專利名稱：基于半監(jiān)督核自適應學習的遙感高光譜圖像分類方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種遙感高光譜圖像的分類方法。
技術(shù)背景
高光譜圖像不僅波段較多，一般觀測地物類型復雜，可以分為植被、田地、建筑物、 道路、水域、沼澤地、裸土等多個地物類別。若每個像元代表一種地物類型，那么該像元稱為 端元(End-member)。為提高圖像分辨率，需對端元進行分類以區(qū)分不同地物。目前常用的 高光譜圖像端元分類算法可分為有監(jiān)督和無監(jiān)督算法，前者已知地物類屬判斷每個端元代 表的地物類別的分類算法，而后者則未知地物種類純粹依靠光譜統(tǒng)計差異進行分類。常用 的有監(jiān)督分類方法包括光譜角填圖法、二進制編碼法、平行六面體方法、最小距離法以及最 大似然法等方法；常用的無監(jiān)督分類方法包括IsoData方法和K-Means方法等方法。除了上述傳統(tǒng)的分類方法外，還有一些新的分類方法，如基于各種神經(jīng)網(wǎng)絡、決策 樹、支持向量機和專家系統(tǒng)等的分類方法。然而，目前高光譜圖像端元分類方法由于受到采集樣本的限制，面臨機器學習領(lǐng) 域廣泛存在且尚待解決的小樣本問題，用于高光譜圖像端元分類的分類器不能獲得最大泛 化能力，不能獲得最優(yōu)圖像分辨率。

發(fā)明內(nèi)容
本發(fā)明的目的是解決目前遙感高光譜圖像分類方法存在分辨率低的問題，提供了 一種基于半監(jiān)督核自適應學習的遙感高光譜圖像分類方法?；诎氡O(jiān)督核自適應學習的遙感高光譜圖像分類方法，它的過程如下
步驟一、對高光譜圖像訓練樣本集的標注形式進行判定若標注形式為類標簽信息，則 執(zhí)行步驟二 ；若標注形式為邊信息，則執(zhí)行步驟三；
步驟二、對高光譜圖像訓練樣本集中的所有樣本進行標注，然后利用Fisher準則和最 大間隔準則獲得優(yōu)化目標函數(shù)，然后通過基于遺傳算法的自適應尋求算法對獲得的優(yōu)化目 標函數(shù)進行計算，獲得最優(yōu)參數(shù)，然后執(zhí)行步驟四；
步驟三、對高光譜圖像訓練樣本集中的所有樣本進行標注，然后利用全局流形保持設(shè) 計準則獲得優(yōu)化目標函數(shù)，然后通過基于拉格朗日方法的自適應尋求算法對獲得的優(yōu)化目 標函數(shù)進行計算，獲得數(shù)據(jù)依賴核參數(shù)，然后執(zhí)行步驟四；
步驟四、根據(jù)具體應用情況判斷核函數(shù)的結(jié)構(gòu)類型若結(jié)構(gòu)類型為不變結(jié)構(gòu)，則執(zhí)行步 驟五；若結(jié)構(gòu)類型為變結(jié)構(gòu)，則執(zhí)行步驟六；
步驟五、獲得不變結(jié)構(gòu)的最優(yōu)核函數(shù)，然后執(zhí)行步驟七； 步驟六、獲得變結(jié)構(gòu)的最優(yōu)核函數(shù)，然后執(zhí)行步驟七；
步驟七、根據(jù)獲得的最優(yōu)核函數(shù)，獲得最優(yōu)半監(jiān)督分類器；利用獲得的最優(yōu)半監(jiān)督分類 器，對實測遙感高光譜圖像進行分類，獲得該遙感高光譜圖像的類別。
本發(fā)明能夠準確地對遙感高光譜圖像的端元進行分類，提高了遙感高光譜圖像的 分辨率，能夠應用于地形軍事目標偵察、高效的戰(zhàn)事打擊效果評估、海軍潛艇實時海上環(huán)境 監(jiān)測、突發(fā)自然災害的應急響應技術(shù)領(lǐng)域。


圖1為本發(fā)明的基于半監(jiān)督核自適應學習的遙感高光譜圖像分類方法的流程圖； 圖2為步驟二的具體過程的流程圖；圖3為步驟三的具體過程的流程圖；圖4為步驟五的具 體過程的流程圖；圖5和圖6分別為步驟六中所述獲得變結(jié)構(gòu)的最優(yōu)核函數(shù)的兩種過程的 流程圖。
具體實施例方式具體實施方式
一本實施方式的基于半監(jiān)督核自適應學習的遙感高光譜圖像分 類方法，它的過程如下
步驟一、對高光譜圖像訓練樣本集的標注形式進行判定若標注形式為類標簽信息，則 執(zhí)行步驟二 ；若標注形式為邊信息，則執(zhí)行步驟三；
步驟二、對高光譜圖像訓練樣本集中的所有樣本進行標注，然后利用Fisher準則和最 大間隔準則獲得優(yōu)化目標函數(shù)，然后通過基于遺傳算法的自適應尋求算法對獲得的優(yōu)化目 標函數(shù)進行計算，獲得最優(yōu)參數(shù)，然后執(zhí)行步驟四；
步驟三、對高光譜圖像訓練樣本集中的所有樣本進行標注，然后利用全局流形保持設(shè) 計準則獲得優(yōu)化目標函數(shù)，然后通過基于拉格朗日方法的自適應尋求算法對獲得的優(yōu)化目 標函數(shù)進行計算，獲得數(shù)據(jù)依賴核參數(shù)，然后執(zhí)行步驟四；
步驟四、根據(jù)具體應用情況判斷核函數(shù)的結(jié)構(gòu)類型若結(jié)構(gòu)類型為不變結(jié)構(gòu)，則執(zhí)行步 驟五；若結(jié)構(gòu)類型為變結(jié)構(gòu)，則執(zhí)行步驟六；
步驟五、獲得不變結(jié)構(gòu)的最優(yōu)核函數(shù)，然后執(zhí)行步驟七； 步驟六、獲得變結(jié)構(gòu)的最優(yōu)核函數(shù)，然后執(zhí)行步驟七；
步驟七、根據(jù)獲得的最優(yōu)核函數(shù)，獲得最優(yōu)半監(jiān)督分類器；利用獲得的最優(yōu)半監(jiān)督分類 器，對實測遙感高光譜圖像進行分類，獲得該遙感高光譜圖像的類別。步驟一至步驟七的流程詳見圖1。步驟二所述的對高光譜圖像訓練樣本集中的所有樣本進行標注的具體過程可以 為
步驟二一、按照類標簽信息的標注形式，對高光譜圖像訓練樣本集中的每個樣本進行 標注，則存在未標注樣本；
其中，在所述高光譜圖像訓練樣本集中，部分樣本的類別已知，則可對這部分樣本進行 標注，另外一部分樣本的類別未知，則無法對所述另外一部分樣本進行標注。此外，在本實 施方式中，未知類別的樣本所涉及的所有類別，均已包含于已知類別的所有樣本的類別中。步驟二二、以生成式模型作為分類器，將未標注樣本屬于每個已知類別的概率視 為一組缺失參數(shù)，然后采用EM算法對未標注樣本進行標注估計，再以估計的結(jié)果對所述未 標注樣本進行標注。步驟二的詳細步驟見圖2。
步驟三所述的對高光譜圖像訓練樣本集中的所有樣本進行標注的具體過程可以 為
步驟三一、獲得所述高光譜圖像訓練樣本集的正約束圖和k最近鄰圖，根據(jù)獲得的正 約束圖和k最近鄰圖，構(gòu)造一個內(nèi)在圖，使得該內(nèi)在圖的一部分與所述正約束圖相對應，使 得該內(nèi)在圖的另一部分與所述k最近鄰圖相對應，同時，使該內(nèi)在圖內(nèi)的數(shù)據(jù)在經(jīng)驗特征 空間內(nèi)的緊湊性最強；
步驟三二、獲得所述高光譜圖像訓練樣本集的負約束圖和非k最近鄰圖，根據(jù)獲得的 負約束圖和非k最近鄰圖，構(gòu)造一個懲罰圖，使得該懲罰圖的一部分與所述負約束圖相對 應，使得該懲罰圖的另一部分與所述非k最近鄰圖相對應，同時，使該懲罰圖內(nèi)的類間數(shù)據(jù) 在經(jīng)驗特征空間內(nèi)的分散性最強；
步驟三三、根據(jù)構(gòu)造的內(nèi)在圖和懲罰圖，對高光譜圖像訓練樣本集中的所有樣本進行 標注。步驟三的詳細步驟見圖3。步驟五所述的獲得不變結(jié)構(gòu)的最優(yōu)核函數(shù)的具體過程可以為
步驟五一、對步驟二獲得的最優(yōu)參數(shù)或步驟三獲得的數(shù)據(jù)依賴核參數(shù)進行初始化，將 初始化后的參數(shù)進行編碼后作為候選解；
步驟五二、根據(jù)優(yōu)化目標函數(shù)計算所述候選解的適應度，保留適應度大于或等于閾值 的候選解，舍棄其它候選解；
步驟五三，對保留的候選解進行復制、交叉以及變異等操作，生成新的候選解； 步驟五四、對新的候選解進行解碼，即得到最優(yōu)核優(yōu)化參數(shù)，進而獲得不變結(jié)構(gòu)的最優(yōu) 核函數(shù)。其中，在步驟五一中所述的“對步驟二獲得的最優(yōu)參數(shù)或步驟三獲得的數(shù)據(jù)依賴 核參數(shù)進行初始化”的過程中，選擇所述最優(yōu)參數(shù)還是所述數(shù)據(jù)依賴和函數(shù)進行初始化的 標準如下
若步驟一中的標注形式為類標簽信息，則選擇步驟二獲得的最優(yōu)參數(shù)進行初始化；若 步驟一中的標注形式為邊信息，則選擇步驟三獲得的數(shù)據(jù)依賴核參數(shù)進行初始化。在步驟五二中，所述閾值為根據(jù)實際情況進行設(shè)定的已知值。步驟五的詳細步驟見圖4。在步驟六中，
當步驟一中判定的標注形式為類標簽信息時，所述獲得變結(jié)構(gòu)的最優(yōu)核函數(shù)的具體過 程可以為步驟Al至步驟A3
步驟Al、利用高光譜圖像訓練樣本集的標注信息，擴展獲得數(shù)據(jù)依賴核函數(shù)，然后求得 所述數(shù)據(jù)依賴核函數(shù)與已知基礎(chǔ)核函數(shù)的關(guān)系，并求得所述數(shù)據(jù)依賴核函數(shù)的Fisher度 量表達式，然后建立以該數(shù)據(jù)依賴核函數(shù)參數(shù)為自變量的Fisher度量函數(shù)；
步驟A2、根據(jù)所述訓練樣本集的標注信息進行優(yōu)化目標函數(shù)設(shè)計，建立一個用于求解 最優(yōu)數(shù)據(jù)依賴核參數(shù)的約束方程；
步驟A3、利用循環(huán)迭代的方法對所述約束方程進行計算，獲得以訓練樣本集為變量的 最優(yōu)解表達式，然后將訓練樣本集代入所述最優(yōu)解表達式，計算獲得自適應參數(shù)，進而獲得 變結(jié)構(gòu)的最優(yōu)核函數(shù)。
步驟Al至步驟A3的詳細步驟見圖5。當步驟一中判定的標注形式為邊信息時，所述獲得變結(jié)構(gòu)的最優(yōu)核函數(shù)的具體過程可以為步驟Bl至步驟B3
步驟Bi、利用邊信息標注的訓練樣本集，獲得經(jīng)驗映射空間內(nèi)樣本間隔的表達式，然后利用邊信息建立數(shù)據(jù)依賴核函數(shù)表達式，進行優(yōu)化目標函數(shù)設(shè)計；
步驟B2、根據(jù)樣本間隔表達式、數(shù)據(jù)依賴核函數(shù)表達式及目標函數(shù)，建立一個用于求解最優(yōu)數(shù)據(jù)依賴核參數(shù)的約束方程；
步驟B3、利用拉格朗日乘子法對所述約束方程進行計算，獲得以訓練樣本集為變量的最優(yōu)解表達式，然后將訓練樣本集代入所述最優(yōu)解表達式，計算獲得自適應參數(shù)，進而獲得 變結(jié)構(gòu)的最優(yōu)核函數(shù)。步驟Bl至步驟B3的詳細步驟見圖6。本發(fā)明能夠準確地對遙感高光譜圖像的端元進行分類，提高了遙感高光譜圖像的 分辨率，能夠應用于地形軍事目標偵察、高效的戰(zhàn)事打擊效果評估、海軍潛艇實時海上環(huán)境 監(jiān)測、突發(fā)自然災害的應急響應技術(shù)領(lǐng)域。
權(quán)利要求
基于半監(jiān)督核自適應學習的遙感高光譜圖像分類方法，其特征在于它的過程如下步驟一、對高光譜圖像訓練樣本集的標注形式進行判定若標注形式為類標簽信息，則執(zhí)行步驟二；若標注形式為邊信息，則執(zhí)行步驟三；步驟二、對高光譜圖像訓練樣本集中的所有樣本進行標注，然后利用Fisher準則和最大間隔準則獲得優(yōu)化目標函數(shù)，然后通過基于遺傳算法的自適應尋求算法對獲得的優(yōu)化目標函數(shù)進行計算，獲得最優(yōu)參數(shù)，然后執(zhí)行步驟四；步驟三、對高光譜圖像訓練樣本集中的所有樣本進行標注，然后利用全局流形保持設(shè)計準則獲得優(yōu)化目標函數(shù)，然后通過基于拉格朗日方法的自適應尋求算法對獲得的優(yōu)化目標函數(shù)進行計算，獲得數(shù)據(jù)依賴核參數(shù)，然后執(zhí)行步驟四；步驟四、根據(jù)具體應用情況判斷核函數(shù)的結(jié)構(gòu)類型若結(jié)構(gòu)類型為不變結(jié)構(gòu)，則執(zhí)行步驟五；若結(jié)構(gòu)類型為變結(jié)構(gòu)，則執(zhí)行步驟六；步驟五、獲得不變結(jié)構(gòu)的最優(yōu)核函數(shù)，然后執(zhí)行步驟七；步驟六、獲得變結(jié)構(gòu)的最優(yōu)核函數(shù)，然后執(zhí)行步驟七；步驟七、根據(jù)獲得的最優(yōu)核函數(shù)，獲得最優(yōu)半監(jiān)督分類器；利用獲得的最優(yōu)半監(jiān)督分類器，對實測遙感高光譜圖像進行分類，獲得該遙感高光譜圖像的類別。
2.根據(jù)權(quán)利要求1所述的基于半監(jiān)督核自適應學習的遙感高光譜圖像分類方法，其特 征在于步驟二所述的對高光譜圖像訓練樣本集中的所有樣本進行標注的具體過程為步驟二一、按照類標簽信息的標注形式，對高光譜圖像訓練樣本集中的每個樣本進行 標注，則存在未標注樣本；步驟二二、以生成式模型作為分類器，將未標注樣本屬于每個已知類別的概率視為一 組缺失參數(shù)，然后采用EM算法對未標注樣本進行標注估計，再以估計的結(jié)果對所述未標注 樣本進行標注。
3.根據(jù)權(quán)利要求1所述的基于半監(jiān)督核自適應學習的遙感高光譜圖像分類方法，其 特征在于步驟三所述的對高光譜圖像訓練樣本集中的所有樣本進行標注的具體過程為步驟三一、獲得所述高光譜圖像訓練樣本集的正約束圖和k最近鄰圖，根據(jù)獲得的正 約束圖和k最近鄰圖，構(gòu)造一個內(nèi)在圖，使得該內(nèi)在圖的一部分與所述正約束圖相對應，使 得該內(nèi)在圖的另一部分與所述k最近鄰圖相對應，同時，使該內(nèi)在圖內(nèi)的數(shù)據(jù)在經(jīng)驗特征 空間內(nèi)的緊湊性最強；步驟三二、獲得所述高光譜圖像訓練樣本集的負約束圖和非k最近鄰圖，根據(jù)獲得的 負約束圖和非k最近鄰圖，構(gòu)造一個懲罰圖，使得該懲罰圖的一部分與所述負約束圖相對 應，使得該懲罰圖的另一部分與所述非k最近鄰圖相對應，同時，使該懲罰圖內(nèi)的類間數(shù)據(jù) 在經(jīng)驗特征空間內(nèi)的分散性最強；步驟三三、根據(jù)構(gòu)造的內(nèi)在圖和懲罰圖，對高光譜圖像訓練樣本集中的所有樣本進行 標注。
4.根據(jù)權(quán)利要求1所述的基于半監(jiān)督核自適應學習的遙感高光譜圖像分類方法，其特 征在于步驟五所述的獲得不變結(jié)構(gòu)的最優(yōu)核函數(shù)的具體過程為步驟五一、對步驟二獲得的最優(yōu)參數(shù)或步驟三獲得的數(shù)據(jù)依賴核參數(shù)進行初始化，將 初始化后的參數(shù)進行編碼后作為候選解；步驟五二、根據(jù)優(yōu)化目標函數(shù)計算所述候選解的適應度，保留適應度大于或等于閾值 的候選解，舍棄其它候選解；步驟五三，對保留的候選解進行復制、交叉以及變異等操作，生成新的候選解； 步驟五四、對新的候選解進行解碼，即得到最優(yōu)核優(yōu)化參數(shù)，進而獲得不變結(jié)構(gòu)的最優(yōu) 核函數(shù)。
5.根據(jù)權(quán)利要求1所述的基于半監(jiān)督核自適應學習的遙感高光譜圖像分類方法，其特 征在于在步驟六中，當步驟一中判定的標注形式為類標簽信息時，所述獲得變結(jié)構(gòu)的最優(yōu) 核函數(shù)的具體過程可以為步驟Al至步驟A3 步驟Al、利用高光譜圖像訓練樣本集的標注信息，擴展獲得數(shù)據(jù)依賴核函數(shù)，然后求得 所述數(shù)據(jù)依賴核函數(shù)與已知基礎(chǔ)核函數(shù)的關(guān)系，并求得所述數(shù)據(jù)依賴核函數(shù)的Fisher度 量表達式，然后建立以該數(shù)據(jù)依賴核函數(shù)參數(shù)為自變量的Fisher度量函數(shù)；步驟A2、根據(jù)所述訓練樣本集的標注信息進行優(yōu)化目標函數(shù)設(shè)計，建立一個用于求解 最優(yōu)數(shù)據(jù)依賴核參數(shù)的約束方程；步驟A3、利用循環(huán)迭代的方法對所述約束方程進行計算，獲得以訓練樣本集為變量的 最優(yōu)解表達式，然后將訓練樣本集代入所述最優(yōu)解表達式，計算獲得自適應參數(shù)，進而獲得 變結(jié)構(gòu)的最優(yōu)核函數(shù)；當步驟一中判定的標注形式為邊信息時，所述獲得變結(jié)構(gòu)的最優(yōu)核函數(shù)的具體過程可 以為步驟Bl至步驟B3 步驟Bi、利用邊信息標注的訓練樣本集，獲得經(jīng)驗映射空間內(nèi)樣本間隔的表達式，然后 利用邊信息建立數(shù)據(jù)依賴核函數(shù)表達式，進行優(yōu)化目標函數(shù)設(shè)計；步驟B2、根據(jù)樣本間隔表達式、數(shù)據(jù)依賴核函數(shù)表達式及目標函數(shù)，建立一個用于求解 最優(yōu)數(shù)據(jù)依賴核參數(shù)的約束方程；步驟B3、利用拉格朗日乘子法對所述約束方程進行計算，獲得以訓練樣本集為變量的 最優(yōu)解表達式，然后將訓練樣本集代入所述最優(yōu)解表達式，計算獲得自適應參數(shù)，進而獲得 變結(jié)構(gòu)的最優(yōu)核函數(shù)。
全文摘要
基于半監(jiān)督核自適應學習的遙感高光譜圖像分類方法，它涉及一種遙感高光譜圖像的分類方法，它解決了目前遙感高光譜圖像分類方法存在分辨率低的問題。本發(fā)明的過程為判定高光譜圖像訓練樣本集的標注形式，獲得優(yōu)化目標函數(shù)，然后獲得最優(yōu)參數(shù)或數(shù)據(jù)依賴核參數(shù)；根據(jù)獲得的參數(shù)，得到不變結(jié)構(gòu)或變結(jié)構(gòu)的最優(yōu)核函數(shù)，進而獲得最優(yōu)半監(jiān)督分類器，利用該分類器即可實現(xiàn)對實測遙感高光譜圖像的分類。本發(fā)明能夠準確地對遙感高光譜圖像的端元進行分類，提高了遙感高光譜圖像的分辨率，能夠應用于地形軍事目標偵察、高效的戰(zhàn)事打擊效果評估、海軍潛艇實時海上環(huán)境監(jiān)測、突發(fā)自然災害的應急響應技術(shù)領(lǐng)域。
文檔編號G06K9/66GK101814148SQ20101016020
公開日2010年8月25日 申請日期2010年4月30日 優(yōu)先權(quán)日2010年4月30日
發(fā)明者霍振國 申請人:霍振國