專利名稱：一種高光譜圖像半監(jiān)督分類方法及裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及遙感高光譜圖像的分類方法及裝置，更具體地說，涉及一種聚類和支持向量機(jī)(Support vector machine, SVM)協(xié)同的高光譜圖像半監(jiān)督分類方法及裝置。
背景技術(shù)：
目前常用的高光譜圖像分類算法可分為監(jiān)督和非監(jiān)督算法。傳統(tǒng)的監(jiān)督分類方法包括光譜角填圖法、平行六面體方法、最大似然法、最小距離法、馬氏距離法；傳統(tǒng)的非監(jiān)督分類方法包括IsoData方法、K-Means方法等。除了以上傳統(tǒng)方法，還有新的分類方法,如神經(jīng)網(wǎng)絡(luò)、決策樹、SVM和專家系統(tǒng)等。然而高光譜圖像波段多、數(shù)據(jù)量大，類標(biāo)簽樣本獲取代價(jià)大，少量的類標(biāo)簽樣本很難準(zhǔn)確估計(jì)出遙感地物類別的空間分布，導(dǎo)致傳統(tǒng)的監(jiān)督分類方法很難取得較好的分類效果O半監(jiān)督方法可以將少量類標(biāo)簽樣本與大量無類標(biāo)簽樣本結(jié)合提高學(xué)習(xí)的泛化能力。高光譜圖像中，如果樣本點(diǎn)位于同一聚類中，則它們類標(biāo)簽信息一致性可能較大。聚類在很大程度上反應(yīng)了高光譜圖像的內(nèi)部數(shù)據(jù)結(jié)構(gòu)，目前尚未出現(xiàn)能夠有效地結(jié)合聚類信息的高光譜圖像半監(jiān)督分類方法。

發(fā)明內(nèi)容
本發(fā)明要解決的技術(shù)問題在于，針對現(xiàn)有高光譜圖像分類技術(shù)的上述缺陷，提出一種可行的、高精度的聚類和SVM協(xié)同的高光譜圖像半監(jiān)督分類方法及裝置。本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是:一種高光譜圖像半監(jiān)督分類方法，包括以下步驟:步驟1:對高光譜圖像進(jìn)行光譜角加權(quán)的基于核函數(shù)模糊C均值聚類得到聚類指示特征；步驟2:對高光譜圖像進(jìn)行支持向量機(jī)(SVM)半監(jiān)督分類得到第一分類圖像Imagel，對聚類指示特征進(jìn)行支持向量機(jī)(SVM)半監(jiān)督分類得到第二分類圖像Image2 ；步驟3:構(gòu)建聚類和SVM協(xié)同框架，將Imagel和Image2分類結(jié)果嵌入聚類和SVM協(xié)同框架進(jìn)行協(xié)同分析得到最終高光譜分類圖像。作為優(yōu)選，所述的步驟I還包括以下步驟:步驟1.1:初始化聚類中心，設(shè)定樣本與聚類中心的光譜角權(quán)值，得到光譜角權(quán)值矩陣；步驟1.2:假定高光譜樣本 X = {x1;x2，...，xN}，X1=U11, X12,…，xlp}，P 為波段數(shù)；類標(biāo)簽為Y= {ypy2，…，yN}，對于類標(biāo)簽有71 e Y, Yi e {1，2，...，C}，其中C為類別數(shù)；K是聚類數(shù)，第K類的聚類中心為vk，矩陣V 二 Iv1, V2，…，νκ}旺武包含了所有的聚類中心；高光譜圖像某一樣本Xi屬于某一類別j, i=l, 2，…，n, j e [I, 2,..., k],每一個(gè)高維特征空
間樣本為根據(jù)光譜角權(quán)值矩陣得到樣本對聚類類別j核聚類中心0( );
步驟1.3:定義光譜角加權(quán)的基于核函數(shù)模糊C均值聚類的拉格朗日函數(shù)LKsrcM，得到最小化式Lksfqi的隸屬度函數(shù)Uij ；步驟1.4:根據(jù)隸屬度函數(shù)uu，得到每一個(gè)樣本Xi的聚類指示特征r”作為優(yōu)選，所述的步驟2還包括以下步驟:步驟2.1:對高光譜圖像進(jìn)行支持向量機(jī)(SVM)半監(jiān)督分類，利用SVM訓(xùn)練類標(biāo)簽樣本得到兩個(gè)分類器Cl和C2，Cl和C2分別對無類標(biāo)簽樣本預(yù)測，得到置信度高的無類標(biāo)簽樣本及其預(yù)測標(biāo)簽加入到類標(biāo)簽樣本訓(xùn)練集中，直至樣本分類結(jié)束，得到第一分類圖像Imagel ；步驟2.2:選取聚類中心作為類標(biāo)簽樣本，利用SVM建立兩個(gè)分類器對聚類指示特征A進(jìn)行半監(jiān)督分類得到第二分類圖像Image2 ；4.根據(jù)權(quán)利要求2所述的一種高光譜圖像半監(jiān)督分類方法，其特征在于:所述的光譜角權(quán)值矩陣?yán)霉庾V角角度大小決定權(quán)值大?。桓吖庾V圖像上每個(gè)像素η個(gè)波段的光譜響應(yīng)作為η維空間的矢量，其光譜角可用反余弦表示為:
_0019]
權(quán)利要求
1.一種高光譜圖像半監(jiān)督分類方法，包括以下步驟: 步驟1:對高光譜圖像進(jìn)行光譜角加權(quán)的基于核函數(shù)模糊C均值聚類得到聚類指示特征； 步驟2:對高光譜圖像進(jìn)行支持向量機(jī)(SVM)半監(jiān)督分類得到第一分類圖像ImagelM聚類指示特征進(jìn)行支持向量機(jī)(SVM)半監(jiān)督分類得到第二分類圖像Image2 ； 步驟3:構(gòu)建聚類和SVM協(xié)同框架，將Imagel和Image2分類結(jié)果嵌入聚類和SVM協(xié)同框架進(jìn)行協(xié)同分析得到最終高光譜分類圖像。
2.根據(jù)權(quán)利要求1所述的一種高光譜圖像半監(jiān)督分類方法，其特征在于:所述的步驟I還包括以下步驟: 步驟1.1:初始化聚類中心，設(shè)定樣本與聚類中心的光譜角權(quán)值，得到光譜角權(quán)值矩陣； 步驟1.2:假定高光譜樣本X= (X1, X2, “.，χΝ}，X1=U11, χ12,…，xlp}, P為波段數(shù)；類標(biāo)簽為Y={yi，y2，…，yN}，對于類標(biāo)簽有yi e Y，yi e {1,2,…，C}，其中C為類別數(shù)；K是聚類數(shù)，第K類的聚類中心為vk，矩陣V=Iv1, V2，…，νκ}包含了所有的聚類中心；高光譜圖像某一樣本Xi屬于某一類別j，i=l，2,…，n，j e [1,2，…，k],每一個(gè)高維特征空間樣本為0(xs)，根據(jù)光譜角權(quán)值矩陣得到樣本對聚類類別j核聚類中心 步驟1.3:定義光譜角加權(quán)的基于核函數(shù)模糊C均值聚類的拉格朗日函數(shù)Lksfqi,得到最小化式Lksfqi的隸屬度函數(shù)uij; 步驟1.4:根據(jù)隸屬度函數(shù)uu，得到每一個(gè)樣本Xi的聚類指示特征A。
3.根據(jù)權(quán)利要求1所述的一種高光譜圖像半監(jiān)督分類方法，其特征在于:所述的步驟2還包括以下步驟: 步驟2.1:對高光譜圖像進(jìn)行支持向量機(jī)(SVM)半監(jiān)督分類，利用SVM訓(xùn)練類標(biāo)簽樣本得到兩個(gè)分類器Cl和C2，Cl和C2分別對無類標(biāo)簽樣本預(yù)測，得到置信度高的無類標(biāo)簽樣本及其預(yù)測標(biāo)簽加入到類標(biāo)簽樣本訓(xùn)練集中，直至樣本分類結(jié)束，得到第一分類圖像Imagel ； 步驟2.2:選取聚類中心作為類標(biāo)簽樣本，利用SVM建立兩個(gè)分類器對聚類指示特征ri進(jìn)行半監(jiān)督分類得到第二分類圖像Image2。
4.根據(jù)權(quán)利要求2所述的一種高光譜圖像半監(jiān)督分類方法，其特征在于:所述的光譜角權(quán)值矩陣?yán)霉庾V角角度大小決定權(quán)值大?。桓吖庾V圖像上每個(gè)像素η個(gè)波段的光譜響應(yīng)作為η維空間的矢量，其光譜角可用反余弦表示為:
5.根據(jù)權(quán)利要求3所述的一種高光譜圖像半監(jiān)督分類方法，其特征在于:所述的支持向量機(jī)(SVM)半監(jiān)督分類還包括以下步驟: 步驟2.1.1:設(shè)有樣本集X={X1; XJ，其中X1為類標(biāo)簽樣本集，Xu為無類標(biāo)簽樣本集，輸入類標(biāo)簽樣本集X1，無類標(biāo)簽樣本集Xu; 步驟2.1.2 =SVM對X1訓(xùn)練，得到分類器Cl、C2，其中Cl的參數(shù)為默認(rèn)值，C2的參數(shù)為遺傳算法優(yōu)選的參數(shù)； 步驟2.1.3:利用分類器Cl對Xu進(jìn)行預(yù)測，并得到標(biāo)記結(jié)果pl，利用分類器C2對Xu進(jìn)行預(yù)測，并得到標(biāo)記結(jié)果P2; 步驟2.1.4:比較pl、p2，選擇置信度高的無標(biāo)簽樣本及其預(yù)測標(biāo)簽加入到訓(xùn)練集中，即將標(biāo)記結(jié)果一致的樣本加入到訓(xùn)練集X1中，并更新X1，直至滿足迭代終止條件，則退出循環(huán)。
6.根據(jù)權(quán)利要求1所述的一種高光譜圖像半監(jiān)督分類方法，其特征在于:所述的聚類和SVM協(xié)同框架由聚類損耗函數(shù)(ClusterLoss，CuL)、分類一致函數(shù)(ClassConsistent，CaC)、分類差異性(classification difference，CD)、樣本差異性(sample difference，SD)構(gòu)建； 聚類損耗函數(shù)為:
7.一種高光譜圖像半監(jiān)督分類裝置，包括聚類模塊、分類模塊、協(xié)同分析模塊； 所述的聚類模塊，用于對所述高光譜圖像執(zhí)行光譜角加權(quán)的基于核函數(shù)模糊C均值聚類以得到聚類指示特征； 所述的分類模塊，用于對所述高光譜圖像執(zhí)行兩次SVM分類器以得到第一分類圖像Imagel和第二分類圖像Image2,其中Imagel為SVM分類器對原始高光譜圖像分類結(jié)果，Image2為SVM分類器對聚類指示特征分類結(jié)果； 所述的協(xié)同分析模塊，用于將兩次SVM分類器得到的第一分類圖像Imagel和第二分類圖像Image2協(xié)同分析構(gòu)建聚類和SVM協(xié)同框架，以得到最終高光譜分類圖像； 所述的聚類模塊與所述的分類模塊并聯(lián)后與所述的協(xié)同分析模塊串聯(lián)連接。
全文摘要
本發(fā)明涉及遙感高光譜圖像的分類方法及裝置，所述的方法，包括以下步驟步驟1對高光譜圖像進(jìn)行光譜角加權(quán)的基于核函數(shù)模糊C均值聚類得到聚類指示特征；步驟2對高光譜圖像進(jìn)行支持向量機(jī)(SVM)半監(jiān)督分類得到第一分類圖像Image1，對聚類指示特征進(jìn)行支持向量機(jī)(SVM)半監(jiān)督分類得到第二分類圖像Image2；步驟3構(gòu)建聚類和SVM協(xié)同框架，將Image1和Image2分類結(jié)果嵌入聚類和SVM協(xié)同框架進(jìn)行協(xié)同分析得到最終高光譜分類圖像。所述的裝置，包括聚類模塊、分類模塊、協(xié)同分析模塊；本高光譜圖像半監(jiān)督分類方法及裝置是一種可行的、高精度的聚類和SVM協(xié)同的高光譜圖像半監(jiān)督分類方法及裝置。
文檔編號(hào)G06K9/66GK103150580SQ201310085370
公開日2013年6月12日 申請日期2013年3月18日 優(yōu)先權(quán)日2013年3月18日
發(fā)明者邵振峰, 張磊 申請人:武漢大學(xué)