專利名稱：一種基于獨立成分分析算法的高空間分辨率影像的識別方法
技術領域：
本發(fā)明屬于遙感圖像處理及圖像識別技術領域，是基于獨立成分分析算法，能夠 處理高空間分辨率影像并能有效地對其進行分類識別。
背景技術：
當前遙感數據呈現出高空間、高光譜和高時間分辨率等特點，其種類(星載與機 載、光學與雷達影像)與容量(海量數據)都達到前所未有的規(guī)模，目視解譯海量數據早已 公認是不能完成的任務，必須依靠計算機自動進行信息解譯。然而，高空間分辨率影像信息 的高度細節(jié)化、紋理變化復雜造成同物異譜現象更為突出，給專題信息提取工作帶來了很 大困難，導致識別的自動化程度和正確率難以提高。如何有效地緩解或克服“數據過?！迸c “信息貧乏”之間的矛盾是目前亟待解決的問題。高分辨率影像目標識別已成為遙感應用與 模式識別研究領域的重要課題之一。從整體上看，遙感影像目標識別過程包括影像數據預處理、圖像分割、特征提取、 分類等幾個部分。而特征提取環(huán)節(jié)是整個識別過程中尤為重要的部分，對遙感影像提取的 特征的好壞直接決定了最后識別的效果。因此，深層次地挖掘高空間分辨率影像的特征信 息成為了高空間分辨率影像目標識別的核心內容。目標識別領域目前已經發(fā)展了多種提取特征空間的方法，其中最為常用的是傳統(tǒng) 的主分量分析(PCA)方法(參考對比文件1)和最近幾年發(fā)展迅猛的獨立成分分析(ICA) 方法(參考對比文件2)。PCA方法以消除隨機變量之間的相關性為目標，是一種基于二階 統(tǒng)計特性的線性特征提取方法，其特點是在對高維數據進行降維處理的同時盡可能地保留 了原始數據的特征。由于PCA方法只對隨機變量的協(xié)方差矩陣進行計算和分析，所以，提取 的特征向量只能消除隨機變量之間的二階冗余信息，反映隨機變量的全局特征。但是，由于 在其處理過程中，沒有考慮隨機變量的高階統(tǒng)計特性，所以經過PCA方法處理后的數據仍 然存在著隨機變量之間的高階冗余信息。但是，實際上，在高空間分辨率影像中，其高階統(tǒng) 計特性常常包含著對分類產生更為重要影響的特征信息。而ICA方法以將混合信號分離成 相互獨立的成分為目標，是一種基于高階統(tǒng)計信息的非線性特征提取方法，其特點在于不 僅消除了輸入的隨機變量之間的相關性(ICA方法分解出來的各分量是相互獨立性，進而 也就消除了各分量之間的相關性)，保留了原始數據的特征，而且ICA方法充分考慮了輸入 的隨機變量的高階統(tǒng)計信息，提取的特征向量還反應了高階統(tǒng)計信息的特性。因此，由ICA 方法提取的特征向量不僅是相互獨立的，而且還反映了高空間分辨率影像的全局特征、局 部特征和邊緣特征。所以，在實際應用中，ICA方法更適用于對高空間分辨率影像進行特征 提取。對比文件1 甘俊英，李春芝，2008. 2DPCA-ICA算法在人臉識別中的應用[J].電路 與系統(tǒng)學報，13 (4) =24-28.對比文 # 2 =Kwak, K. C. , Pedrycz, W. ,2007. Face recognition using an
3enhanced independent component analysisapproach[J].IEEE Trans on Nerual Networks, 18(2) :530_541·

發(fā)明內容
由于基于傳統(tǒng)獨立成分分析方法提取的特征空間不能最優(yōu)區(qū)分不同類別樣本，為 此，本發(fā)明提出一種改進的基于獨立成分分析的目標識別方法(Multi-ICA)。該方法為每個 類別的樣本構造單獨的特征空間，通過投影到特征空間，得到表征該類別樣本特征的特征 向量集合。Multi-ICA方法提取的特征空間是基于某類樣本圖像的共性特征建立，同一類別 樣本間的歐式距離要小于不同類別樣本之間的歐式距離。因此，可以將待識別樣本分類到 具有最小歐式距離的特征空間所對應的類別上。這種種基于獨立成分分析算法的高空間分辨率影像的識別方法，包括獨立成分分 析算法提取特征空間、分類識別兩個步驟。其中獨立成分分析算法提取特征空間算法包括現有一個具有m個類別的圖像訓練集，每個類別有、(i = 1，2，...，m)個樣本。將 訓練樣本集中的每一幅圖像按行掃描成行向量。建立特征空間的步驟為(a)對第i類的圖像樣本進行預處理。首先是進行零均值處理，然后進行白化處 理。i = l,2,...,m;(b)采用快速獨立成分分析算法估計分離矩陣W，進而估計出混合矩陣A和到得第 i類的圖像樣本的基圖像矢量Si ；(c)對基圖像矢量Si求偽逆，即得到第i類圖像樣本的特征空間S:;(d)對各類的特征空間V進行優(yōu)化；(e)將第i類的圖像樣本Xi向其特征空間V投影X =A ，得到表征第i類 圖像樣本Xi的特征向量yi。其中分類識別算法包括對于一個待識別的圖像樣本f，其識別步驟為(a)向第i類圖像樣本的特征空間投影，得到其特征向量；(b)計算其與第i類圖像樣本的平均特征向量Λ.的歐式距離Cli ；(c)取距離向量d(d = (Cl1,.. .，dm))中的最小分量所對應的類別為其所屬類別。


圖1是北京地區(qū)的Quickbird高分辨率衛(wèi)星部分影像。圖2是經過灰度化處理后的部分樣本圖像。圖3是本發(fā)明整體流程圖。圖4是分類識別結果比較表。
具體實施例方式本發(fā)明的目的在于解決高空間分辨率影像的分類識別問題。具體步驟如下首先 對高空間分辨率影像使用主成分分析算法進行白化處理，然后用獨立成分分析算法對圖像 進行分類提取特征空間，最后以歐式距離為基礎進行分類識別。上述方法中，所述“獨立成分分析算法”如下現有一個具有m個類別的圖像訓練集，每個類別有、(i = 1，2，. . .，m)個樣本。將訓練樣本集中的每一幅圖像按行掃描成行 向量。建立特征空間的步驟為(a)對第i類的圖像樣本進行預處理。首先是進行零均值處理，然后進行白化處 理。i = l,2,...,m;(b)采用快速獨立成分分析算法估計分離矩陣W，進而估計出混合矩陣A和到得第 i類的圖像樣本的基圖像矢量Si ；(c)對基圖像矢量Si求偽逆，即得到第i類圖像樣本的特征空間V ；(d)對各類的特征空間V進行優(yōu)化；(e)將第i類的圖像樣本Xi向其特征空間《投影兄· =x, χS,+，得到表征第i類 圖像樣本Xi的特征向量yi。上述方法中，所述“分類識別算法”如下對于一個待識別的圖像樣本f，其識別步 驟為(a)向第i類圖像樣本的特征空間投影，得到其特征向量；(b)計算其與第i類圖像樣本的平均特征向量&的歐式距離Cli ；(c)取距離向量d(d = (Cl1,.. .，dm))中的最小分量所對應的類別為其所屬類別。實驗結果我們以北京地區(qū)的高分辨率衛(wèi)星Quickbird影像為例，進行目標識別實驗，結果 表明，本發(fā)明提出的基于獨立成分分析算法的高空間分辨率影像的識別方法的識別率有明 顯的提高，這是因為Multi-ICA算法的識別率要高于傳統(tǒng)ICA算法和PCA算法，這是因為傳 統(tǒng)ICA算法和PCA算法得到的特征空間是建立在所有類別樣本圖像的共性之上的，對于類 別之間的差異描述得不夠充分，而Multi-ICA算法的特征空間則是建立在某類樣本圖像的 共性之上，不同類別的樣本對應著不同的特征空間，因而，類別之間的差異得到描述，所以， Multi-ICA算法的識別率效果更好。并且在一定程度上，緩解了由于樣本數量增加導致樣本 特征向量維數增加的問題。
權利要求
一種基于獨立成分分析算法的高空間分辨率影像的識別方法，包括獨立成分分析算法提取特征空間、分類識別兩個步驟。
2.如權利要求1基于獨立成分分析算法的高空間分辨率影像的識別方法，其中獨立成 分分析算法提取特征空間算法包括現有一個具有m個類別的圖像訓練集，每個類別有、(i = 1，2，. . .，m)個樣本。將訓 練樣本集中的每一幅圖像按行掃描成行向量。建立特征空間的步驟為(a)對第i類的圖像樣本進行預處理。首先是進行零均值處理，然后進行白化處理。i =1，2，· · ·，m ；(b)采用快速獨立成分分析算法估計分離矩陣W，進而估計出混合矩陣A和到得第i類 的圖像樣本的基圖像矢量Si;(c)對基圖像矢量S1求偽逆，即得到第i類圖像樣本的特征空間V；(d)對各類的特征空間<進行優(yōu)化；(e)將第i類的圖像樣本Xi向其特征空間矽投影只二 x《+，得到表征第i類圖像樣 本Xi的特征向量Yi。
3.如權利要求1基于獨立成分分析算法的高空間分辨率影像的識別方法，其中分類識 別算法包括對于一個待識別的圖像樣本f，其識別步驟為(a)向第i類圖像樣本的特征空間投影，得到其特征向量；(b)計算其與第i類圖像樣本的平均特征向量％的歐式距離Cli；(c)取距離向量d(d= (Cl1, . . .，dm))中的最小分量所對應的類別為其所屬類別。
全文摘要
本發(fā)明提出了一種基于獨立成分分析算法的高空間分辨率影像的識別方法。目的在于解決高空間分辨率影像的分類識別問題。具體步驟如下首先對高空間分辨率影像使用主成分分析算法進行白化處理，然后用獨立成分分析算法對圖像進行分類提取特征空間，最后以歐式距離為基礎進行分類識別。
文檔編號G06T7/00GK101930548SQ20101020849
公開日2010年12月29日 申請日期2010年6月24日 優(yōu)先權日2010年6月24日
發(fā)明者余先川, 彭迪 申請人:北京師范大學