专利名称：基于半监督核自适应学习的遥感高光谱图像分类方法
技术领域：
本发明涉及一种遥感高光谱图像的分类方法。
技术背景
高光谱图像不仅波段较多，一般观测地物类型复杂，可以分为植被、田地、建筑物、 道路、水域、沼泽地、裸土等多个地物类别。若每个像元代表一种地物类型，那么该像元称为 端元(End-member)。为提高图像分辨率，需对端元进行分类以区分不同地物。目前常用的 高光谱图像端元分类算法可分为有监督和无监督算法，前者已知地物类属判断每个端元代 表的地物类别的分类算法，而后者则未知地物种类纯粹依靠光谱统计差异进行分类。常用 的有监督分类方法包括光谱角填图法、二进制编码法、平行六面体方法、最小距离法以及最 大似然法等方法；常用的无监督分类方法包括IsoData方法和K-Means方法等方法。除了上述传统的分类方法外，还有一些新的分类方法，如基于各种神经网络、决策 树、支持向量机和专家系统等的分类方法。然而，目前高光谱图像端元分类方法由于受到采集样本的限制，面临机器学习领 域广泛存在且尚待解决的小样本问题，用于高光谱图像端元分类的分类器不能获得最大泛 化能力，不能获得最优图像分辨率。
发明内容
本发明的目的是解决目前遥感高光谱图像分类方法存在分辨率低的问题，提供了 一种基于半监督核自适应学习的遥感高光谱图像分类方法。基于半监督核自适应学习的遥感高光谱图像分类方法，它的过程如下
步骤一、对高光谱图像训练样本集的标注形式进行判定若标注形式为类标签信息，则 执行步骤二 ；若标注形式为边信息，则执行步骤三；
步骤二、对高光谱图像训练样本集中的所有样本进行标注，然后利用Fisher准则和最 大间隔准则获得优化目标函数，然后通过基于遗传算法的自适应寻求算法对获得的优化目 标函数进行计算，获得最优参数，然后执行步骤四；
步骤三、对高光谱图像训练样本集中的所有样本进行标注，然后利用全局流形保持设 计准则获得优化目标函数，然后通过基于拉格朗日方法的自适应寻求算法对获得的优化目 标函数进行计算，获得数据依赖核参数，然后执行步骤四；
步骤四、根据具体应用情况判断核函数的结构类型若结构类型为不变结构，则执行步 骤五；若结构类型为变结构，则执行步骤六；
步骤五、获得不变结构的最优核函数，然后执行步骤七； 步骤六、获得变结构的最优核函数，然后执行步骤七；
步骤七、根据获得的最优核函数，获得最优半监督分类器；利用获得的最优半监督分类 器，对实测遥感高光谱图像进行分类，获得该遥感高光谱图像的类别。
本发明能够准确地对遥感高光谱图像的端元进行分类，提高了遥感高光谱图像的 分辨率，能够应用于地形军事目标侦察、高效的战事打击效果评估、海军潜艇实时海上环境 监测、突发自然灾害的应急响应技术领域。
图1为本发明的基于半监督核自适应学习的遥感高光谱图像分类方法的流程图； 图2为步骤二的具体过程的流程图；图3为步骤三的具体过程的流程图；图4为步骤五的具 体过程的流程图；图5和图6分别为步骤六中所述获得变结构的最优核函数的两种过程的 流程图。
具体实施例方式具体实施方式
一本实施方式的基于半监督核自适应学习的遥感高光谱图像分 类方法，它的过程如下
步骤一、对高光谱图像训练样本集的标注形式进行判定若标注形式为类标签信息，则 执行步骤二 ；若标注形式为边信息，则执行步骤三；
步骤二、对高光谱图像训练样本集中的所有样本进行标注，然后利用Fisher准则和最 大间隔准则获得优化目标函数，然后通过基于遗传算法的自适应寻求算法对获得的优化目 标函数进行计算，获得最优参数，然后执行步骤四；
步骤三、对高光谱图像训练样本集中的所有样本进行标注，然后利用全局流形保持设 计准则获得优化目标函数，然后通过基于拉格朗日方法的自适应寻求算法对获得的优化目 标函数进行计算，获得数据依赖核参数，然后执行步骤四；
步骤四、根据具体应用情况判断核函数的结构类型若结构类型为不变结构，则执行步 骤五；若结构类型为变结构，则执行步骤六；
步骤五、获得不变结构的最优核函数，然后执行步骤七； 步骤六、获得变结构的最优核函数，然后执行步骤七；
步骤七、根据获得的最优核函数，获得最优半监督分类器；利用获得的最优半监督分类 器，对实测遥感高光谱图像进行分类，获得该遥感高光谱图像的类别。步骤一至步骤七的流程详见图1。步骤二所述的对高光谱图像训练样本集中的所有样本进行标注的具体过程可以 为
步骤二一、按照类标签信息的标注形式，对高光谱图像训练样本集中的每个样本进行 标注，则存在未标注样本；
其中，在所述高光谱图像训练样本集中，部分样本的类别已知，则可对这部分样本进行 标注，另外一部分样本的类别未知，则无法对所述另外一部分样本进行标注。此外，在本实 施方式中，未知类别的样本所涉及的所有类别，均已包含于已知类别的所有样本的类别中。步骤二二、以生成式模型作为分类器，将未标注样本属于每个已知类别的概率视 为一组缺失参数，然后采用EM算法对未标注样本进行标注估计，再以估计的结果对所述未 标注样本进行标注。步骤二的详细步骤见图2。
步骤三所述的对高光谱图像训练样本集中的所有样本进行标注的具体过程可以 为
步骤三一、获得所述高光谱图像训练样本集的正约束图和k最近邻图，根据获得的正 约束图和k最近邻图，构造一个内在图，使得该内在图的一部分与所述正约束图相对应，使 得该内在图的另一部分与所述k最近邻图相对应，同时，使该内在图内的数据在经验特征 空间内的紧凑性最强；
步骤三二、获得所述高光谱图像训练样本集的负约束图和非k最近邻图，根据获得的 负约束图和非k最近邻图，构造一个惩罚图，使得该惩罚图的一部分与所述负约束图相对 应，使得该惩罚图的另一部分与所述非k最近邻图相对应，同时，使该惩罚图内的类间数据 在经验特征空间内的分散性最强；
步骤三三、根据构造的内在图和惩罚图，对高光谱图像训练样本集中的所有样本进行 标注。步骤三的详细步骤见图3。步骤五所述的获得不变结构的最优核函数的具体过程可以为
步骤五一、对步骤二获得的最优参数或步骤三获得的数据依赖核参数进行初始化，将 初始化后的参数进行编码后作为候选解；
步骤五二、根据优化目标函数计算所述候选解的适应度，保留适应度大于或等于阈值 的候选解，舍弃其它候选解；
步骤五三，对保留的候选解进行复制、交叉以及变异等操作，生成新的候选解； 步骤五四、对新的候选解进行解码，即得到最优核优化参数，进而获得不变结构的最优 核函数。其中，在步骤五一中所述的“对步骤二获得的最优参数或步骤三获得的数据依赖 核参数进行初始化”的过程中，选择所述最优参数还是所述数据依赖和函数进行初始化的 标准如下
若步骤一中的标注形式为类标签信息，则选择步骤二获得的最优参数进行初始化；若 步骤一中的标注形式为边信息，则选择步骤三获得的数据依赖核参数进行初始化。在步骤五二中，所述阈值为根据实际情况进行设定的已知值。步骤五的详细步骤见图4。在步骤六中，
当步骤一中判定的标注形式为类标签信息时，所述获得变结构的最优核函数的具体过 程可以为步骤Al至步骤A3
步骤Al、利用高光谱图像训练样本集的标注信息，扩展获得数据依赖核函数，然后求得 所述数据依赖核函数与已知基础核函数的关系，并求得所述数据依赖核函数的Fisher度 量表达式，然后建立以该数据依赖核函数参数为自变量的Fisher度量函数；
步骤A2、根据所述训练样本集的标注信息进行优化目标函数设计，建立一个用于求解 最优数据依赖核参数的约束方程；
步骤A3、利用循环迭代的方法对所述约束方程进行计算，获得以训练样本集为变量的 最优解表达式，然后将训练样本集代入所述最优解表达式，计算获得自适应参数，进而获得 变结构的最优核函数。
步骤Al至步骤A3的详细步骤见图5。当步骤一中判定的标注形式为边信息时，所述获得变结构的最优核函数的具体过程可以为步骤Bl至步骤B3
步骤Bi、利用边信息标注的训练样本集，获得经验映射空间内样本间隔的表达式，然后利用边信息建立数据依赖核函数表达式，进行优化目标函数设计；
步骤B2、根据样本间隔表达式、数据依赖核函数表达式及目标函数，建立一个用于求解最优数据依赖核参数的约束方程；
步骤B3、利用拉格朗日乘子法对所述约束方程进行计算，获得以训练样本集为变量的最优解表达式，然后将训练样本集代入所述最优解表达式，计算获得自适应参数，进而获得 变结构的最优核函数。步骤Bl至步骤B3的详细步骤见图6。本发明能够准确地对遥感高光谱图像的端元进行分类，提高了遥感高光谱图像的 分辨率，能够应用于地形军事目标侦察、高效的战事打击效果评估、海军潜艇实时海上环境 监测、突发自然灾害的应急响应技术领域。
权利要求
基于半监督核自适应学习的遥感高光谱图像分类方法，其特征在于它的过程如下步骤一、对高光谱图像训练样本集的标注形式进行判定若标注形式为类标签信息，则执行步骤二；若标注形式为边信息，则执行步骤三；步骤二、对高光谱图像训练样本集中的所有样本进行标注，然后利用Fisher准则和最大间隔准则获得优化目标函数，然后通过基于遗传算法的自适应寻求算法对获得的优化目标函数进行计算，获得最优参数，然后执行步骤四；步骤三、对高光谱图像训练样本集中的所有样本进行标注，然后利用全局流形保持设计准则获得优化目标函数，然后通过基于拉格朗日方法的自适应寻求算法对获得的优化目标函数进行计算，获得数据依赖核参数，然后执行步骤四；步骤四、根据具体应用情况判断核函数的结构类型若结构类型为不变结构，则执行步骤五；若结构类型为变结构，则执行步骤六；步骤五、获得不变结构的最优核函数，然后执行步骤七；步骤六、获得变结构的最优核函数，然后执行步骤七；步骤七、根据获得的最优核函数，获得最优半监督分类器；利用获得的最优半监督分类器，对实测遥感高光谱图像进行分类，获得该遥感高光谱图像的类别。
2.根据权利要求1所述的基于半监督核自适应学习的遥感高光谱图像分类方法，其特 征在于步骤二所述的对高光谱图像训练样本集中的所有样本进行标注的具体过程为步骤二一、按照类标签信息的标注形式，对高光谱图像训练样本集中的每个样本进行 标注，则存在未标注样本；步骤二二、以生成式模型作为分类器，将未标注样本属于每个已知类别的概率视为一 组缺失参数，然后采用EM算法对未标注样本进行标注估计，再以估计的结果对所述未标注 样本进行标注。
3.根据权利要求1所述的基于半监督核自适应学习的遥感高光谱图像分类方法，其 特征在于步骤三所述的对高光谱图像训练样本集中的所有样本进行标注的具体过程为步骤三一、获得所述高光谱图像训练样本集的正约束图和k最近邻图，根据获得的正 约束图和k最近邻图，构造一个内在图，使得该内在图的一部分与所述正约束图相对应，使 得该内在图的另一部分与所述k最近邻图相对应，同时，使该内在图内的数据在经验特征 空间内的紧凑性最强；步骤三二、获得所述高光谱图像训练样本集的负约束图和非k最近邻图，根据获得的 负约束图和非k最近邻图，构造一个惩罚图，使得该惩罚图的一部分与所述负约束图相对 应，使得该惩罚图的另一部分与所述非k最近邻图相对应，同时，使该惩罚图内的类间数据 在经验特征空间内的分散性最强；步骤三三、根据构造的内在图和惩罚图，对高光谱图像训练样本集中的所有样本进行 标注。
4.根据权利要求1所述的基于半监督核自适应学习的遥感高光谱图像分类方法，其特 征在于步骤五所述的获得不变结构的最优核函数的具体过程为步骤五一、对步骤二获得的最优参数或步骤三获得的数据依赖核参数进行初始化，将 初始化后的参数进行编码后作为候选解；步骤五二、根据优化目标函数计算所述候选解的适应度，保留适应度大于或等于阈值 的候选解，舍弃其它候选解；步骤五三，对保留的候选解进行复制、交叉以及变异等操作，生成新的候选解； 步骤五四、对新的候选解进行解码，即得到最优核优化参数，进而获得不变结构的最优 核函数。
5.根据权利要求1所述的基于半监督核自适应学习的遥感高光谱图像分类方法，其特 征在于在步骤六中，当步骤一中判定的标注形式为类标签信息时，所述获得变结构的最优 核函数的具体过程可以为步骤Al至步骤A3 步骤Al、利用高光谱图像训练样本集的标注信息，扩展获得数据依赖核函数，然后求得 所述数据依赖核函数与已知基础核函数的关系，并求得所述数据依赖核函数的Fisher度 量表达式，然后建立以该数据依赖核函数参数为自变量的Fisher度量函数；步骤A2、根据所述训练样本集的标注信息进行优化目标函数设计，建立一个用于求解 最优数据依赖核参数的约束方程；步骤A3、利用循环迭代的方法对所述约束方程进行计算，获得以训练样本集为变量的 最优解表达式，然后将训练样本集代入所述最优解表达式，计算获得自适应参数，进而获得 变结构的最优核函数；当步骤一中判定的标注形式为边信息时，所述获得变结构的最优核函数的具体过程可 以为步骤Bl至步骤B3 步骤Bi、利用边信息标注的训练样本集，获得经验映射空间内样本间隔的表达式，然后 利用边信息建立数据依赖核函数表达式，进行优化目标函数设计；步骤B2、根据样本间隔表达式、数据依赖核函数表达式及目标函数，建立一个用于求解 最优数据依赖核参数的约束方程；步骤B3、利用拉格朗日乘子法对所述约束方程进行计算，获得以训练样本集为变量的 最优解表达式，然后将训练样本集代入所述最优解表达式，计算获得自适应参数，进而获得 变结构的最优核函数。
全文摘要
基于半监督核自适应学习的遥感高光谱图像分类方法，它涉及一种遥感高光谱图像的分类方法，它解决了目前遥感高光谱图像分类方法存在分辨率低的问题。本发明的过程为判定高光谱图像训练样本集的标注形式，获得优化目标函数，然后获得最优参数或数据依赖核参数；根据获得的参数，得到不变结构或变结构的最优核函数，进而获得最优半监督分类器，利用该分类器即可实现对实测遥感高光谱图像的分类。本发明能够准确地对遥感高光谱图像的端元进行分类，提高了遥感高光谱图像的分辨率，能够应用于地形军事目标侦察、高效的战事打击效果评估、海军潜艇实时海上环境监测、突发自然灾害的应急响应技术领域。
文档编号G06K9/66GK101814148SQ20101016020
公开日2010年8月25日 申请日期2010年4月30日 优先权日2010年4月30日
发明者霍振国 申请人:霍振国