一種基于稀疏異構(gòu)分組的高光譜遙感影像的分類器構(gòu)建方法
【專利摘要】一種基于稀疏異構(gòu)分組的高光譜遙感影像的分類器構(gòu)建方法，本發(fā)明涉及基于稀疏異構(gòu)分組的高光譜遙感影像的分類器構(gòu)建方法。本發(fā)明為了解決技術(shù)需要大量的訓(xùn)練樣本及分類精度降低的問題。本發(fā)明步驟為：一、輸入一個待分類的高光譜遙感影像；二、構(gòu)造樣本集L；三、獲得稀疏描述矢量集合V；四、獲得異構(gòu)組列表GL；五、獲得待訓(xùn)練波段列表TBList；六、根據(jù)TBList和有分類標(biāo)簽的訓(xùn)練樣本集合LS構(gòu)造訓(xùn)練樣本子集，通過支持向量機算法學(xué)習(xí)獲得高光譜遙感影像的分類器。本發(fā)明利用較少樣本選取到一組有足夠差異性的高光譜遙感影像波段，構(gòu)造分類器，獲得較好的高光譜遙感影像分類質(zhì)量。本發(fā)明應(yīng)用于遙感影像分析與處理技術(shù)領(lǐng)域。
【專利說明】
一種基于稀疏異構(gòu)分組的高光譜遙感影像的分類器構(gòu)建方法
技術(shù)領(lǐng)域
[0001 ]本發(fā)明涉及基于稀疏異構(gòu)分組的高光譜遙感影像的分類器構(gòu)建方法。
【背景技術(shù)】
[0002] 高光譜遙感影像是通過高光譜傳感器，在電磁波譜的紫外、可見光、近紅外和中紅 外區(qū)域，以數(shù)十至數(shù)百個連續(xù)且細分的光譜波段對目標(biāo)區(qū)域同時成像產(chǎn)生的。利用高光譜 影像可以在更深層次上反應(yīng)地物的特征，對于識別較難區(qū)分的地物具有很重要的作用，目 前已經(jīng)廣泛的應(yīng)用于地表分類、農(nóng)業(yè)監(jiān)測、環(huán)境管理等領(lǐng)域。
[0003] 要利用高光譜遙感影像需要對每個像元進行分類，獲得每個像元對應(yīng)的土地利用 類型。構(gòu)建分類器可以對高光譜影像進行自動分類可對影像中的每一個像元賦予對應(yīng)的類 目，因此構(gòu)建分類器對于高光譜影像應(yīng)用十分重要。由于高光譜遙感影像包含數(shù)百個波段， 數(shù)據(jù)維度較高，直接構(gòu)造分類模型會引起過渡擬合現(xiàn)象，所以目前采用的技術(shù)主要是先利 用主成分分析、基于決策能力的屬性選取、基于遺傳算法的染色體選取等技術(shù)進行高光譜 波段的選取，然后根據(jù)選取到的波段利用神經(jīng)網(wǎng)、支持向量機、決策樹等算法構(gòu)造分類器， 進而利用該分類器進行自動化分類。此類方法具有以下兩個局限性，一是，此類方法需要大 量的訓(xùn)練樣本，而某些地區(qū)可獲得的訓(xùn)練樣本數(shù)量非常少，難以保證選取到有價值波段;二 是，較難保證選取到的波段具有足夠的差異性來全面的反應(yīng)待分類的目標(biāo)，使得獲得的分 類模型與分類目標(biāo)之間存在較大偏差。兩種局限性均會導(dǎo)致分類精度降低，使得高光譜遙 感影像分類質(zhì)量下降。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明是為了解決現(xiàn)有技術(shù)需要大量的訓(xùn)練樣本及分類精度降低的問題，而提出 的一種基于稀疏異構(gòu)分組的高光譜遙感影像的分類器構(gòu)建方法。
[0005] -種基于稀疏異構(gòu)分組的高光譜遙感影像的分類器構(gòu)建方法按以下步驟實現(xiàn)：
[0006] 步驟一:輸入一個待分類的高光譜遙感影像；
[0007] 步驟二:輸入高光譜遙感影像分類的類目個數(shù)M，輸入有分類標(biāo)簽的訓(xùn)練樣本集合 LC，在一個高光譜遙感影像中隨機選取獲得無分類標(biāo)簽的訓(xùn)練樣本集合LUC，整合有分類標(biāo) 簽的訓(xùn)練樣本集合和無分類標(biāo)簽的訓(xùn)練樣本集合構(gòu)造樣本集L;
[0008] 步驟三:高光譜遙感影像包含波段集合Band，對每一個波段構(gòu)造稀疏描述矢量，構(gòu) 成稀疏描述矢量集合V:
[0009] V=(Vi,V2,---,Vi,---,VBN)
[0010] VdBancU的描述矢量，V2為Band2的描述矢量，Vi為Bandi的描述矢量，VBN為BandBN 的描述矢量；
[0011 ] Band = (Bandi，Bancb，…，Bandi，…，BandBN)
[0012] Bandl為第1個波段，Band2為第2個波段，Bandi為第i個波段，BandBN為第BN個波段；
[0013] 步驟四：根據(jù)稀疏描述矢量集合V，將高光譜遙感影像的所有波段分為Μ個異構(gòu)組， 構(gòu)成異構(gòu)組列表GL;
[0014] 步驟五:在異構(gòu)組列表GL中，每個組取出組內(nèi)的第一個和最后一個波段，構(gòu)成待訓(xùn) 練波段列表TBList;
[0015] 步驟六:根據(jù)TBLi st和有分類標(biāo)簽的訓(xùn)練樣本集合LS構(gòu)造訓(xùn)練樣本子集，通過支 持向量機算法學(xué)習(xí)獲得高光譜遙感影像的分類器。
[0016] 發(fā)明效果：
[0017] 本發(fā)明提供一種基于稀疏異構(gòu)分組的高光譜遙感影像的分類器構(gòu)建方法，利用本 方法可以利用較少樣本選取到一組有足夠的差異性的高光譜遙感影像的波段，并利用這些 波段構(gòu)建一個分類模型。通過該方法可以實現(xiàn)較高精度的高光譜遙感影像分類?？梢詮V泛 的應(yīng)用于地表分類、農(nóng)業(yè)監(jiān)測、環(huán)境管理等領(lǐng)域，尤其是對于訓(xùn)練樣本獲取困難、地物類型 混雜難于確定樣本的地區(qū)具有較好的應(yīng)用價值。
【附圖說明】
[0018] 圖1為本發(fā)明流程圖；
[0019] 圖2為構(gòu)造樣本集L的流程圖；
[0020] 圖3為獲得稀疏描述矢量集合V的流程圖；
[0021 ]圖4為獲得異構(gòu)組列表GL的流程圖；
[0022]圖5為獲得待訓(xùn)練波段列表TBList的流程圖；
[0023] 圖6為獲得高光譜遙感影像的分類器的流程圖。
【具體實施方式】
【具體實施方式】 [0024] 一:如圖1所示，一種基于稀疏異構(gòu)分組的高光譜遙感影像的分類器 構(gòu)建方法包括以下步驟：
[0025] 步驟一:輸入一個待分類的高光譜遙感影像；
[0026] 步驟二:如圖2所示，輸入高光譜遙感影像分類的類目個數(shù)Μ，輸入有分類標(biāo)簽的訓(xùn) 練樣本集合LC，在一個高光譜遙感影像中隨機選取獲得無分類標(biāo)簽的訓(xùn)練樣本集合LUC，整 合有分類標(biāo)簽的訓(xùn)練樣本集合和無分類標(biāo)簽的訓(xùn)練樣本集合構(gòu)造樣本集L;
[0027]步驟三:高光譜遙感影像包含波段集合Band，對每一個波段構(gòu)造稀疏描述矢量，構(gòu) 成稀疏描述矢量集合V:
[0028] V=(Vi,V2,---,Vi,---,VBN)
[0029] ViSBancU的描述矢量，V2為Band2的描述矢量，Vi為Bandi的描述矢量，V BN為Band? 的描述矢量；
[0030] Band = (Bandi，Bancb，…，Bandi，…，BandBN)
[0031] Bandl為第1個波段，Band2為第2個波段，Bandi為第i個波段，Band?為第BN個波段；
[0032] 步驟四：根據(jù)稀疏描述矢量集合V，將高光譜遙感影像的所有波段分為Μ個異構(gòu)組， 構(gòu)成異構(gòu)組列表GL;
[0033]步驟五:在異構(gòu)組列表GL中，每個組取出組內(nèi)的第一個和最后一個波段，構(gòu)成待訓(xùn) 練波段列表TBList;
[0034]步驟六:根據(jù)TBLi st和有分類標(biāo)簽的訓(xùn)練樣本集合LS構(gòu)造訓(xùn)練樣本子集，通過支 持向量機算法學(xué)習(xí)獲得高光譜遙感影像的分類器。
【具體實施方式】 [0035] 二:本實施方式與一不同的是:所述步驟一中的高光 譜遙感影像的寬度為Width，高度為Height，包含BN個波段，所有波段的構(gòu)成波段的集合 Band〇
[0036] 其它步驟及參數(shù)與【具體實施方式】一相同。
【具體實施方式】 [0037] 三:本實施方式與一或二不同的是:所述步驟二中LC 為一個包含N個樣本的集合；
[0038] LC = (LCi，LC2，…LCi，…LCn)
[0039] 在LC中LCi是第1個樣本，LC2是第2個樣本，IX〗是第I個樣本，1 < I <N，LCn是第N個 樣本；
[0040] 對于每個樣本LC: = (X，Y，C)，其中，X為該樣本在高光譜遙感影像中的X坐標(biāo)，Y為 該樣本在高光譜遙感影像中的Y坐標(biāo);C為類目編號，取值范圍為1到M。
[0041 ]其它步驟及參數(shù)與【具體實施方式】一或二相同。
[0042]【具體實施方式】四：本實施方式與【具體實施方式】一至三之一不同的是:所述步驟二 中LUC包含U個樣本；
[0043] LUC = (LUCi，LUC2，…LUCj，…LUCu)
[0044] 在LUC中LU&是第1個樣本，LUC2是第2個樣本，LUCj是第J個類目，1彡J彡N，LUCu是 第 U 個類目；LUC〗=(UX，UY，UC);
[0045] 其中，UX = Random( 1~Width)為1到Width之間的隨機整數(shù)，為該樣本在高光譜遙 感影像中的X坐標(biāo);UY = Random (1~He i ght)為1到He i ght之間的隨機整數(shù)，為該樣本在高光 譜遙感影像中的Y坐標(biāo);UC = -1表示對應(yīng)的樣本所屬類別未知。
[0046] 其它步驟及參數(shù)與【具體實施方式】一至三之一相同。
【具體實施方式】 [0047] 五:本實施方式與一至四之一不同的是:所述步驟二 中構(gòu)造樣本集L具體為：
[0048] L = LCULUC
[0049] 樣本集L為分類標(biāo)簽的訓(xùn)練樣本集合LC與無分類標(biāo)簽的訓(xùn)練樣本集和LUC的并集， L表不為：
[0050] L = (Li, L2, ·'', Lu+n)
[0051 ] 在L中共包含U+N個樣本，U為第1個樣本，L2為第2個樣本，LU+N為第U+N個樣本；
[0052]其中任意一個元素 Lk= (SX，SY，SC)，SX為其橫坐標(biāo)，SY為其縱坐標(biāo)，SC為其對應(yīng)類 目；若該樣本來自IX，則SX = X，SY = Y，SC = C;若該樣本來自于LUC，則SX = UX，SY = UY，SC = UCo
[0053]其它步驟及參數(shù)與【具體實施方式】一至四之一相同。
[0054]【具體實施方式】六:本實施方式與【具體實施方式】一至五之一不同的是：如圖3所示， 所述步驟三中Bandi的描述矢量Vi的構(gòu)造過程為：
[0055] 步驟三一:初始化Bandi的描述矢量Vi;
[0056] Vi = zeros(M)
[0057] 其中，zer〇S(M)表示生成一個Μ個元素的矢量，該矢量所有元素值為0;
[0058] 步驟三二:計算Bandi中的最大值Max和最小值Min;
[0059] 步驟三三:描述矢量計數(shù)器Counter = l，即將描述矢量計數(shù)器Counter置為1;
[0060]步驟三四：初始化計數(shù)矢量C1和計數(shù)矢量C2;
[0061 ] Cl = zeros(10)，其中zeros(10)表示初始化一個10個元素，且值全為0的矢量； [0062] C2 = zeros(10)，其中zeros(10)表示初始化一個10個元素，且值全為0的矢量； [0063] 步驟三五：分段計數(shù)器SCounter = l，即將分段計數(shù)器SCounter置為1;
[0064] 步驟三六：構(gòu)造值域區(qū)間[Lower, Upper];其中，[Lower, Upper]通過如下公式計 算：
[0065] Lower=Min+(SCounter-l) X (Max-Min)/10
[0066] Upper=Min+SCounterX(Max-Min)/10
[0067] 步驟三七:對于樣本集L，每一個樣本根據(jù)其SX和SY坐標(biāo)取出第i個波段對應(yīng)的值 value，統(tǒng)計數(shù)量落入?yún)^(qū)間[Lower，Upper ]的樣本個數(shù)計入C1和C2之中；
[0068] 01[5&3111^61']=在樣本集1^中，樣本的￥31116在區(qū)間[1^0￥61'，1^口61']內(nèi)，且所屬類別 SC等于Counter的樣本個數(shù)；
[0069] C2[SCounter]=在樣本集L中，樣本的value在區(qū)間[Lower，Upper]內(nèi)，且所屬類別 SC等于-1的樣本個數(shù)；
[0070] 步驟三八：SCounter = SCounter+l，分段計數(shù)器SCounter的數(shù)值增加1;
[0071] 步驟三九:若SCounter>10，轉(zhuǎn)到步驟三十，否則轉(zhuǎn)至步驟三六；
[0072]步驟三十:根據(jù)C1和C2計算有標(biāo)記樣本對于第Counter個類目的稀疏程度;計算公 式為：
[0074]其中Cl[t]為C1中的第t個元素，C2[t]為C2中的第t個元素；
[0075] 步驟三^ :將Vi的第Counter個元素賦值為Sparse;
[0076] Vi[Counter] = Sparse
[0077] 步驟三十二:Counter = Counter+l，描述矢量計數(shù)器Counter的數(shù)值增加1;
[0078] 步驟三十三:若Counter>M，則轉(zhuǎn)到步驟三十四，否則轉(zhuǎn)到步驟三四；
[0079]步驟三十四：計算Vi的過程結(jié)束。
[0080]其它步驟及參數(shù)與【具體實施方式】一至五之一相同。
【具體實施方式】 [0081] 七:本實施方式與一至六之一不同的是:所述步驟四 中GL具體為：
[0082] GL=(GLi，GL2，...，GLi，· ·，GLm)
[0083]其中，GLi為第1個類目對應(yīng)的分組，GL2為第2個類目對應(yīng)的分組，GLi為第i個類目 對應(yīng)的分組，1 <M，GLm為第Μ個類目對應(yīng)的分組。
[0084] 其它步驟及參數(shù)與【具體實施方式】一至六之一相同。
【具體實施方式】 [0085] 八:本實施方式與一至七之一不同的是:如圖4所示， 所述GU的構(gòu)造過程為：
[0086] 步驟a:初始化GU，其內(nèi)容為空，GU = 〇 ;
[0087] 步驟b:描述矢量列表V，根據(jù)每一個描述矢量的第i個元素的數(shù)值，找到數(shù)值最大 的矢量位置j，即第j個波段；
[0088] 步驟c:將第j個波段Band」并入GU中，GLi=GLi UBandj;
[0089]步驟d:將Vj的所有元素設(shè)置為-1;
[0090] 步驟e:若GLi中的元素個數(shù)〈(BN/M)，則轉(zhuǎn)到步驟b，否則轉(zhuǎn)到步驟f;BN/M為BN除以 Μ的商。
[0091] 步驟f:構(gòu)造 GLi的過程結(jié)束。
[0092] 其它步驟及參數(shù)與【具體實施方式】一至七之一相同。
【具體實施方式】 [0093] 九:本實施方式與一至八之一不同的是:如圖5所示， 所述步驟五中構(gòu)成待訓(xùn)練波段列表TBList的具體過程為：
[0094] 步驟五一:初始化TBList，其內(nèi)容為空，TBList = 〇;
[0095] 步驟五二:GCounter = l，將群組計數(shù)器GCounter置為1;
[0096] 步驟五三：CGroup = GL[GCounter]，取出GL中的第GCounter個元素放入當(dāng)前群組 變量CGroup中；
[0097] 步驟五四：TBList = TBList U CGroup[l]，將當(dāng)前群組變量CGroup的第一個元素加 入到TBList中；
[0098] 步驟五五：TBList = TBList U CGroup[last]，，將當(dāng)前群組變量CGroup的最后一個 元素加入到TBList中，其中l(wèi)ast代表CGroup的最后一個元素在集合中的位置；
[0099] 步驟五六:GCounter=GCounter+l，群組計數(shù)器GCounter的數(shù)值增加1;
[0? 00] 步驟五七:若GCounter〈M，則轉(zhuǎn)至步驟五三，否則轉(zhuǎn)至步驟五八；
[0101] 步驟五八:構(gòu)造 TBList過程結(jié)束。
[0102] 其它步驟及參數(shù)與【具體實施方式】一至八之一相同。
【具體實施方式】 [0103] 十:本實施方式與一至九之一不同的是:如圖6所示， 所述步驟六中獲得高光譜遙感影像的分類器的具體過程為：
[0104] 步驟六一:SubCounter = 1，將樣本構(gòu)造計數(shù)器SubCounter置為1;
[0?05] 步驟六二:SubSamples =()，將訓(xùn)練樣本子集SubSamples置為空集合；
[0106] 步驟六三：[X，Y，C] =LC[SubCounter]，取出LC中第SubCounter個樣本的X，Y坐標(biāo) 以及其所屬類別C;
[0107] 步驟六四：取出TBList所有波段在Χ，Υ位置的數(shù)值和所屬類別C構(gòu)成一個樣本放入 樣本變量Sample中；
[0108] 步驟六五：SubSamples = SubSamples U Sample，將樣本變量Sample所存儲的內(nèi)容 加入到訓(xùn)練樣本子集SubSamples中；
[0109] 步驟六六：SubCounter = SubCounter+l，樣本構(gòu)造計數(shù)器SubCounter的數(shù)值增加 1；
[0?10] 步驟六七:若SubCounter〈 = N，則轉(zhuǎn)到步驟六三，否則轉(zhuǎn)至步驟六八；
[0111]步驟六八:利用支持向量機算法學(xué)習(xí) SubSamples中的所有樣本獲得一個分類器；
[0112] 步驟六九:輸出分類器，分類器對高光譜遙感影像進行自動分類。
[0113] 其它步驟及參數(shù)與【具體實施方式】一至九之一相同。
【主權(quán)項】
1. 一種基于稀疏異構(gòu)分組的高光譜遙感影像的分類器構(gòu)建方法，其特征在于，所述分 類器構(gòu)建方法包括W下步驟： 步驟一:輸入一個待分類的高光譜遙感影像； 步驟二:輸入高光譜遙感影像分類的類目個數(shù)Μ，輸入有分類標(biāo)簽的訓(xùn)練樣本集合LC， 在一個高光譜遙感影像中隨機選取獲得無分類標(biāo)簽的訓(xùn)練樣本集合LUC，整合有分類標(biāo)簽 的訓(xùn)練樣本集合和無分類標(biāo)簽的訓(xùn)練樣本集合構(gòu)造樣本集レ 步驟Ξ:高光譜遙感影像包含波段集合Band，對每一個波段構(gòu)造稀疏描述矢量，構(gòu)成稀 疏描述矢量集合V: V=(Vl，V2，...，Vi，...，VBN) Vi為Bandi的描述矢量，V2為Bands的描述矢量，Vi為Bandi的描述矢量，Vbn為BandBN的描述 矢量； B曰nd = (B曰ndi, B曰neb, ·.., B曰ndi, ·.., B曰ndBN) Bandl為第1個波段，Band2為第2個波段，Bandi為第i個波段，BandBN為第BN個波段； 步驟四：根據(jù)稀疏描述矢量集合V，將高光譜遙感影像的所有波段分為Μ個異構(gòu)組，構(gòu)成 異構(gòu)組列表化； 步驟五:在異構(gòu)組列表化中，每個組取出組內(nèi)的第一個和最后一個波段，構(gòu)成待訓(xùn)練波 段列表TBList; 步驟六:根據(jù)TBLi St和有分類標(biāo)簽的訓(xùn)練樣本集合LS構(gòu)造訓(xùn)練樣本子集，通過支持向 量機算法學(xué)習(xí)獲得高光譜遙感影像的分類器。2. 根據(jù)權(quán)利要求1所述的一種基于稀疏異構(gòu)分組的高光譜遙感影像的分類器構(gòu)建方 法，其特征在于，所述步驟一中的高光譜遙感影像的寬度為Width，高度為化ight，包含BN個 波段，所有波段的構(gòu)成波段的集合Band。3. 根據(jù)權(quán)利要求2所述的一種基于稀疏異構(gòu)分組的高光譜遙感影像的分類器構(gòu)建方 法，其特征在于，所述步驟二中LC為一個包含N個樣本的集合； LC=化。，LC2,.. .LCi,.. .LCn) 在LC中LCi是第1個樣本，1X2是第2個樣本，LCi是第I個樣本，1《I《N，LCn是第N個樣本； 對于每個樣本LCi=(X，Y，C)，其中，X為該樣本在高光譜遙感影像中的X坐標(biāo)，Y為該樣本 在高光譜遙感影像中的Y坐標(biāo);C為類目編號，取值范圍為1到M。4. 根據(jù)權(quán)利要求3所述的一種基于稀疏異構(gòu)分組的高光譜遙感影像的分類器構(gòu)建方 法，其特征在于，所述步驟二中LUC包含U個樣本； LUC = (LUCi, LUC2, · · · LUCj, · · · LUCu) 在LUC中LUCi是第1個樣本，LUC2是第2個樣本，LUCj是第J個類目，1《J《N，LUCu是第U個 類目；LUb=(UX，UY，UC); 其中，UX = Random(l~Width)為巧IjWidth之間的隨機整數(shù)，為該樣本在高光譜遙感影 像中的X坐標(biāo);UY = Random(l~化i曲t)為巧化ei曲t之間的隨機整數(shù)，為該樣本在高光譜遙 感影像中的Y坐標(biāo);UC = -1表示對應(yīng)的樣本所屬類別未知。5. 根據(jù)權(quán)利要求4所述的一種基于稀疏異構(gòu)分組的高光譜遙感影像的分類器構(gòu)建方 法，其特征在于，所述步驟二中構(gòu)造樣本集L具體為： L = LCULUC 樣本集L為分類標(biāo)簽的訓(xùn)練樣本集合LC與無分類標(biāo)簽的訓(xùn)練樣本集和LUC的并集，L表 示為： L=山山，...，Lu+n) 在L中共包含U+N個樣本，Li為第1個樣本，L2為第2個樣本，Lu+n為第U+N個樣本； 其中任意一個元素 Lk= (SX，SY，SC)，SX為其橫坐標(biāo)，SY為其縱坐標(biāo)，SC為其對應(yīng)類目；若 該樣本來自LC，則SX = X，SY = Y，SC = C;若該樣本來自于LUC，則SX = UX，SY = UY，SC = UC。6. 根據(jù)權(quán)利要求5所述的一種基于稀疏異構(gòu)分組的高光譜遙感影像的分類器構(gòu)建方 法，其特征在于，所述步驟Ξ中Bandi的描述矢量Vi的構(gòu)造過程為： 步驟Ξ-:初始化Bandi的描述矢量Vi; Vi = zeros(M) 其中，zeros (Μ)表示生成一個Μ個元素的矢量，該矢量所有元素值為Ο; 步驟Ξ二:計算Bandi中的最大值Max和最小值Min; 步驟ΞΞ:將描述矢量計數(shù)器Counter置為1; 步驟Ξ四：初始化計數(shù)矢量C1和計數(shù)矢量C2; Cl = ze;ros(10)，其中zerosdO)表示初始化一個10個元素，且值全為0的矢量； C2 = zeros (10 )，其中zeros (10)表示初始化一個10個元素，且值全為0的矢量； 步驟Ξ五:分段計數(shù)器SCounter置為1; 步驟Ξ六:構(gòu)造值域區(qū)間[Lower,Upper];其中，[Lower,Upper]通過如下公式計算： Lower=Min+(SCounter-l) X (Max-Min)/10 Upper=Min+SCounter X (Max-Min)/10 步驟Ξ屯：對于樣本集L，每一個樣本根據(jù)其SX和SY坐標(biāo)取出第i個波段對應(yīng)的值 value，統(tǒng)計數(shù)量落入?yún)^(qū)間[Lower,化per ]的樣本個數(shù)計入C1和C2之中； Cl[SCounte;r]=在樣本集L中，樣本的value在區(qū)間[Lower ,Uppe;r]內(nèi)，且所屬類別SC等 于Counter的樣本個數(shù)； C2[SCounte;r]=在樣本集L中，樣本的value在區(qū)間[Lower ,Uppe;r]內(nèi)，且所屬類別SC等 于-1的樣本個數(shù)； 步驟Ξ八:分段計數(shù)器SCounter的數(shù)值增加1; 步驟Ξ九:若SCounter〉10，轉(zhuǎn)到步驟Ξ十，否則轉(zhuǎn)至步驟Ξ六； 步驟Ξ十：根據(jù)C1和C2計算有標(biāo)記樣本對于第Counter個類目的稀疏程度；計算公式 為：其中Cl[t]為C1中的第t個元素，C2[t]為C2中的第t個元素； 步驟^^ :將Vi的第Counter個元素賦值為Sparse; Vi [Counter]= Sparse 步驟Ξ十二:描述矢量計數(shù)器Counter的數(shù)值增加1; 步驟Ξ十Ξ:若Counter〉M，則轉(zhuǎn)到步驟Ξ十四，否則轉(zhuǎn)到步驟Ξ四； 步驟Ξ十四：計算Vi的過程結(jié)束。7. 根據(jù)權(quán)利要求6所述的一種基于稀疏異構(gòu)分組的高光譜遙感影像的分類器構(gòu)建方 法，其特征在于，所述步驟四中化具體為： GL 二（Gl^i, GL2,…，Gl^i,. . , GLm) 其中，為第1個類目對應(yīng)的分組，GL2為第2個類目對應(yīng)的分組，為第i個類目對應(yīng) 的分組，1《i《M，GLm為第Μ個類目對應(yīng)的分組。8. 根據(jù)權(quán)利要求7所述的一種基于稀疏異構(gòu)分組的高光譜遙感影像的分類器構(gòu)建方 法，其特征在于，所述Gk的構(gòu)造過程為： 步驟a:初始化化i，其內(nèi)容為空，Gk =(); 步驟b:描述矢量列表V，根據(jù)每一個描述矢量的第i個元素的數(shù)值，找到數(shù)值最大的矢 量位置j，即第j個波段； 步驟C:將第j個波段Ban山并入化1中； 步驟d:將Vj的所有元素設(shè)置為-1; 步驟e:若化1中的元素個數(shù)<(BN/M)，則轉(zhuǎn)到步驟b，否則轉(zhuǎn)到步驟f; 步驟f:構(gòu)造化1的過程結(jié)束。9. 根據(jù)權(quán)利要求8所述的一種基于稀疏異構(gòu)分組的高光譜遙感影像的分類器構(gòu)建方 法，其特征在于，所述步驟五中構(gòu)成待訓(xùn)練波段列表TBList的具體過程為： 步驟五一:初始化TBLiSt，其內(nèi)容為空，TOLiSt =(); 步驟五二:將群組計數(shù)器GCounter置為1; 步驟五Ξ:取出化中的第GCount er個元素放入當(dāng)前群組變量CGroup中； 步驟五四：將當(dāng)前群組變量CGroup的第一個元素加入到TBList中； 步驟五五:將當(dāng)前群組變量CGroup的最后一個元素加入到TBList中； 步驟五六:群組計數(shù)器GCounter的數(shù)值增加1; 步驟五屯:若GCounteKM，則轉(zhuǎn)至步驟五Ξ，否則轉(zhuǎn)至步驟五八； 步驟五八:構(gòu)造 TBLi St過程結(jié)束。10. 根據(jù)權(quán)利要求9所述的一種基于稀疏異構(gòu)分組的高光譜遙感影像的分類器構(gòu)建方 法，其特征在于，所述步驟六中獲得高光譜遙感影像的分類器的具體過程為： 步驟六一:將樣本構(gòu)造計數(shù)器SubCounter置為1; 步驟六二:將訓(xùn)練樣本子集SubSamples置為空集合； 步驟六Ξ:取出LC中第SubCounter個樣本的X，Y坐標(biāo)W及其所屬類別C; 步驟六四：取出TBList所有波段在Χ，Υ位置的數(shù)值和所屬類別C構(gòu)成一個樣本放入樣本 變量Sample中； 步驟六五:將樣本變量Sample所存儲的內(nèi)容加入到訓(xùn)練樣本子集SubSamples中； 步驟六六:樣本構(gòu)造計數(shù)器SubCounter的數(shù)值增加1; 步驟六屯:若如bCounteK = N，則轉(zhuǎn)到步驟六Ξ，否則轉(zhuǎn)至步驟六八； 步驟六八:利用支持向量機算法學(xué)習(xí) SubSamples中的所有樣本獲得一個分類器； 步驟六九:輸出分類器，分類器對高光譜遙感影像進行自動分類。
【文檔編號】G06K9/00GK106096663SQ201610472840
【公開日】2016年11月9日
【申請日】2016年6月24日
【發(fā)明人】潘欣, 趙健, 徐宏年, 任斌
【申請人】長春工程學(xué)院