基于多级统计学特征提取的高光谱分类方法技术

本发明专利技术公开了一种基于多级统计学特征提取的高光谱分类方法，首先为每个像素鉴定超像素邻域集合，有利于准确提取空间上下文信息。然后，提出多级统计学特征，包括平均特征、协方差描述特征及高斯特征，充分提取空间几何信息、不同光谱间的关联信息以及空间

【技术实现步骤摘要】
基于多级统计学特征提取的高光谱分类方法


[0001]本专利技术涉及一种基于多级统计学特征提取的高光谱分类方法，属于高光谱图像处理与应用


技术介绍

[0002]高光谱图像不仅包含丰富的空间信息，还包含几百甚至上千个波段的光谱信息，被成功应用于军事目标识别、地质勘查、物质探测、海洋大气监测等各个工程领域。其中，高光谱分类是最本质的问题，其目标是将每一个光谱像素点分到特定的类别。为完成分类任务，SVM、MLR等分类方法被提出。但这些方法都存在两个主要问题：(1)弱监督条件下分类精度较低；(2)光谱混叠引起的噪声。为解决这两个主要问题，众多特征提取方法被提出，致力于提取不同方面的空间特征，提高分类精度。其中一类为手动特征提取方法，包括EMP特征提取、LBP特征提取以及多特征提取方法等。虽然这些手动特征提取方法都在很大程度上提高了分类精度，但在训练样本较少(弱监督)的条件下，分类精度急剧降低。另一类为基于卷积神经网络(CNN)的分类方法，通过一系列深度网络层自动提取由简单到复杂的空间
‑
光谱特征。虽然这些方法也在很大程度上提高了高光谱分类精度，但还存在两个缺点：(1)训练深度神经网络需要大量的训练样本，而弱监督条件下，训练样本较少，在本质上限制了基于CNN分类方法的分类精度；(2)深度网络具有大量的参数需要训练，造成了极大的计算复杂度，限制了其实际应用。因此，如何提取更具有识别力的空间
‑
光谱特征，在弱监督条件下有效提高分类精度，仍是一个具有挑战性的任务。

技术实现思路
r/>[0003]本专利技术要解决的技术问题为：如何准确提取更具识别力的空间
‑
光谱特征，构建有效融合多级统计学特征的分类方法，在弱监督条件下大大提高分类精度及稳定性。
[0004]本专利技术为解决上述技术问题采用以下技术方案：
[0005]一种基于多级统计学特征提取的高光谱分类方法，该方法为每个像素鉴别超像素邻域邻域集合，有利于准确提取空间上下文信息。并且，提取平均特征、协方差描述特征及高斯特征等多级统计学特征，有效提高了弱监督条件下的分类精度及稳定性。构建多任务核分类器有效融合多级统计学特征，进一步改善了分类精度。
[0006]该方法包括以下步骤：
[0007]步骤1、对原始高光谱图像X进行最小噪声分离变换MNF操作，得到降维高光谱数据F；
[0008]步骤2、依次使用主成分分析PCA以及基于熵率的超像素过分割方法，生成X的2
‑
D超像素图；
[0009]步骤3、对F中的每一个降维像素，在其对应的超像素中找出与其之间余弦相似度最小的M
′
个像素，构成该降维像素的超像素邻域集合；
[0010]步骤4、对F中的每一个降维像素，从其超像素邻域集合中提取平均特征；F中的第i
个降维像素的平均特征其中f
ip
为该降维像素的超像素邻域集合中的第p个像素，i＝1,2,
…
,n，n为F中的像素总数；
[0011]步骤5、对F中的每一个降维像素，从其超像素邻域集合中提取协方差描述特征；F中的第i个降维像素的协方差描述特征
[0012]步骤6、对F中的每一个降维像素，从其超像素邻域集合中提取高斯特征；F中的第i个降维像素的高斯特征其中，Q
i
通过式C
i
＝Q
i
Q
iI
计算得到；
[0013]步骤7、基于平均特征、向量化的协方差描述特征vec(C
i
)和向量化的高斯特征vec(Y
i
)，获得X的空间
‑
光谱特征集其中为X中第i个像素的空间
‑
光谱特征，
[0014]步骤8、分别设计核函数将Z
r
中的平均特征、协方差描述特征和高斯特征映射到统一的高维希尔伯特空间，得到映射后的空间
‑
光谱特征集Z
′
r
，其中平均特征对应的核函数为k1(
·
,*)＝(
·
)
T
(*)，协方差描述特征对应的核函数为k2(
·
,*)＝trace(log(
·
),log(*))，高斯特征对应的核函数为k3(
·
,*)＝trace(log(
·
),log(*))；
[0015]步骤9、从Z
′
r
中随机选取C类共N个特征，构建统计学特征空间字典其中为对应第c类的子字典，c＝1,2,
…
,C，C为类别数；
[0016]步骤10、建立基于多级统计学特征的多任务核稀疏表示分类模型s.t.‖α
r
‖0≤K，其中α
r*
为最优稀疏向量，α
r
为稀疏向量，K为稀疏度，z
′
r
为Z
′
r
中的某个像素特征；
[0017]步骤11、使用核正交匹配追踪算法求解步骤10中的模型，得到α
r*
；
[0018]步骤12、计算重建误差，其中第c类的重建误差步骤12、计算重建误差，其中第c类的重建误差为对应的最优稀疏子向量；
[0019]步骤13、依据式label(z
′
r
)＝arg min
c＝1,2,
…
,C
w
c
(z
′
r
)得到z
′
r
的类别；
[0020]步骤14、重复步骤10至13，得到Z
′
r
中每个特征的类别，即得到X中每个像素的特征，输出X的类别标签图。
[0021]进一步，步骤3中余弦相似度的计算公式为：
[0022][0023]式中，f
i1
为F中的第i个降维像素，f
iq
为f
i1
对应的超像素中的第q个像素。
[0024]进一步，步骤11中的求解方法包括如下步骤：
[0025]11
‑
1)分别计算k
r
(z
′
r
,z
′
r
),Γ＝k
r
(D
r
,D
r
)和K＝k
r
(z
′
r
,D
r
)；
[0026]11
‑
2)初始化稀疏向量索引集合以及残差‖ss0‖2＝k
r
(Z
′
r
,Z
′
r
)，最小误差界限ε；
[0027]11
‑
3)当t≤K或者实施以下循环：
[0028]11
‑3‑
...

【技术保护点】

【技术特征摘要】
1.基于多级统计学特征提取的高光谱分类方法，其特征在于，包括以下步骤：步骤1、对原始高光谱图像X进行最小噪声分离变换MNF操作，得到降维高光谱数据F；步骤2、依次使用主成分分析PCA以及基于熵率的超像素过分割方法，生成X的2
‑
D超像素图；步骤3、对F中的每一个降维像素，在其对应的超像素中找出与其之间余弦相似度最小的M
′
个像素，构成该降维像素的超像素邻域集合；步骤4、对F中的每一个降维像素，从其超像素邻域集合中提取平均特征；F中的第i个降维像素的平均特征其中f
ip
为该降维像素的超像素邻域集合中的第p个像素，i＝1,2,
…
,n，n为F中的像素总数；步骤5、对F中的每一个降维像素，从其超像素邻域集合中提取协方差描述特征；F中的第i个降维像素的协方差描述特征步骤6、对F中的每一个降维像素，从其超像素邻域集合中提取高斯特征；F中的第i个降维像素的高斯特征其中，Q
i
通过式计算得到；步骤7、基于平均特征、向量化的协方差描述特征vec(C
i
)和向量化的高斯特征vec(Y
i
)，获得X的空间
‑
光谱特征集其中为X中第i个像素的空间
‑
光谱特征，步骤8、分别设计核函数将Z
r
中的平均特征、协方差描述特征和高斯特征映射到统一的高维希尔伯特空间，得到映射后的空间
‑
光谱特征集Z
′
r
，其中平均特征对应的核函数为协方差描述特征对应的核函数为k2(
·
,*)＝trace(log(
·
),log(*))，高斯特征对应的核函数为k3(
·
,*)＝trace(log(
·
),log(*))；步骤9、从Z
′
r
中随机选取C类共N个特征，构建统计学特征空间字典其中为对应第c类的子字典，c＝1,2,
…
,C，C为类别数；步骤10、建立基于多级统计学特征的多任务核稀疏表示分类模型s.t.‖α
r
‖0≤K，其中α
r*
为最优稀疏向量，α
r
为稀疏向量，K为稀疏度，z
′
r
为Z
′
r
中的某个像素特征；步骤11、使用核正交匹配追踪算法求解步骤10中的模型，得到α
r*
；步骤12、计算重建误差，其...

【专利技术属性】
技术研发人员：李丹，吴汉杰，孔繁锵，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：