基于自学习的高光谱图像和可见光图像融合分类方法
【技术领域】
[0001] 本发明涉及一种基于自学习的高光谱图像和可见光图像融合分类方法。
【背景技术】
[0002] 主动学习在高光谱图像小样本分类问题中表现出良好的性能，因而得到了广泛的 研究。然而已有的主动学习算法研究重点均在于，如何从确定的候选样本集中选择信息量 最大的样本进行人工标记并加入训练集中，忽略了对候选样本集的确定，且人工标记候选 样本过程耗时费力。此外，经典的主动学习算法不能很好地实现高光谱图像和可见光图像 的协同分类。
【发明内容】
[0003] 本发明的目的是为了解决现有的主动学习算法忽略了对候选样本集的确定过程， 以及人工标记候选样本集中信息量最大的样本存在程耗时费力的问题，而提出一种基于自 学习的高光谱图像和可见光图像融合分类方法。
[0004] 一种基于自学习的高光谱图像和可见光图像融合分类方法，所述融合分类方法通 过以下步骤实现：
[0005] 步骤一、将已经过配准的可见光图像分割成可见光图像区域组，则同一可见光图 像区域及其内部所有像元属于同一类别，将可见光图像区域中含有属于训练样本4的像元 定义为训练型像元，将训练型像元的类别标签yk指定给含有训练型像元的可见光图像区 域；则由第k个训练样本所在的可见光图像区域中所有未标记样本组成未标记样本子集 ，由所有未标记样本子集组成未标记样本集〇u，即：1
&未标记样本集#中 所有样本都具有相应类别标签y ;
[0006] 其中，初始训练样本集X1表示为 ke [1，n]，<属于第k个训练样本所在的可见光图像区域，C表示可见光图像区域的类别 个数，表示第k个训练样本< 所在的可见光图像区域中所有未标记样本组成的未标记 样本子集，
表不所有未标记样本子集组成的未标记样本集Ou;
[0007] 步骤二、利用初始训练样本集XH川练SVM高光谱分类模型；
[0008] 步骤三、利用SVM高光谱分类模型对未标记样本子集#进行分类，得到分类器预 测标签多；
[0009] 步骤四、判断类别标签^与分类器预测标签?是否相等，若相等，则将类别标签^ 加入到候选样本集中，建立由未标记样本子集￡^和类别标签η两个量组成的候选样本，在 获得候选样本的同时，确定候选样本实际标签；若不等，则舍弃；
[0010] 步骤五、利用步骤四建立的候选样本构成候选样本集Xe， 设候选样本集#和支持向量所在的集合为支持向量集合Xsv;之后遍历候选样本集f中第 1到第N个候选样本，查找与候选样本X1的标签y ^致的支持向量
[0011] 步骤六、根据欧式距离计算公式
m计 算候选样本X1与各支持向量之间的欧式距离Cl^，衡量候选样本X1与支持向量 Pi.}=之间的光谱相似度；其中，候选样本X1, i e [1，N]，N表示候选样本个数，SV j 表示第j个支持向量，j e [1，Μ]，M表示具有与Xi相同类别标签的支持向量个数；
[0012] 步骤七、选取步骤六获得的每个候选样本X1的欧式距离Cllj中的最小欧式距离
[0013] 步骤八、判断步骤七获得的最小欧式距离与给定阈值δ之间的大小关系，若 为小于关系，则保留最小欧式距离对应的候选样本X1，并形成优化的候选样本集;若 为大于等于关系，则剔除最小欧式距离 对应的候选样本；
[0014] 步骤九、输出步骤八中形成的优化的候选样本集;
[0015] 步骤十、利用主动学习模型从优化的候选样本集;^中选择具有最大信息量的样本 构成最大信息量样本集X1;
[0016] 步骤十一、将步骤八形成的优化的候选样本集清空，即： Xc'=0 (2)，
[0017] 将优化的候选样本集Ie更新为新的优化的候选样本集;
[0018] 根据 XU=XlUX1 (3)
[0019] 将初始训练样本集f更新为新的训练样本集X u ;
[0020] 根据 Ou'= OuVX1 (4)
[0021] 将未标记样本子集Cf更新为新的未标记样本子集;
[0022] 步骤十二、重复迭代步骤二至步骤十一的过程，直到满足终止条件：最大迭代次数 或设定的训练样本数量，输出由训练集XH川练得到的SVM高光谱分类模型。
[0023] 本发明的有益效果为：
[0024] 本发明通过自学习分类模型进行自学习过程，综合考虑了对象标签和分类器预测 标签，从大量的未标记样本中选择出具有最大信息量的样本，加入到训练集中。通过多次迭 代，训练得到的分类器能更好地拟合未标记样本的分布情况，提升分类精度。
[0025] 再通过判别对象内部的未标记样本到各自类别的支持向量间的光谱相似性，剔除 高光谱图像在区域的边缘处经常产生的与训练样本具有显著差异的混合像元，在训练学习 的过程中应避免选择这类像元，从而得到更加准确的分类模型。
[0026] 本发明基于主动学习的协同分类方法相对于传统监督分类方法，对高光谱图像分 类结果的精度提高至94-96%，得到符合要求的分类结果。
【附图说明】
[0027] 图1为本发明方法的流程图；
[0028] 图2为本发明设计的基于区域分割自学习方法确定训练样本过程示意图；图中， 图2_a表示由图像分割得到的标记样本所在的区域，图2_b表示由分类器根据光谱特征得 到的预测概率，图2-c表示建立的候选样本集，图2-d表示经主动学习算法选择的新训练样 本；
[0029] 图3为本发明步骤五至步骤八所示的由已知样本和未知样本训练得到的SVM分类 超平面示意图；图中，3-a表示由初始训练样本得到的分类超平面；3-b表示主动学习第一 次迭代得到的候选样本及训练得到的超平面；3-c表示经过优化得到的候选样本及训练得 到的超平面，且子图3-b和子图3-c中点划线表示图3-a中的分类超平面；
[0030] 图4为实施例涉及的由ROSIS传感器在Pavia大学获得的高光谱图像；图中，子图 4_a表示Pavia大学高光谱图像，子图4_b表示Pavia大学全色图像，子图4-c表示Pavia 大学地面真值图；
[0031] 图5为实施例涉及的由ROSIS传感器在Pavia市中心获得的高光谱图像；图中，子 图5_a表示Pavia市中心高光谱图像，子图5_b表示Pavia市中心全色图像，子图5-c表示 Pavia市中心地面真值图；
[0032] 图6为实施例涉及的Pavia大学的分类结果示意图；
[0033] 图7为实施例涉及的Pavia市中心的分类结果示意图；
[0034] 图8为实施例涉及的Pavia大学图像取5个初始训练样本的一次分类结果；图中， 子图8-a表示采用SVM方法达到精度为63. 70 %的分类结果示意图，子图8-b表示采用MS 主动学习方法达到精度为76. 18%的分类结果示意图，子图8-c表示采用MBT主动学习方 法达到精度为76. 80%的分类结果示意图，子图8-d表示采用MS主动学习方法达到精度为 75. 24%的分类结果示意图，子图8_e表示Ground truth map示意图。
【具体实施方式】
【具体实施方式】 [0035] 一：
[0036] 本实施方式的基于自学习的高光谱图像和可见光图像融合分类方法，关于基于高 分影像分割的自学习方法，高分辨率影像提供了地物精细的空间和结构信息，使得传统的 基于像元光谱特征的分类方法不能获得较为满意的结果。随着分辨率的提升，地物的连续 性和均匀性发生了改变，相同地物常反射出不同的光谱特征，即"同物异谱"现象。这种现 象造成了分类制图中常出现斑点空洞的噪声现象，因此形成了面向对象的分类方法。面向 对象以图像分割为基础，将高分辨率影像分割成大小不一的由相同地物构成的多个区域， 每个区域由具有相似特征的多个像元组成。近年来，形成了多种图像分割的算法，比如边缘 检测方法、形态学分水岭方法、区域生长方法等等。
[0037] 基于高分影像分割的自学习算法假设在最优分割尺度下，属于同一个对象的所有 像元具有相同的类别标签。因此，对于给定的一个标记样本，位于同一个局部区域内的其它 未标记样本很大程度上可能属于该标记样本的所属类别，称之为对象类别标签。该自学习 算法综合了样本的光谱特征和空间信息，考虑对象标签和分类器对像元的预测标签之间的 一致性，并选择其中部分样本作为新的训练样本。
[0038] 如图1所示，所述融合分类方法通过以下步骤实现：
[0039] 步骤一、将已经过配准的可见光图像选取适当尺度分割成可见光图像区域组，则 在最优分割尺度下，同一可见光图像区域及其内部所有像元属于同一类别，将可见光图像 区域中含有属于训练样本4的像元定义为训练型像元，将训练型像元的类别标签yk指定 给含有训练型像元的可见光图像区域；则由第k个训练样本#所在的可见光图像区域中所 有未标记样本组成未标记样本子集送'.，_由所有未标记样本子集O丨组成未标记样本集0U， BP
且未标记样本集Ou中所有样本都具有相应类别标签y ;
[0040] 其中，初始训练样本集 Xl表示为：尤"=!(.<，)1)，(4，乃)，...，(.4，>'4, yke {1，2,…，C}， ke [l，n]，<属于第k个训练样本所在的可见光图像区域，C表示可见光图像区域的类别 个数，Cf表示第k个训练样本<所在的可见光图像区域中所有未标记样本组成的未标记 样本子集，Oij ? R表不所有未标记样本子集组成的未标记样本集〇u;
[0041] 步骤二、利用初始训练样本集XH川练SVM高光谱分类模型；
[0042] 步骤三、利用SVM高光谱分类模型对未标记样本子集#进行分类，得到分类器预 测标签f;
[0043] 步骤四、判断类别标签yk与分类器预测标签罗是否相等，若相等，则将类别标签y k加入到候选样本集中，建立由未标记样本子集和类别标签714两个量组成的候选样本，在 获得候选样本的同时，确定候选样本实际标签，避免人工标记的过程；若不等，则舍弃；
[0044] 至此，进行如图2所示的基于区域分割自学习方法的主要思想的过程，以在确定 候选样本的同时获得样本的标签，避免人工标记的过程；
[0045] 步骤五、利用步骤四建立的候选样本构成候选样本集χε，-?Μ? OMl· 设候选样本集#和支持向量所在的集合为支持向量集合Xsv;之后遍历候选样本集f中第 1到第N个候选样本，查找与候选样本X1的标签y ^致的支持向量
[0046] 步骤六、根据欧式距离计算公另
α);计 算候选样本X1与各支持向量之间的欧式距离Cl1,，衡量候选样本X1与支持向量 之间的光谱相似度；其中，候选样本X1, i e [1，N]，N表示候选样本个数，SV j 表示第j个支持向量，j e [1，Μ]，M表示具有与Xi相同类别标签的支持向量个数；
[0047] 步骤七、选取步骤六获得的每个候选样本X1的欧式距离Cllj中的最小欧式距离
[0048] 步骤八、判断步骤七获得的最小欧式距离与给