12的多连接决策优化；四、将A、B、G1、G2和W12输入到非依赖性光谱对准模型中，获得A、B在对准空间的映射矩阵F1和F2；五、通过KNN分类模型分类，获得目标时相的分类标签。本发明专利技术用于图像分类领域。

【技术实现步骤摘要】

本专利技术涉及高分辨率多时相遥感图像分类方法。
技术介绍
多光谱光学遥感是遥感领域中的重要分支，当前多光谱光学遥感技术逐渐由低空间分辨率向高空间分辨率发展，从典型的1000米分辨率的modis数据发展到30米空间分辨率的Landsat的数据，在到我国8米分辨率的高分1号数据和3.2米分辨率的高分2号数据。高空间分辨率多光谱遥感图像不仅包含了普通的地物图像的光谱信息，也包含了地物的几何结构和纹理信息。高分遥感图像技术的应用在提升传统的分析尺度的同时，也将传统的地物表达方式由像素级向对象空间描述级别扩展，实现地物表示的突破。高分多光谱遥感技术的应用在高精度遥感制图、灾害监控、国土资源利用、农业精细化利用等发面将发挥重要作用。现有的高分辨率遥感图像分类主要面临两大方面的困难：1是通常情况下我们要分类的图像缺少分类时所需要的有标签样本，如果利用过去某个时间采集有标签遥感图像做训练去分类我们要分的图像时(即多时相分类时)，两个时相的数据同类地物的分布又不一致，采用直接分类的方法分类精度很低；2是高分条件下地物混合严重，依赖光谱分类的方式很难达到较好的分类效果。现有的多时相分类主要采取多时相数据光谱对准后分类的方式，如典型的流行对准(manifoldalignment)的多时相分类算法、基于理想核构造的多核对准分类算法，但这些算法主要依赖于光谱，面对高分辨率多光谱数据，由于光谱波段数目少，且光谱混叠严重，这些对准后分类模型很难应用在高分辨率多时相分类领域。
技术实现思路
本专利技术的目的是为了解决高分条件下的多时相对准分类，即解决光谱波段少、光谱混叠严重造成的传统多时相对准分类精度低的问题，提出了一种基于多连接决策流形对准的高分辨率多时相遥感图像分类方法。一种基于多连接决策流形对准的高分辨率多时相遥感图像分类方法具体过程为：步骤一、输入源时相和目标时相中所有空间点的光谱矩阵A与B，以及A中各行相应类别标签向量Y；步骤二、分别计算A、B以及A与B中各行之间的相似度矩阵W1、W2和W12；步骤三、通过多连接决策方式计算W1、W2所对应的源时相单连接拉普拉斯图G1、目标时相多连接拉普拉斯图G2，以及源时相和目标时相单连接相似度矩阵W12的多连接决策优化；步骤四、将A、B、G1、G2和W12输入到非依赖性光谱对准模型中，获得A、B在对准空间的映射矩阵F1和F2；步骤五、利用F1、F2以及F1对应的标签Y，通过KNN分类模型分类，获得目标时相的分类标签。本专利技术的有益效果为：本专利技术实现了对一幅没有标签样本的高分辨率遥感图像通过使用同源的其他时相的有标签样本的数据进行分类，扩大了传统分类模型的应用范畴，实现了对我国高分多光谱数据的深化利用。算法主要针对高分下光谱混叠严重、分类精度低的问题，采用多连接决策的方式改进了传统对准模型中的拉普拉斯图的求取，提高了在高分下多时相对准分类的能力。为了验证本专利技术所提出的方法的性能，针对一组多时相高分1号多光谱数据进行了验证，高分1号多光谱空间分辨率为8m，图像的覆盖区域为哈尔滨市江北地区，两个时相的遥感图像采集时间为13年9月初和14年9月底，图像大小为1536x1536，实验结果验证了本专利技术提出的基于多连接决策流形对准的高分辨率多时相遥感图像分类算法的有效性。在源图像中各类样本数目均为100的情况下，本专利技术的分类Kappa系数达到0.766，分类精度达到82％左右。附图说明图1是本专利技术的实现流程示意图；图2a是源图像内由于高分多光谱地物混合严重造成的最相似点可能不是同一类的情况，其中左边表示仅寻找一个最相似条件下出现的错误，右边则使用多个相似点，通过连接点中的类别点数最多的一类作为连接的类别；图2b表示源图像和目标图像间同样由于高分多光谱地物混合严重造成的目标图像中的某点在源图像中最相似的点可能不是同一类的错误情况；图2c表示源图像和目标图像间通过多连接的方式寻找在目标图像中的某点在源图像的若干个最相似点，并通过统计出现最多的类别中相似度最大的点作为最相似点的情况；图3a是一幅高分1号哈尔滨江北地区13年9月初的遥感图像，图像大小为1536x1536；图3b是图3a中所对应的标签样本的位置，共有7类地物，分别为：道路、工业区、居民区、裸土、耕地、森林、水域。有标签样本数据为101571个；图3c是一幅高分1号哈尔滨江北地区14年9月末的遥感图像，图像大小为1536x1536，图3a和图3c是地理空间完全一致的相同区域；图3d是图2c中所对应的标签样本的位置，标签同样包含7类地物，分别为：道路、工业区、居民区、裸土、耕地、森林、水域。有标签样本数据为100000个；图3e是两幅图像的标签样本的标注，不同颜色代表不同类；图4a表示图3c中所有标签样本波段1和波段2的散点分布图，不同颜色表示不同类别；图4b表示图3c经过对准映射后的映射数据的第一第二波段的散点分布图，不同颜色表示不同类；图5a是图3c中部分区域的原始标签样本图；图5b是通过使用图3a有标签数据直接去分类图3c中的有标签数据的分类结果图，区域与图5a相同；图5c是通过使用图3a的有标签样本经过与图3c中有标签样本进行对准后去分类图3c的结果，显示区域与图5a相同；图6是在采用不同的训练样本数据条件下对目标图像的分类的20次实验的kappa系数的平均值。具体实施方式具体实施方式一：结合图1说明本实施方式，本实施方式的一种基于多连接决策流形对准的高分辨率多时相遥感图像分类方法具体过程为：步骤一、输入源时相和目标时相中所有空间点的光谱矩阵A和B，以及A中各行相应类别标签向量Y；步骤二、分别计算A、B以及A与B中各行之间的相似度矩阵W1、W2和W12；步骤三、通过多连接决策方式计算W1、W2所对应的源时相单连接拉普拉斯图G1、目标时相多连接拉普拉斯图G2，以及源时相和目标时相单连接相似度矩阵W12的多连接决策优化；步骤四、将A、B、G1、G2和W12输入到非依赖性光谱对准模型中，获得A、B在对准空间的映射矩阵F1和F2；步骤五、利用F1、F2以及F1对应的标签向量Y，通过KNN分类模型分类，获得目标时相的分类标签。具体实施方式二：本实施方式与具体实施方式一不同的是：所述步骤二中计算A、B以及A与B中各行之间的相似度矩阵W1、W2和W12；具体过程为：式中，分别为W1、W2和W12的第i行第j列的元素，σ为相似度的控制参数；Ai,:为矩阵A的第i行所有元素，Aj,:为矩阵A的第j行所有元素，Bi,:为矩阵B的第i行所有元素，Bj,:为矩阵B的第j行所有元素，:为第i行所有列。其它步骤及参数与具体实施方式一相同。具体实施方式三：结合图2a、图2b、图2c说明本实施方式，本实施方式与具体实施方式一或二不同的是：所述步骤三中通过多连接决策方式计算W1、W2所对应的源时相单连接拉普拉斯图G1、目标时相多连接拉普拉斯图G2，以及源时相和目标时相单连接相似度矩阵W12的多连接决策优化；具体过程为：步骤三一、依次对W1的每行执行如下操作：找到W1中第i行的从大到小排序的前p个值，并找到这p个值的位置在标签向量Y中对应的标签，统计这p个出现的标签中出现次数最多的标签类别，然后找到该类标类别所对应位置的相似度值的最大的位置t，令G1(i,t)＝1,将G1本文档来自技高网...

【技术保护点】
一种基于多连接决策流形对准的高分辨率多时相遥感图像分类方法，其特征在于：一种基于多连接决策流形对准的高分辨率多时相遥感图像分类方法具体过程为：步骤一、输入源时相和目标时相中所有空间点的光谱矩阵A和B，以及A中各行相应类别标签向量Y；步骤二、分别计算A、B以及A与B中各行之间的相似度矩阵W1、W2和W12；步骤三、通过多连接决策方式计算W1、W2所对应的源时相单连接拉普拉斯图G1、目标时相多连接拉普拉斯图G2，以及源时相和目标时相单连接相似度矩阵W12的多连接决策优化；步骤四、将A、B、G1、G2和W12输入到非依赖性光谱对准模型中，获得A、B在对准空间的映射矩阵F1和F2；步骤五、利用F1、F2以及F1对应的标签向量Y，通过KNN分类模型分类，获得目标时相的分类标签。

【技术特征摘要】
1.一种基于多连接决策流形对准的高分辨率多时相遥感图像分类方法，其特征在于：一种基于多连接决策流形对准的高分辨率多时相遥感图像分类方法具体过程为：步骤一、输入源时相和目标时相中所有空间点的光谱矩阵A和B，以及A中各行相应类别标签向量Y；步骤二、分别计算A、B以及A与B中各行之间的相似度矩阵W1、W2和W12；步骤三、通过多连接决策方式计算W1、W2所对应的源时相单连接拉普拉斯图G1、目标时相多连接拉普拉斯图G2，以及源时相和目标时相单连接相似度矩阵W12的多连接决策优化；步骤四、将A、B、G1、G2和W12输入到非依赖性光谱对准模型中，获得A、B在对准空间的映射矩阵F1和F2；步骤五、利用F1、F2以及F1对应的标签向量Y，通过KNN分类模型分类，获得目标时相的分类标签。2.根据权利要求1所述一种基于多连接决策流形对准的高分辨率多时相遥感图像分类方法，其特征在于：所述步骤二中计算A、B以及A与B中各行之间的相似度矩阵W1、W2和W12；具体过程为：W1i,j=e-||Ai,:-Aj,:||22×σ2i≠j0i=j]]>W2i,j=e-||Bi,:-Bj,:||22×σ2i≠j0i=j]]>W12i,j=e-||Bi,:-Aj,:||22×σ2]]>式中，分别为W1、W2和W12的第i行第j列的元素，σ为相似度的控制参数；Ai,:为矩阵A的第i行所有元素，Aj,:为矩阵A的第j行所有元素，Bi,:为矩阵B的第i行所有元素，Bj,:为矩阵B的第j行所有元素，:为第i行所有列。3.根据权利要求2所述一种基于多连接决策流形对准的高分辨率多时相遥感图像分类方法，其特征在于：所述步骤三中通过多连接决策方式计算W1、W2所对应的源时相单连接拉普拉斯图G1、目标时相多连接拉普拉斯图G2，以及源时相和目标时相单连接相似度矩阵W12的多连接决策优化；具体过程为：步骤三一、依次对W1的每行执行如下操作：找到W1中第i行的从大到小排序的前p个值，并找到这p个值的位置在标签向量Y中对应的标签，统计这p个出现的标签中出现次数最多的标签类别，然后找到该类标类别所对应位置的相似度值的最大的位置t，令G1(i,t)＝1,将G1中第i行其他元素赋值为0；步骤三二、依次对W2的每行执...

【专利技术属性】
技术研发人员：谷延锋，高国明，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江;23