基于划分随机投影的集成熵加权高光谱遥感影像分类方法技术

本发明专利技术提供一种基于划分随机投影的集成熵加权高光谱遥感影像分类方法，涉及遥感影像分类技术领域。在PRP算法的基础上，结合基于单个类别可分信息的投影矩阵挑选策略和最小距离分类器生成适合于某个类别的距离矩阵。对所有类别重复上述步骤，并计算所有类别的距离矩阵的信息熵作为权重从而生成最终的相似性度量矩阵，从而实现高光谱遥感影像分类。本发明专利技术能很好地解决PRP算法的随机性可能会导致不稳定的分类结果的问题，能有效地提高高光谱遥感影像的分类精度和稳定性，对于可分性较差的类别亦可以较好进行区分，可以满足完备精细地分类大尺度高光谱遥感影像的任务。类大尺度高光谱遥感影像的任务。类大尺度高光谱遥感影像的任务。

【技术实现步骤摘要】
基于划分随机投影的集成熵加权高光谱遥感影像分类方法


[0001]本专利技术涉及遥感影像分类
，尤其涉及一种基于划分随机投影的集成熵加权高光谱遥感影像分类方法。

技术介绍

[0002]近年来，随着传感器技术的不断提高，遥感影像的光谱分辨率越来越高，通常包含了几十到数百个波段。在为影像分类提供丰富的光谱信息的同时，也大大增加了高光谱遥感影像分类所需的计算成本，因此通常需要先进行降维再分类。传统降维方法大致可以分为两大类：通过波段选择的降维和基于数据变换的特征提取降维。第一类方法一般是依据一定的评价准则函数进行波段组合搜索从而达到降维的目的。第二类方法是通过线性或非线性变换将高维数据映射到一个低维空间，从而获得一个关于原数据集紧致的低维表示。对于配置较低的硬件利用这些方法无法在可接受的时间内对大尺度高光谱遥感影像进行降维，甚至无法进行降维计算，极大地限制了高光谱遥感影像的应用。随机投影(Random Projection,RP)具有独立于高维数据、计算简洁等特点，是一种信息损失量很小的降维方法。
[0003]越来越多的研究者利用RP算法对影像进行降维，然后以降维结果为数据基础实现影像分类。这些方法可以分为三大类：结合特征提取的分类方法、基于可分性提升的分类方法和集成分类方法。结合特征提取的分类方法的实现过程为首先采用RP算法进行降维，以得到低维影像；然后利用其它特征提取方法对低维影像进一步进行降维，从而获取最终的低维影像。基于可分性提升的分类方法一般是通过维度提升等方式在投影过程中增加高维数据类别可分性，从而提高分类精度的方法。集成分类方法的实现过程为首先利用RP算法生成多个投影结果，以此构建具有随机多样性的特性；其次，对每个投影结果进行模糊聚类，生成多个隶属度矩阵；然后，集成所有的隶属度矩阵，通过聚合、串联、累积等不同方法得到最终的相似度度量矩阵；最后，采用反模糊化、聚类等不同方法处理相似度度量矩阵，从而获得最终的分类结果。RP方法虽然能实现简单、快速地降维，但是在进行高光谱遥感影像分类时，由于投影矩阵是随机生成的，可能会产生不利于进行后续分类任务的低维影像，从而导致不稳定的分类结果。

技术实现思路

[0004]本专利技术要解决的技术问题是针对上述现有技术的不足，提供一种基于划分随机投影的集成熵加权高光谱遥感影像分类方法，在PRP算法的基础上，结合基于单个类别可分信息的投影矩阵挑选策略和最小距离(Minimum Distance,MD)分类器生成适合于某个类别的距离矩阵。对所有类别重复上述步骤，并计算所有类别的距离矩阵的信息熵作为权重从而生成最终的相似性度量矩阵，从而实现高光谱遥感影像分类，能很好地解决PRP算法的随机性可能会导致不稳定的分类结果的问题。
[0005]为解决上述技术问题，本专利技术所采取的技术方案是：
[0006]一种基于划分随机投影的集成熵加权高光谱遥感影像分类方法，包括以下步骤：
[0007]步骤1：给定高光谱遥感影像A＝{a
j
,j＝1,...,J}，其中，j为像素索引，J为像素数，a
j
＝(a
jd
,d＝1,...,D)为像素j的光谱测度矢量，d为波段索引，D为波段数，a
jd
为像素j波段d的光谱测度；以光谱矢量a
j
(j＝1,...,J)为行矢量，高光谱遥感影像表达为J
×
D矩阵，即A＝[a1,...,a
j
,...,a
J
]T
＝[a
jd
]J
×
D
，其中T为转置操作；充分考虑单个类别样本的可分信息，基于单个类别可分信息计算划分随机投影矩阵，利用划分随机投影算法将高光谱遥感影像投影到低维空间，具体步骤如下：
[0008]步骤1.1：设置控制距离保持范围和投影成功率的投影参数ε和β的值；
[0009]步骤1.2：计算PRP算法的投影维数下限从而设置投影空间的维数K
PRP
；
[0010]设J能被T整除，将矩阵A按行划分为T等份，A＝[A1；...,A
t
；...；A
T
]，其中t为分块矩阵索引，A
t
为第t个分块矩阵或称为第t个子影像，即A
t
＝[a
(t
–
1)N+1
,...,a
(t
–
1)N+n
,...,a
tN
]T
，其中，n为各分块矩阵中行矢量索引，N为各分块矩阵中行矢量数，N＝J/T；各分块矩阵中行矢量均用n索引，记为其中PRP算法将D维特征空间随机投影到K
PRP
维空间，K
PRP
为正整数且满足：
[0011][0012]其中，ε和β均大于0，分别为控制距离保持范围和投影成功率的投影参数；为向上取整符；设高光谱遥感影像划分后的每个子影像中均包含相同数量的光谱矢量，即向上取整符；设高光谱遥感影像划分后的每个子影像中均包含相同数量的光谱矢量，即其中为向下取整符；若J不能被T整除，将J/T的余数丢弃，从而达到均分影像的目的；
[0013]步骤1.3：选取每个类别所对应的样本构成样本矩阵：将所有类别的样本矩阵定义为F＝[F1；...；F
l
；...；F
L
]，其中l为高光谱遥感影像的类别索引，F
l
为第l个类别的样本矩阵，L为已知的总类别数；第l个类别的样本矩阵F
l
具体表示为，
[0014][0015]其中，为第l个类别、第d个波段的样本矢量，d＝1,2,
…
,D；H为第l个类别的样本数；所有类别的采样数相同；
[0016]步骤1.4：根据标准正态分布随机生成Ψ个随机数
[0017]步骤1.5：计算第l类的最终差异值
[0018]对于随机数分别计算第l类别样本的方差和与其它类别样本的距离，然后用该类别与其它类别的最小距离比该类别的方差得到第l类别的最终差异值其计算方式如下：
[0019][0020]其中，r
1k
、r
(d
‑
1)k
分别表示划分随机投影矩阵中第1行第k列和第d
–
1行第k列的元素；
[0021]步骤1.6：计算使第l类别的最终差异值最大的第ψ
*
次采样；
[0022]利用所有的随机数可以得到该类别的差异矩阵，并将其表示为利用所有的随机数可以得到该类别的差异矩阵，并将其表示为选择其中最小的商值作为利用随机数得到的最终差异值即通过极小值的自变量函数来计算最终差异值如下式：
[0023][0024]根据式(4)计算所有随机数的最终差异值来获得所有类别的差异矩阵根据式(4)计算所有随机数的最终差异值来获得所有类别的差异矩阵然后，利用求参函数计算出使第l类别的最终差异值最大的第ψ本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于划分随机投影的集成熵加权高光谱遥感影像分类方法，其特征在于：该方法包括以下步骤：步骤1：充分考虑单个类别样本的可分信息，基于单个类别可分信息计算划分随机投影矩阵，利用划分随机投影算法将高光谱遥感影像投影到低维空间；步骤2：利用PRP算法对样本矩阵和高光谱遥感影像进行降维，得到低维矢量组成的低维影像；步骤3：MD分类器：MD分类器是在低维影像上构建分类模型，通过计算每一个低维矢量与各个类别低维样本特征均值矢量之间的距离定义该低维矢量的相似度；步骤4：集成熵加权分类模型，得到最终的相似性度量矩阵；步骤5：分类决策，得到确定性分类结果，将低维矢量归属于欧氏距离最小的类别。2.根据权利要求1所述的基于划分随机投影的集成熵加权高光谱遥感影像分类方法，其特征在于：所述步骤1中，给定高光谱遥感影像A＝{a
j
,j＝1,...,J}，其中，j为像素索引，J为像素数，a
j
＝(a
jd
,d＝1,...,D)为像素j的光谱测度矢量，d为波段索引，D为波段数，a
jd
为像素j波段d的光谱测度；以光谱矢量a
j
(j＝1,...,J)为行矢量，高光谱遥感影像表达为J
×
D矩阵，即A＝[a1,...,a
j
,...,a
J
]
T
＝[a
jd
]
J
×
D
，其中T为转置操作；步骤1的具体方法为：步骤1.1：设置控制距离保持范围和投影成功率的投影参数ε和β的值；步骤1.2：计算PRP算法的投影维数下限从而设置投影空间的维数K
PRP
；设J能被T整除，将矩阵A按行划分为T等份，A＝[A1；...,A
t
；...；A
T
]，其中t为分块矩阵索引，A
t
为第t个分块矩阵或称为第t个子影像，即A
t
＝[a
(t
–
1)N+1
,...,a
(t
–
1)N+n
,...,a
tN
]
T
，其中，n为各分块矩阵中行矢量索引，N为各分块矩阵中行矢量数，N＝J/T；各分块矩阵中行矢量均用n索引，记为其中PRP算法将D维特征空间随机投影到K
PRP
维空间，K
PRP
为正整数且满足：其中，ε和β均大于0，分别为控制距离保持范围和投影成功率的投影参数；为向上取整符；设高光谱遥感影像划分后的每个子影像中均包含相同数量的光谱矢量，即整符；设高光谱遥感影像划分后的每个子影像中均包含相同数量的光谱矢量，即其中为向下取整符；若J不能被T整除，将J/T的余数丢弃，从而达到均分影像的目的；步骤1.3：选取每个类别所对应的样本构成样本矩阵：将所有类别的样本矩阵定义为F＝[F1；...；F
l
；...；F
L
]，其中l为高光谱遥感影像的类别索引，F
l
为第l个类别的样本矩阵，L为已知的总类别数；第l个类别的样本矩阵F
l
具体表示为，其中，为第l个类别、第d个波段的样本矢量，d＝1,2,
…
,D；H为第l个类别的样本数；
所有类别的采样数相同；步骤1.4：根据标准正态分布随机生成Ψ个随机数步骤1.5：计算第l类的最终差异值对于随机数分别计算第l类别样本的方差和与其它类别样本的距离，然后用该类别与其它类别的最小距离比该类别的方差得到第l类别的最终差异值其计算方式如下：其中，r
1k
、r
(d
‑
1)k
分别表示划分随机投影矩阵中第1行第k列和第d
–
1行第k列的元素；步骤1.6：计算使第l类别的最终差异值最大的第ψ
*
次采样；利用所有的随机数可以得到该类别的差异矩阵，并将其表示为利用所有的随机数可以得到该类别的差异矩阵，并将其表示为选择其中最小的商值作为利用随机数得到的最终差异值即通过极小值的自变量函...

【专利技术属性】
技术研发人员：贾淑涵，李玉，赵泉华，王长强，
申请(专利权)人：辽宁工程技术大学，
类型：发明
国别省市：