一種成像光譜目標識別分析中的模式識別方法
【專利摘要】一種成像光譜目標識別分析中的模式識別方法，獲取待測圖像像元中三維成像光譜數(shù)據(jù)的像元光譜二維矩陣；對待預測的像元光譜矩陣進行校正光譜誤差的預處理，得到預處理后的像元光譜二維矩陣；根據(jù)訓練樣本特征權重，計算預測樣本與訓練樣本之間的權重歐式距離，通過權重歐式距離分別獲取預測樣本的在每個訓練樣本類別內的nc個近鄰，根據(jù)所獲的這些近鄰，分別構建超平面；計算預測樣本到每個構建的超平面的最小距離；判斷預測樣本到哪個超平面距離最近，模式識別的結果就是預測樣本屬于這個超平面所屬的類別。本發(fā)明解決了現(xiàn)有技術中的模式識別方法復雜度高與識別精度低的問題。
【專利說明】一種成像光譜目標識別分析中的模式識別方法
【技術領域】
[0001]本發(fā)明涉及成像光譜目標識別分析【技術領域】，尤其涉及一種成像光譜目標識別分析中的模式識別方法。
【背景技術】
[0002]成像光譜是二十世紀地球觀測系統(tǒng)中最重要的技術突破之一，它克服了傳統(tǒng)多波段、多光譜在波段數(shù)、波段范圍、精細信息表達等方面的局限性，以較窄的波段區(qū)間、較多的波段數(shù)量提供目標信息，能夠從光譜空間中對目標予以細分和鑒別，在多個領域都得到了廣泛應用。得到成像光譜數(shù)據(jù)信息后，需要對目標的光譜進行歸類與判別，將反應不同材料與成分含量的光譜進行分類，并判斷出目標的組成成分，進而判斷出目標性質。由于光譜分辨率大幅度提高，成像光譜數(shù)據(jù)比多光譜具有更強的潛在目標識別能力，但在有限訓練樣本條件下，數(shù)據(jù)維數(shù)的增高使樣本/維數(shù)比率大大降低。采用常規(guī)的統(tǒng)計模式識別方法反而無法得到較好地分類結果。目前對成像光譜數(shù)據(jù)進行模式識別所采用的最廣泛的方法為神經(jīng)網(wǎng)絡與支持向量機方法。然而由于在成像光譜目標分類識別的處理時，經(jīng)常會遇到“異物同譜”或者“同物異譜”現(xiàn)象，即不同的目標光譜數(shù)據(jù)呈現(xiàn)相似的特征，同一目標由于某種原因呈現(xiàn)出不同的光譜特征，這使得目標的直方圖多呈現(xiàn)多峰正態(tài)分布，使得神經(jīng)網(wǎng)絡分類算法難于收斂，嚴重降低識別精度。
[0003]目前所用的支持向量機函數(shù)通常是直接在輸入空間中構造線性分類超平面，然而很多問題在輸入空間中并不是線性可分的，類別之間的分類面用非線性的曲面能夠更好的描述。而基于非線性核函數(shù)的支持向量機方法計算復雜，參數(shù)尋優(yōu)有時候會陷入死循環(huán)并且計算量大，在多類目標識別的情況下存在局限性。
[0004]綜上所述，現(xiàn)有的模式識別方法，在識別精度和計算復雜程度上不令人滿意，導致在上位機具體實施方面局限性較大，從而導致模式識別精度降低。

【發(fā)明內容】

[0005]本發(fā)明技術解決問題:克服現(xiàn)有技術的不足，提供一種成像光譜目標識別分析中的模式識別方法，以解決現(xiàn)有技術中的模式識別方法復雜度高與識別精度低的問題。
[0006]本發(fā)明提供的模式識別方法在計算預測樣本與訓練樣本之間的距離時，考慮到訓練樣本特征權重，并在計算樣本的近鄰與超平面時引入了權重歐式距離，權重值為所有訓練樣本組間特征值之差與組內特征值之差之比，突出了貢獻大的波長特征值。通過權重歐式距離選出的近鄰樣本構建的超平面更接近于實際數(shù)學模型，結果精度相對較高。
[0007]為達到上述目的，本發(fā)明的技術方案是這樣實現(xiàn)的:
[0008]步驟101，獲取待測圖像像元中三維成像光譜數(shù)據(jù)的像元光譜二維矩陣；
[0009]步驟102，對待預測的像元光譜二維矩陣進行校正光譜誤差的預處理，得到預處理后的預測像元光譜二維矩陣；
[0010]步驟103，將預處理后的預測像元光譜二維矩陣即預測樣本，與光譜庫中同樣經(jīng)過上述預處理后的已知類別光譜即訓練樣本，進行模式識別匹配；計算訓練樣本特征權重；
[0011]步驟104，根據(jù)訓練樣本特征權重，計算預測樣本與訓練樣本之間的權重歐式距離，通過權重歐式距離分別獲取預測樣本的在每個訓練樣本類別內的η。個近鄰，根據(jù)所獲的這些近鄰，分別構建超平面；
[0012]步驟105，計算預測樣本到每個構建的超平面的最小距離；
[0013]步驟106，判斷預測樣本到哪個超平面距離最近，模式識別的結果就是預測樣本屬于這個超平面所屬的類別。
[0014]所述述步驟101中獲取待測圖像像元中三維成像光譜數(shù)據(jù)的像元光譜二維矩陣，具體包括:
[0015]將所述待預測圖像像元中的三維成像光譜數(shù)據(jù)表示為成像光譜反射率的像元光譜二維矩陣:
[0016]Rmxn = [P1, P1...pyXi+J...pxXy], O < i ≤ x, O < j ≤ y,
[0017]或Rmxn = [P1, P1...pi+xXJ...pxXy]，O < i ≤ x, O < j ≤ y,
[0018]其中，Rmxn表示像元光譜二維矩陣，[p1； P1...pyXi+J...pxXy]和[P1, P1...pi+xXJ...pxXy]表示待測圖像的像元光譜矢量，m表示波段數(shù),η表示待測圖像像元的總數(shù)，X表示待測圖像像元的行數(shù)，Y表示待測圖像像元的列數(shù)，n = xXy。
[0019]所述步驟102中對待預測的像元光譜二維矩陣進行校正光譜誤差的預處理，得到預處理后的預測像元光譜二維矩陣的方法采用標準正交變換方法和小波去噪方法。
[0020]所述步驟103是將預處理后的預測像元光譜二維矩陣即預測樣本與光譜庫中同樣經(jīng)過上述預處理后的已知類別光譜即訓練樣本進行模式識別匹配；計算訓練樣本特征權重具體如下:
[0021]設已經(jīng)存在訓練樣本集，包含L個樣本，J個類別，每個樣本包含d個特征，記為:Xi = (Xil,...，Xid)τ 其所屬類別為 Yi = c(i = 1，...，L ;c = 1，...，J)；
[0022]計算訓練樣本的特征權重:
【權利要求】
1.一種成像光譜目標識別分析中的模式識別方法，其特征在于包括以下步驟: 步驟101，獲取待測圖像像元中三維成像光譜數(shù)據(jù)的像元光譜二維矩陣； 步驟102，對待預測的像元光譜二維矩陣進行校正光譜誤差的預處理，得到預處理后的預測像元光譜二維矩陣； 步驟103，將預處理后的預測像元光譜二維矩陣即預測樣本，與光譜庫中同樣經(jīng)過上述預處理后的已知類別光譜即訓練樣本，進行模式識別匹配；計算訓練樣本特征權重； 步驟104，根據(jù)訓練樣本特征權重，計算預測樣本與訓練樣本之間的權重歐式距離，通過權重歐式距離分別獲 取預測樣本的在每個訓練樣本類別內的η。個近鄰，根據(jù)所獲的這些近鄰，分別構建超平面； 步驟105，計算預測樣本到每個構建的超平面的最小距離； 步驟106，判斷預測樣本到哪個超平面距離最近，模式識別的結果就是預測樣本屬于這個超平面所屬的類別。
2.根據(jù)權利要求1所述成像光譜的目標識別分析中的模式識別方法，其特征在于:所述述步驟101中獲取待測圖像像元中三維成像光譜數(shù)據(jù)的像元光譜二維矩陣，具體包括: 將所述待預測圖像像元中的三維成像光譜數(shù)據(jù)表示為成像光譜反射率的像元光譜二維矩陣:
RmXn [Pi，Pl...PyX i+j*..PxXyl，?〈 ? ^ X，?〈 J ^ YJ
或 RmXn [Pi，Pl*..Pi+xXj...PxXyl，?〈 ? ^ X，?〈 J ^ YJ
其中，Rmxn 表示像元光譜二維矩陣，[P1, P1...pyXi+J...pxXy]和[P1, P1...pi+xXJ...pxXy]表示待測圖像的像元光譜矢量，m表示波段數(shù),η表示待測圖像像元的總數(shù),X表示待測圖像像元的行數(shù)，y表示待測圖像像元的列數(shù)，n = xXy。
3.根據(jù)權利要求1所述成像光譜目標識別分析中的模式識別方法，其特征在于:所述步驟102中對待預測的像元光譜二維矩陣進行校正光譜誤差的預處理，得到預處理后的預測像元光譜二維矩陣的方法采用標準正交變換方法和小波去噪方法。
4.根據(jù)權利要求1所述成像光譜目標識別分析中的模式識別方法，其特征在于:所述步驟103是將預處理后的預測像元光譜二維矩陣即預測樣本與光譜庫中同樣經(jīng)過上述預處理后的已知類別光譜即訓練樣本進行模式識別匹配；計算訓練樣本特征權重具體如下: 設已經(jīng)存在訓練樣本集，包含L個樣本，J個類別，每個樣本包含d個特征，記為:Xi=(xn,..., Xid)τ 其所屬類別為 yi = c(i = 1，...，L ;c = 1，...，J)； 計算訓練樣本的特征權重:
5.根據(jù)權利要求1所述成像光譜目標識別分析中的模式識別方法，其特征在于:所述步驟104中根據(jù)訓練樣本特征權重，計算預測樣本與訓練樣本之間的權重歐式距離:
6.根據(jù)權利要求1所述成像光譜目標識別分析中的模式識別方法，其特征在于:所述步驟104中通過權重歐式距離分別獲取預測樣本的在每個訓練樣本類別內的η。個近鄰，根據(jù)所獲的這些近鄰，分別構建超平面，具體如下:
7.根據(jù)權利I要求所述成像光譜目標識別分析中的模式識別方法，其特征在于:所述步驟105計算預測樣本到每個構建的超平面的最小距離:
8.根據(jù)權利要求1所述成像光譜目標識別分析中的模式識別方法，其特征在于:所述步驟106中判斷預測樣本到哪個超平面距離最近，那么模式識別的結果就是預測樣本屬于這個超平面所屬的類別:
label (q) = argmincJc (q)其中l(wèi)abel (q)為預測樣本所屬類別Je(q)為拉格朗日最小距離算子；argminje(q)代表使Jjq)的值最小的超 平面所屬于的類別。
【文檔編號】G06K9/62GK103955711SQ201410213519
【公開日】2014年7月30日 申請日期:2014年5月20日 優(yōu)先權日:2014年5月20日
【發(fā)明者】李慶波, 張廣軍, 高琦碩 申請人:北京航空航天大學