基于近鄰正則聯(lián)合稀疏表示的遙感圖像分類方法及系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及遙感圖像處理技術(shù)領(lǐng)域，特別涉及基于近鄰正則聯(lián)合稀疏表示的遙感 圖像分類方法及系統(tǒng)。
【背景技術(shù)】
[0002] 高光譜圖像分類一直是遙感圖像處理領(lǐng)域的研究熱點(diǎn)，它被廣泛應(yīng)用于農(nóng)作物分 析、軍事目標(biāo)識別、地理地質(zhì)等領(lǐng)域。近年來，稀疏表示分類被成功地引入高光譜遙感圖像 處理領(lǐng)域。
[0003] 利用高光譜遙感圖像鄰域像素的相似性，Y. Chen等人提出了聯(lián)合稀疏表示分類算 法。該算法假設(shè)測試樣本與其鄰域像素具有相同的稀疏結(jié)構(gòu)，導(dǎo)出聯(lián)合稀疏表示模型，將傳 統(tǒng)的稀疏表示分類算法進(jìn)行了改進(jìn)，取得了較好的效果。在鄰域像素的使用上，該方法使用 了局部平方鄰域窗口內(nèi)的所有鄰域像素，并認(rèn)為所有鄰域像素同等重要。然而，實(shí)際情況并 非如此。由于高光譜遙感圖像結(jié)構(gòu)復(fù)雜，鄰域中常存在噪聲或背景干擾像素，還有一些鄰 域像素位于目標(biāo)邊界，此時不加區(qū)別地利用全部鄰域像素將會導(dǎo)致分類結(jié)果出現(xiàn)一定的偏 差。為了區(qū)別鄰域像素，J. Li等人采用非局部加權(quán)思想給不同的鄰域像素賦予不同的權(quán)重， 提出了非局部加權(quán)聯(lián)合稀疏表示模型。該加權(quán)模型在一定程度上反映了鄰域內(nèi)各像素的相 似關(guān)系，但是這種權(quán)重是基于鄰域像素距離事先計算的，且該計算過程與聯(lián)合稀疏表示模 型是相互獨(dú)立的。由于在聯(lián)合稀疏表示誤差的計算中涉及鄰域像素權(quán)重，因此理想的鄰域 像素權(quán)重應(yīng)該同時反映鄰域像素之間的相似關(guān)系和聯(lián)合稀疏表示誤差關(guān)系。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明目的是提供一種基于近鄰正則聯(lián)合稀疏表示的遙感圖像分類方法及系統(tǒng)， 解決現(xiàn)有技術(shù)中存在的上述問題。
[0005] 本發(fā)明解決上述技術(shù)問題的技術(shù)方案如下：
[0006] -種基于近鄰正則聯(lián)合稀疏表示的遙感圖像分類方法，包括如下步驟：
[0007] 步驟1，輸入待分類的遙感圖像，劃分訓(xùn)練樣本和測試樣本；
[0008] 步驟2,基于訓(xùn)練樣本，構(gòu)建數(shù)據(jù)字典；
[0009] 步驟3,基于數(shù)據(jù)字典及每個測試樣本的鄰域像素矩陣和近鄰正則化矩陣，構(gòu)建每 個測試樣本的含有鄰域像素權(quán)重矩陣的正則化聯(lián)合稀疏表示模型，聯(lián)合優(yōu)化每個測試樣本 的聯(lián)合稀疏表示系數(shù)矩陣和鄰域像素權(quán)重矩陣，獲得每個測試樣本的最優(yōu)聯(lián)合稀疏表示 系數(shù)矩陣和最優(yōu)鄰域像素權(quán)重矩陣；
[0010] 步驟4,根據(jù)數(shù)據(jù)字典及每個測試樣本的最優(yōu)聯(lián)合稀疏表示系數(shù)矩陣和最優(yōu)鄰域 像素權(quán)重矩陣，對每個測試樣本進(jìn)行分類。
[0011] 本發(fā)明的有益效果是：構(gòu)建含有鄰域像素權(quán)重矩陣的正則化聯(lián)合稀疏表示模型， 聯(lián)合優(yōu)化測試樣本的聯(lián)合稀疏表示系數(shù)矩陣和鄰域像素權(quán)重矩陣，并根據(jù)數(shù)據(jù)字典及測 試樣本的最優(yōu)聯(lián)合稀疏表示系數(shù)矩陣和最優(yōu)鄰域像素權(quán)重矩陣，實(shí)現(xiàn)對測試樣本的分類； 在優(yōu)化聯(lián)合稀疏表示系數(shù)矩陣的同時優(yōu)化鄰域像素權(quán)重矩陣，使鄰域像素權(quán)重矩陣能夠同 時反映鄰域像素之間的相似關(guān)系和聯(lián)合稀疏表示誤差關(guān)系，且聯(lián)合稀疏表示系數(shù)能夠更加 準(zhǔn)確地反映測試樣本與數(shù)據(jù)字典之間的逼近關(guān)系，從而獲得準(zhǔn)確可靠的分類結(jié)果。
[0012] 在上述技術(shù)方案的基礎(chǔ)上，本發(fā)明還可以做如下改進(jìn)。
[0013] 進(jìn)一步，所述數(shù)據(jù)字典為所有訓(xùn)練樣本對應(yīng)的列向量組成的數(shù)據(jù)矩陣；表示 為X = [X1, X2，…X/··，Xn]，其中，X為所述數(shù)據(jù)字典，Xi為任一訓(xùn)練樣本對應(yīng)的列向量， i e {1,2,3……N}，N為所有訓(xùn)練樣本的總數(shù)。
[0014] 進(jìn)一步，所述步驟3包括如下步驟：
[0015] 步驟31，根據(jù)預(yù)設(shè)鄰域窗口，以測試樣本為中心，確定所述測試樣本的鄰域像素， 并基于所述測試樣本和所述鄰域像素，構(gòu)建所述測試樣本的鄰域像素矩陣；表示為Z = [21，22，~^，^]，其中，2為所述鄰域像素矩陣，^為所述測試樣本對應(yīng)的列向量或任一 所述鄰域像素對應(yīng)的列向量，k e {1，2,…3…T，} T為所述測試樣本和所述鄰域像素的像素 總數(shù)；
[0016] 步驟32,計算所述測試樣本對應(yīng)所述鄰域像素矩陣的近鄰正則化矩陣；其中，所 述近鄰正則化矩陣為對角矩陣，其對角元素爲(wèi),ke {1，2,3……T}，其中，z為所 述測試樣本對應(yīng)的列向量，γ為尺度參數(shù)，可根據(jù)實(shí)驗數(shù)據(jù)交叉驗證得到；
[0017] 步驟33,基于所述數(shù)據(jù)字典、鄰域像素矩陣和近鄰正則化矩陣，構(gòu)建所述測試樣本 的正則化聯(lián)合稀疏表示模型；
[0018] 所述正則化聯(lián)合稀疏表示模型如下：
[0019] min ||A"5 -ZWfF + λ\Dwfp
[0020] s. t. I |s| Irowi0^K
[0021] 其中，所述S為所述測試樣本的聯(lián)合稀疏表示系數(shù)矩陣，可由所述正則化聯(lián)合稀 疏表示模型優(yōu)化求解;W為所述測試樣本對應(yīng)所述鄰域像素矩陣的鄰域像素權(quán)重矩陣，其 為對角矩陣，對角元素反映所述測試樣本與所述鄰域像素之間的相似程度，可由所述正則 化聯(lián)合稀疏表示模型優(yōu)化求解；D為所述近鄰正則化矩陣，λ為正則化參數(shù)；K為控制聯(lián)合 稀疏表示系數(shù)矩陣稀疏程度參數(shù)，I · It為矩陣的Frobenius范數(shù)，I I S I I 為聯(lián)合稀疏表 示系數(shù)矩陣非零行的個數(shù)；
[0022] 步驟34,基于所述正則化聯(lián)合稀疏表示模型，聯(lián)合優(yōu)化所述聯(lián)合稀疏表示系數(shù)矩 陣和鄰域像素權(quán)重矩陣，獲得所述測試樣本的最優(yōu)聯(lián)合稀疏表示系數(shù)矩陣和最優(yōu)鄰域像 素權(quán)重矩陣。
[0023] 進(jìn)一步，所述步驟34包括如下步驟：
[0024] 步驟341，初始化所述鄰域像素權(quán)重矩陣為單位矩陣，并代入所述正則化聯(lián)合稀 疏表示模型，獲得基于單位鄰域像素權(quán)重矩陣稀疏表示模型；
[0025] 所述基于單位鄰域像素權(quán)重矩陣稀疏表示模型如下：
[0026] min ||XS-Z|J
[0027] s. t. I |s| Irowi0^K
[0028] 步驟342,根據(jù)所述基于單位鄰域像素權(quán)重矩陣稀疏表示模型，采用貪婪逼近算 法，計算得優(yōu)化聯(lián)合稀疏表示系數(shù)矩陣；
[0029] 步驟343,將優(yōu)化聯(lián)合稀疏表示系數(shù)矩陣代入所述正則化聯(lián)合稀疏表示模型，獲得 基于優(yōu)化聯(lián)合稀疏表示系數(shù)矩陣表示模型；
[0030] 所述基于優(yōu)化聯(lián)合稀疏表示系數(shù)矩陣表示模型如下：
[0031]
[0032] 其中，所述#為所述優(yōu)化聯(lián)合稀疏表示系數(shù)矩陣；
[0033] 步驟344,令7\# = // = [/^/?2,__4-，峪],代入所述基于優(yōu)化聯(lián)合稀疏表示系數(shù)矩 陣表示模型中，將所述基于優(yōu)化聯(lián)合稀疏表示系數(shù)矩陣表示模型的矩陣形式轉(zhuǎn)換為矩陣元 素形式；
[0034] 所述矩陣元素形式如下：
[0035]
[0036] 且ke{l，2,3......T}
[0037] 其中，所述Wk為鄰域像素權(quán)重矩陣中反映 z和z k關(guān)系的對角元素；
[0038] 步驟345,對所述矩陣元素形式求導(dǎo)，計算得優(yōu)化鄰域像素權(quán)重矩陣的對角元素；
[0039] 所述優(yōu)化鄰域像素權(quán)重矩陣的對角元素如下：
[0040]
[0041] 且ke{l，2,3......T}
[0042] 其中，所述％為所述優(yōu)化鄰域像素權(quán)重矩陣的對角元素；
[0043] 步驟346,令=1，且k e {1，2, 3……T}，代入所述優(yōu)化鄰域像素權(quán)重矩陣的對 角元素中，獲得優(yōu)化鄰域像素權(quán)重矩陣；
[0044] 所述優(yōu)化鄰域像素權(quán)重矩陣如下：
[0045]
[0046] 其中，所述,#為所述優(yōu)化鄰域像素權(quán)重矩陣；
[0047] 步驟347,將優(yōu)化鄰域像素權(quán)重矩陣代入所述正則化聯(lián)合稀疏表示模型，根據(jù)得到 的模型，再次采用貪婪逼近算法，計算并更新優(yōu)化聯(lián)合稀疏表示系數(shù)矩陣，并執(zhí)行步驟343 至步驟346,再次獲得并更新優(yōu)化鄰域像素權(quán)重矩陣；
[0048] 步驟348,判斷前后兩次獲得的優(yōu)化鄰域像素權(quán)重矩陣的改變量是否小于預(yù)設(shè)值， 并判斷步驟347執(zhí)行的次數(shù)是否達(dá)到預(yù)設(shè)次數(shù)；當(dāng)所述前后兩次獲得的優(yōu)化鄰域像素權(quán)重 矩陣的改變量小于預(yù)設(shè)值，和/或步驟347執(zhí)行的次數(shù)達(dá)到預(yù)設(shè)次數(shù)，則將此刻的優(yōu)化聯(lián)合 稀疏表示系數(shù)矩陣作為最優(yōu)聯(lián)合稀疏表示系數(shù)矩陣，此刻的優(yōu)化鄰域像素權(quán)重矩陣作為最 優(yōu)鄰域像素權(quán)重矩陣，結(jié)束步驟34 ;否則，執(zhí)行步驟347。
[0049] 進(jìn)一步，所述步驟4的具體實(shí)現(xiàn)為根據(jù)數(shù)據(jù)字典及每個測試樣本的最優(yōu)聯(lián)合稀疏 表示系數(shù)矩陣和最優(yōu)鄰域像素權(quán)重矩陣，根據(jù)如下公式計算每個測試樣本相對于各類訓(xùn)練 樣本的聯(lián)合稀疏表示誤差，獲得與測試樣本具有最小聯(lián)合稀疏表示誤差的匹配訓(xùn)練樣本， 并將所述測試樣本分類到所述匹配訓(xùn)練樣本的類別中；
[0050] 所述公式如下：
[0051]
[0052] 且ce{l，2,3......C}
[0053] 其中，所述F (Z)為所述測試樣本相對于任一類訓(xùn)練樣本的聯(lián)合稀疏表示誤差，所 述么為所述測試樣本的最優(yōu)鄰域像素權(quán)重矩陣，所述Γ為所述數(shù)據(jù)字典中所述任一類訓(xùn) 練樣本對應(yīng)的子矩陣，所述會為所述測試樣本的最優(yōu)聯(lián)合稀疏表示系數(shù)矩陣中與所述任一 類訓(xùn)練樣本對應(yīng)的子矩陣，所述C為訓(xùn)練樣本的種類數(shù)。
[0054] 本發(fā)明的另一技術(shù)方案如下：
[0055] -種基于近鄰正則聯(lián)合稀疏表示的遙感圖像分類系統(tǒng)，包括樣本劃分模塊、數(shù)據(jù) 字典構(gòu)建模塊、聯(lián)合優(yōu)