專利名稱：一種遙感圖像的分類方法
技術(shù)領(lǐng)域：
本發(fā)明涉及遙感圖像處理領(lǐng)域，特別是一種遙感圖像地物分類的方法。
背景技術(shù)：
遙感圖像在國民經(jīng)濟的各個領(lǐng)域發(fā)揮著越來越重要的作用，其中，遙感圖像分類顯得尤為重要，如根據(jù)植被覆蓋率進行水土流失監(jiān)測、根據(jù)分類后的海洋溢油面積計算估算損失和環(huán)境保護、通過遙感圖像分類后得到的結(jié)果可以自動生成測繪地圖等。在圖像處理中，根據(jù)分類過程中所使用的樣本是否有標記，將現(xiàn)有的遙感圖像分類方法分為全監(jiān)督、半監(jiān)督和非監(jiān)督的三類方法。文獻“Semisupervised Neural Networks forEfficientHyperspectral Image Classification, IEEE Transactions on Geoscience andRemoteSensing, 2010, Vol. 48(5)，p2271 - 2282. ”提出了一種半監(jiān)督神經(jīng)網(wǎng)絡(luò)的超光譜圖 像分類方法。該方法首先構(gòu)建了基于流形正則化框架下的半監(jiān)督神經(jīng)網(wǎng)絡(luò)，然后使用帶有平衡約束的隨機梯度下降法對能量函數(shù)進行優(yōu)化。但是，該方法分類訓(xùn)練過程復(fù)雜、估計誤差較大，且通過經(jīng)驗誤差來確定判別函數(shù)，分類精度不高且會陷入局部最優(yōu)，其泛化能力尚有提聞空間。

發(fā)明內(nèi)容
為了克服現(xiàn)有技術(shù)的不足，本發(fā)明提供一種對遙感圖像進行半監(jiān)督分類的方法，能夠有效提高地物分類精度。本發(fā)明的技術(shù)方案包括下述步驟構(gòu)建半監(jiān)督神經(jīng)網(wǎng)絡(luò)模型以用于遙感圖像的地物分類、用擬牛頓法對模型進行求解得到地物分類結(jié)果。(a)獲取遙感圖像中地物的樣本。從遙感圖像中提取各個像素的灰度特征，根據(jù)不同地物具有不同灰度值的特性，對遙感圖像中已知地物類別的部分進行標記，從而獲得標記樣本；未知類別部分則作為無標記樣本。將標記樣本與無標記樣本集合，即得到了用于進行分類的樣本數(shù)據(jù)。(b)構(gòu)建用于地物分類的半監(jiān)督神經(jīng)網(wǎng)絡(luò)模型。該神經(jīng)網(wǎng)絡(luò)模型為一個三層感知神經(jīng)網(wǎng)絡(luò)，其中輸入層包括I個神經(jīng)元(與特征維數(shù)有關(guān))，隱層包括三個神經(jīng)元，輸出層包括4個神經(jīng)元(與預(yù)定義的地物類別有關(guān));在該神經(jīng)網(wǎng)絡(luò)中，將SVM中的結(jié)構(gòu)性誤差引入代替感知神經(jīng)網(wǎng)絡(luò)的經(jīng)驗誤差，以此作為新的正則化目標函數(shù)，從而得到了基于結(jié)構(gòu)誤差的新的半監(jiān)督神經(jīng)網(wǎng)絡(luò)模型。(C)基于半監(jiān)督神經(jīng)網(wǎng)絡(luò)進行地物分類?；谏窠?jīng)網(wǎng)絡(luò)進行分類的過程，實際上是一個目標函數(shù)的最小化過程。由于(b)中結(jié)構(gòu)性誤差的最小化過程包含了二階可導(dǎo)項，因此采用擬牛頓進行求解，從而大大提高計算效率。本發(fā)明的有益效果是本發(fā)明在半監(jiān)督神經(jīng)網(wǎng)絡(luò)中引入結(jié)構(gòu)性誤差代替經(jīng)驗誤差，有效地避免了當目標函數(shù)局部取得局部極小值帶來的分類錯誤；并在極值求解過程中引入了用于求解非線性優(yōu)化的擬牛頓極值求解算法，從而有效地提高了地物分類精度，為后續(xù)進一步進行環(huán)境檢測、地形測繪等應(yīng)用提供有益保障。
具體實施例方式本發(fā)明的技術(shù)方案包括下述步驟構(gòu)建半監(jiān)督神經(jīng)網(wǎng)絡(luò)模型以用于遙感圖像的地物分類、用擬牛頓法對模型進行求解得到地物分類結(jié)果，具體如下(I)構(gòu)建半監(jiān)督神經(jīng)網(wǎng)絡(luò)模型以遙感圖像中像素的灰度值作為描述地物的特征，如不同的地物(河流、耕地等)具有不同的灰度值。從包含多種地物的遙感圖像中，提取遙感圖像中各類地物的特征，在本發(fā)明中，選用地物的灰度特征，即從遙感圖像中提取所有像素點的灰度值，形成一個由像素灰度值組成的樣本集合Z = (Λ1, X2;. · , , ·,·· I,,其中樣本X1, X2，…，P，A…，表示遙感圖像中各個像素的一維灰度特征向量，η表示所有遙感圖像中包含的像素個數(shù)。針對樣本集合;V，人工為其前I個樣本標記類別，形成標記集合Iy1,…，yj，其中e {-I, +1} (i = 1，2，...，I )，其中每個像素灰度值Xi是實數(shù)，并且標記yi e {-1，+1}。而樣本集合尤中后u個數(shù)據(jù)點Λ = μ',}:為未標記數(shù)據(jù)。對圖像進行半監(jiān)督分類也就是構(gòu)建并求解目標函數(shù)的過程，決策函數(shù)f的最小化正則化函數(shù)為
} Σ F(x,，■· f ($ -1*))+/u |丨/(xH ti⑴其中，V表示標記數(shù)據(jù)導(dǎo)致?lián)p失的代價函數(shù)，Ym控制數(shù)據(jù)邊緣分布內(nèi)蘊幾何的復(fù)雜度，在構(gòu)建的新模型中，選擇神經(jīng)網(wǎng)絡(luò)構(gòu)造f (W，X)，在模型中，用于解決不適定問題的Laplacian 正則化項||/(w,x)|| ^ 改為
Ii+u\\f(w,x)\\M =-J7I Σ SiAfiw-x. > — /《(2)
+ , I LJ I
根據(jù)nguyen-widrow設(shè)置初始權(quán)值,使用1+u個節(jié)點構(gòu)造數(shù)據(jù)鄰域圖，邊緣的權(quán)值為Sij,由這些權(quán)值形成一個(1+u) X (1+u)矩陣S，那么L = D-S，其中D為S的對角矩陣，其對
角元素Ai且 f = [f (w, X1), — f (w, x1+u)]T,(2)將結(jié)構(gòu)性誤差引入得到新的半監(jiān)督神經(jīng)網(wǎng)絡(luò)模型針對神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中，通過經(jīng)驗誤差來調(diào)節(jié)權(quán)重導(dǎo)致泛化能力差的問題，結(jié)合SVM的結(jié)構(gòu)性誤差思想對半監(jiān)督神經(jīng)網(wǎng)絡(luò)進行改進。本發(fā)明選擇三層的多層感知網(wǎng)絡(luò)(Multiple layer perception, MLP), —個輸入層、一個輸出和一個隱層，輸入層用于輸入樣本的特征向量，輸出層輸出的是樣本的類別。對于具有Sigmoid激發(fā)函數(shù)的三層MLP f(x) = W(2)h (Wil^b1Hb2，其中，W(1)、W(2)分別表示輸入層到隱層、隱層到輸出層的權(quán)值，b2分別表不輸出層的輸出結(jié)果，h為隱層輸出矢量函數(shù)。假設(shè)輸出層b2 = 0，則隱層輸出矢量y(1) = Ii(Wil)^b1),那么分類超平面可以寫成W(1)y(1) = 0，空間的點與分類超平面的距離為d，表示式如下 =⑶
則對于已標記的樣本，可以得到新的正則化目標函數(shù)
權(quán)利要求
1.一種遙感圖像的分類方法，其特征在于包括下述步驟 (a)從遙感圖像中提取各個像素的灰度特征，根據(jù)不同地物具有不同灰度值的特性，對遙感圖像中已知地物類別的部分進行標記，從而獲得標記樣本；未知類別部分則作為無標記樣本；將標記樣本與無標記樣本集合，即得到了用于進行分類的樣本數(shù)據(jù)； (b)構(gòu)建用于地物分類的半監(jiān)督神經(jīng)網(wǎng)絡(luò)模型，該神經(jīng)網(wǎng)絡(luò)模型為一個三層感知神經(jīng)網(wǎng)絡(luò)，其中輸入層包括I個神經(jīng)元，隱層包括三個神經(jīng)元，輸出層包括4個神經(jīng)元；在該神經(jīng)網(wǎng)絡(luò)中，將SVM中的結(jié)構(gòu)性誤差引入代替感知神經(jīng)網(wǎng)絡(luò)的經(jīng)驗誤差，以此作為新的正則化目標函數(shù)，從而得到了基于結(jié)構(gòu)誤差的新的半監(jiān)督神經(jīng)網(wǎng)絡(luò)模型； (c)采用擬牛頓進行求解半監(jiān)督神經(jīng)網(wǎng)絡(luò)，進行地物分類。·
全文摘要
本發(fā)明提供了遙感圖像的分類方法，首先獲取遙感圖像中地物的樣本，然后構(gòu)建用于地物分類的半監(jiān)督神經(jīng)網(wǎng)絡(luò)模型，最后基于半監(jiān)督神經(jīng)網(wǎng)絡(luò)進行地物分類。本發(fā)明在半監(jiān)督神經(jīng)網(wǎng)絡(luò)中引入結(jié)構(gòu)性誤差代替經(jīng)驗誤差，有效地避免了當目標函數(shù)局部取得局部極小值帶來的分類錯誤；并在極值求解過程中引入了用于求解非線性優(yōu)化的擬牛頓極值求解算法，從而有效地提高了地物分類精度，為后續(xù)進一步進行環(huán)境檢測、地形測繪等應(yīng)用提供有益保障。
文檔編號G06K9/62GK102938073SQ20121041063
公開日2013年2月20日 申請日期2012年10月23日 優(yōu)先權(quán)日2012年10月23日
發(fā)明者孫莉, 張群, 馬苗, 田光見, 李秀秀, 馬潤年 申請人:中國人民解放軍空軍工程大學