本發(fā)明屬于圖像處理
技術(shù)領(lǐng)域:
,涉及機(jī)器學(xué)習(xí)和高光譜圖像處理,具體是一種基于局部和非局部多特征語(yǔ)義高光譜圖像分類方法,用于對(duì)高光譜圖像中的不同地物進(jìn)行分類識(shí)別。
背景技術(shù):
:高光譜遙感技術(shù)在過(guò)去的幾十年中逐漸成為了地球觀測(cè)領(lǐng)域的研究熱點(diǎn)。高光譜遙感技術(shù)利用成像光譜儀以納米級(jí)的光譜分辨率,以幾十或幾百個(gè)波段同時(shí)對(duì)地表物成像,能夠獲得地物的連續(xù)光譜信息,實(shí)現(xiàn)地物空間信息、輻射信息、光譜信息的同步獲取,具有“圖譜合一”的特性。由于不同的地物有著不同的反射波信息,高光譜圖像中光譜的高分辨率就為分辨不同地物或目標(biāo)提供了極其重要的判別信息。高光譜圖像的地物分類在地質(zhì)調(diào)查、農(nóng)作物災(zāi)害監(jiān)測(cè)、大氣污染和軍事目標(biāo)打擊等領(lǐng)域均有良好應(yīng)用前景。高光譜遙感圖像分類就是將高光譜遙感圖像中的每個(gè)像元?jiǎng)潥w到各個(gè)類別中的過(guò)程。由于高光譜遙感技術(shù)獲取的圖像包含了豐富的空間、輻射和光譜三重信息,為分類任務(wù)提供了大量的判別信息,但仍存在巨大的挑戰(zhàn)和困難。首先,數(shù)據(jù)量大,至少幾十個(gè)波段,導(dǎo)致計(jì)算復(fù)雜度很高,也給數(shù)據(jù)的存儲(chǔ)、傳遞和顯示帶來(lái)了挑戰(zhàn);其次,維數(shù)過(guò)高,存在冗余數(shù)據(jù)及其部分噪聲,會(huì)降低分類精度;最后,波段多,且波段間相關(guān)性高,導(dǎo)致所需訓(xùn)練樣本數(shù)目增多,如果訓(xùn)練樣本不足,則會(huì)出現(xiàn)機(jī)器學(xué)習(xí)中常見(jiàn)的欠擬合等問(wèn)題,導(dǎo)致隨后的分類精度嚴(yán)重下降。傳統(tǒng)高光譜分類方法中,基于光譜信息的支持矢量機(jī)等分類方法可以一定程度的解決上述困難,但是其分類精度較低,分類結(jié)果圖的空間一致性較差,無(wú)法滿足應(yīng)用需求。近年來(lái),在特征層面,研究者提出了大量基于多特征信息的分類方法,在分類精度上有了一定的提升,這些方法在結(jié)合多特征信息時(shí),主要有兩種方式:第一個(gè)是特征級(jí)融合,直接將多個(gè)特征向量進(jìn)行串聯(lián)后作為分類器的輸入;第二個(gè)是決策級(jí)融合,將多個(gè)特征向量分別輸入分類器后,對(duì)其分類結(jié)果進(jìn)行融合。多特征信息在這兩種融合方式的過(guò)程中都存在一定的信息損失,導(dǎo)致多特征信息沒(méi)有全部被有效地利用。在模型層面,由于高光譜圖像中空間信息的重要性,大量加入空間約束的分類方法被提出,如聯(lián)合稀疏表示模型,基于融合核的支持矢量機(jī),馬爾可夫場(chǎng)模型等,這些方法利用了高光譜圖像中的局部空間信息,使得分類精度得到了很大的提升。但是,一方面,這些方法在局部空間信息的處理上較為粗糙,大都使用傳統(tǒng)的方形窗口作為像素點(diǎn)的局部領(lǐng)域,影響了分類結(jié)果圖的空間一致性,阻礙了分類精度的進(jìn)一步提升。另一方面,在高光譜圖像中冗余著大量的非局部空間信息,這些方法都未對(duì)此類信息進(jìn)行有效地利用,使得分類的精度以及魯棒性的上限較低。因此如何從高維的冗余數(shù)據(jù)中提取出多種有用的特征,合理的將多種特征進(jìn)行結(jié)合,并且有效地利用豐富的空間信息(局部以及非局部)以及少量且珍貴的類別信息,提升高光譜圖像在小樣本情況下的分類結(jié)果的精度、魯棒性以及分類結(jié)果圖的空間一致性是一個(gè)有待解決的技術(shù)難題。技術(shù)實(shí)現(xiàn)要素:本發(fā)明針對(duì)現(xiàn)有技術(shù)中存在的分類結(jié)果精度較低、魯棒性較差、分類結(jié)果圖空間一致性較弱的問(wèn)題,提出了一種合理將多種特征信息進(jìn)行結(jié)合并且能夠有效地利用局部和非局部空間信息以及相關(guān)類別信息的基于局部和非局部多特征語(yǔ)義高光譜圖像分類方法。本發(fā)明是一種基于局部和非局部多特征語(yǔ)義高光譜圖像分類方法,其特征在于,包括有如下步驟:(1)輸入圖像,提取圖像的多種特征:輸入高光譜圖像M是高光譜圖像中所有像素點(diǎn)的總個(gè)數(shù),hq為一個(gè)列向量,代表像素點(diǎn)q在每個(gè)波段的反射值所構(gòu)成的向量;對(duì)高光譜圖像分別提取多種特征,包括有:原始光譜特征、Gabor紋理特征、差分形態(tài)學(xué)特征;該高光譜圖像包含c類像素點(diǎn),其中有N個(gè)有標(biāo)記像素點(diǎn),m個(gè)無(wú)標(biāo)記像素點(diǎn),圖像的每個(gè)像素點(diǎn)為一個(gè)樣本,每個(gè)樣本由V個(gè)特征向量構(gòu)成,分別代表該樣本在不同特征描述子下的表述,V是特征類別的個(gè)數(shù);(2)高光譜圖像數(shù)據(jù)集分為訓(xùn)練集和測(cè)試集:用N個(gè)有標(biāo)記像素點(diǎn)作為訓(xùn)練樣本構(gòu)成訓(xùn)練集其對(duì)應(yīng)的類別標(biāo)記集為用m個(gè)無(wú)標(biāo)記像素點(diǎn)作為測(cè)試樣本構(gòu)成測(cè)試集其中,xi表示訓(xùn)練集的第i個(gè)樣本,yj表示測(cè)試集的第j個(gè)樣本,li是第i個(gè)訓(xùn)練樣本所屬的類別標(biāo)號(hào),Dv表示第v類特征的維數(shù),R表示實(shí)數(shù)域;(3)利用概率支持矢量機(jī)(SVM)將所有樣本的多種特征映射成相應(yīng)的語(yǔ)義表示:分別利用訓(xùn)練集中所有樣本的V個(gè)特征向量以及其對(duì)應(yīng)的類別標(biāo)記集構(gòu)建V個(gè)概率支撐矢量機(jī)分類器,該分類器的核函數(shù)為徑向高斯核,核參數(shù)以及懲罰參數(shù)由多倍交叉驗(yàn)證得到;將測(cè)試集中所有樣本的V個(gè)特征向量分別輸入到構(gòu)建的V個(gè)對(duì)應(yīng)分類器中,得到在不同特征描述子表述下,每個(gè)測(cè)試樣本yj,j=1,2,…,m屬于每個(gè)類別的概率,作為每個(gè)測(cè)試樣本的語(yǔ)義表示對(duì)于訓(xùn)練集中的每個(gè)樣本xi,i=1,2,…,N,它屬于本身類別li的概率為1,而屬于其他類別的概率為0,得到多種特征對(duì)應(yīng)的多種語(yǔ)義表示其中的第li行為1,其它行為0;從而得到該高光譜圖像中所有樣本的多種語(yǔ)義表示(4)構(gòu)造測(cè)試集中所有樣本的局部以及非局部近鄰集合;對(duì)于測(cè)試集中的每個(gè)樣本yj,j=1,2,…,m,構(gòu)造其局部自適應(yīng)近鄰集合Bj和非局部相似結(jié)構(gòu)近鄰集合Cj;(5)構(gòu)建降噪馬爾可夫場(chǎng)模型,進(jìn)行測(cè)試樣本的多種語(yǔ)義表示融合以及語(yǔ)義表示的降噪處理;對(duì)每個(gè)測(cè)試樣本yj,j=1,2,…,m分別進(jìn)行如下操作,將yj所對(duì)應(yīng)的語(yǔ)義表示局部自適應(yīng)近鄰集合Bj中所有樣本的語(yǔ)義表示和非局部相似結(jié)構(gòu)近鄰集合Cj中所有樣本的語(yǔ)義表示均輸入到局部能量函數(shù)中,最小化該能量函數(shù),得到測(cè)試樣本yj的一階降噪語(yǔ)義表示與此同時(shí)保持訓(xùn)練集中樣本的語(yǔ)義表示不變,得到該高光譜圖像所有樣本的一階降噪語(yǔ)義表示(6)對(duì)高光譜圖像所有樣本的一階降噪語(yǔ)義表示進(jìn)一步迭代優(yōu)化;設(shè)定最大迭代次數(shù)Tmax,t為當(dāng)前迭代代數(shù),對(duì)每個(gè)測(cè)試樣本進(jìn)行如下操作:將測(cè)試樣本yj,以及集合Bj和集合Cj中所有樣本的第t階降噪語(yǔ)義表示作為降噪馬爾可夫場(chǎng)局部能量函數(shù)的輸入,最小化該能量函數(shù),得到測(cè)試樣本yj的第(t+1)階語(yǔ)義表示與此同時(shí)繼續(xù)保持訓(xùn)練集中樣本的語(yǔ)義表示不變,進(jìn)而得到該高光譜圖像所有樣本的第(t+1)階降噪語(yǔ)義表示重復(fù)迭代過(guò)程,直到t=Tmax-1停止,得到該高光譜圖像所有樣本的第Tmax階降噪語(yǔ)義表示,也就是最終的語(yǔ)義表示(7)利用最終的語(yǔ)義表示求得測(cè)試集中所有樣本的類別;對(duì)于測(cè)試集中的每個(gè)樣本yj,j=1,2,…,m,其最終的語(yǔ)義表示為即測(cè)試樣本yj屬于每個(gè)類別的概率所組成的列向量,選擇該向量中最大值元素所在位置的標(biāo)號(hào)作為yj的類別從而得到測(cè)試集類別預(yù)測(cè)集合完成該高光譜圖像的分類任務(wù)。本發(fā)明基于高光譜圖像不同特征空間中的多個(gè)特征,通過(guò)弱分類器映射到相同的語(yǔ)義空間,而后利用馬爾可夫場(chǎng)模型進(jìn)行語(yǔ)義融合、降噪,得到含有多種信息以及少量噪聲的語(yǔ)義表示,在此基礎(chǔ)上對(duì)高光譜圖像中的不同地物進(jìn)行分類識(shí)別。本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點(diǎn):1、本發(fā)明由于充分挖掘了像元之間的相互關(guān)系,找到了每個(gè)像元的局部自適應(yīng)近鄰,以及非局部相似結(jié)構(gòu)近鄰,與此同時(shí),少量有標(biāo)記樣本的類別信息也會(huì)隨之而傳播到其局部以及非局部近鄰中,使得高光譜圖像在少量有標(biāo)記樣本的情況下仍然可以取得很高的分類精度。2、本發(fā)明由于對(duì)馬爾可夫場(chǎng)模型進(jìn)行了多特征方向和非局部方向的改進(jìn),并且用語(yǔ)義向量間的測(cè)地距離正則項(xiàng)代替了傳統(tǒng)的離散的類別異同正則項(xiàng),使得馬爾可夫場(chǎng)模型更加的適合于處理高光譜圖像分類問(wèn)題,解決了傳統(tǒng)馬爾可夫模型導(dǎo)致的過(guò)平滑等問(wèn)題,提高了分類結(jié)果圖的空間一致性。3、本發(fā)明中提出的降噪馬爾可夫場(chǎng)模型,可以通過(guò)簡(jiǎn)單的梯度下降法進(jìn)行求解,計(jì)算復(fù)雜度低于傳統(tǒng)馬爾可夫場(chǎng)模型所用的圖切類算法,并且在求優(yōu)迭代過(guò)程中可以很好的避免陷入局部最優(yōu)解,提高了模型的魯棒性,從而提升分類結(jié)果的魯棒性。對(duì)比實(shí)驗(yàn)表明,本發(fā)明顯著提高了高光譜遙感圖像的分類準(zhǔn)確率和魯棒性,并使得分類結(jié)果圖具有很好的空間一致性。附圖說(shuō)明圖1是本發(fā)明的流程示意圖;圖2是本發(fā)明仿真采用的IndianPine數(shù)據(jù)集,其中,圖2a為IndianPine數(shù)據(jù)集通過(guò)主成分分析(PCA)獲取的一維灰度圖像,圖2b為IndianPine數(shù)據(jù)集真實(shí)地物類別標(biāo)號(hào)圖,每個(gè)顏色對(duì)應(yīng)一種不同的地物類型;圖3是本發(fā)明與現(xiàn)有方法在IndianPine數(shù)據(jù)集上的分類結(jié)果圖的對(duì)比,其中,圖3a-3f分別對(duì)應(yīng)著基于三種現(xiàn)有分類方法:融合核的支持矢量機(jī)(SVM+CK),支持矢量機(jī)結(jié)合馬爾可夫場(chǎng)(SVM+MRF),聯(lián)合稀疏表示(SOMP);以及兩種本發(fā)明方法的簡(jiǎn)化版,和本發(fā)明提出的方法得到的IndianPine數(shù)據(jù)集的分類結(jié)果圖。具體實(shí)施方式下面結(jié)合附圖對(duì)本發(fā)明詳細(xì)說(shuō)明。實(shí)施例1:對(duì)于高光譜圖像的地物分類問(wèn)題,目前現(xiàn)有的方法大都存在著分類精度不夠理想,分類結(jié)果魯棒性較差,分類結(jié)果圖的空間一致性較弱的問(wèn)題,本發(fā)明結(jié)合多種特征在語(yǔ)義空間的融合技術(shù)以及局部、非局部空間約束方法,主要針對(duì)現(xiàn)有方法存在的多種問(wèn)題提出了一種基于局部和非局部多特征語(yǔ)義高光譜圖像分類方法。本發(fā)明是一種基于局部和非局部多特征語(yǔ)義高光譜圖像分類方法,參見(jiàn)圖1,包括有如下步驟:(1)輸入圖像,提取圖像的多種特征。常用的高光譜圖像數(shù)據(jù)包括由美國(guó)宇航局NASA噴氣推進(jìn)實(shí)驗(yàn)室的空載可見(jiàn)光/紅外成像光譜儀AVIRIS獲得的IndianPine數(shù)據(jù)集和Salinas數(shù)據(jù)集,以及NASA的ROSIS光譜儀獲得的UniversityofPavia數(shù)據(jù)集等。輸入高光譜圖像M是高光譜圖像中所有像素點(diǎn)的總個(gè)數(shù),hq為一個(gè)列向量,代表像素點(diǎn)q每個(gè)波段的反射值,也就是該像素點(diǎn)的原始光譜特征;對(duì)高光譜圖像分別提取多種特征,包括有:原始光譜特征、Gabor紋理特征、差分形態(tài)學(xué)特征(DMP),這三種特征分別反應(yīng)了高光譜圖像所具有的光譜、紋理、形狀信息。該高光譜圖像包含c類像素點(diǎn),其中有N個(gè)有標(biāo)記像素點(diǎn),m個(gè)無(wú)標(biāo)記像素點(diǎn),圖像的每個(gè)像素點(diǎn)為一個(gè)樣本,每個(gè)樣本由V個(gè)特征向量構(gòu)成,分別代表該樣本在不同特征描述子下的表述,V是特征類別的個(gè)數(shù)。本實(shí)施例中所使用的特征類別數(shù)量為3,故這里及其之后所述的特征類別的個(gè)數(shù)V在不加說(shuō)明的情況下都應(yīng)等于3。本實(shí)施例中所提及的N個(gè)有標(biāo)記像素點(diǎn)是從高光譜圖像的每一類像素點(diǎn)中等比例選出的像素點(diǎn),m個(gè)剩余所有像素點(diǎn)作為無(wú)標(biāo)記像素點(diǎn)。(2)高光譜圖像數(shù)據(jù)集分為訓(xùn)練集和測(cè)試集,用N個(gè)有標(biāo)記像素點(diǎn)作為訓(xùn)練樣本構(gòu)成訓(xùn)練集其對(duì)應(yīng)的類別標(biāo)記集為用m個(gè)無(wú)標(biāo)記像素點(diǎn)作為測(cè)試樣本構(gòu)成測(cè)試集其中,xi表示有標(biāo)記訓(xùn)練集的第i個(gè)有標(biāo)記訓(xùn)練樣本,yj表示測(cè)試集的第j個(gè)無(wú)標(biāo)記測(cè)試樣本。高光譜圖像中的每個(gè)樣本都用V個(gè)列向量表示,每個(gè)列向量代表一個(gè)特征,li是第i個(gè)有標(biāo)記訓(xùn)練樣本所屬的類別標(biāo)號(hào),Dv表示樣本第v類特征所對(duì)應(yīng)的維數(shù),R表示實(shí)數(shù)域。對(duì)應(yīng)于步驟(1)中N為有標(biāo)記像素點(diǎn)個(gè)數(shù),m為無(wú)標(biāo)記像素點(diǎn)個(gè)數(shù),在此,N是有標(biāo)記訓(xùn)練樣本總個(gè)數(shù),m是測(cè)試樣本總個(gè)數(shù)。(3)利用概率支持矢量機(jī)(SVM)將所有樣本的多種特征映射到相應(yīng)的語(yǔ)義空間,具體為映射成相應(yīng)的語(yǔ)義表示。分別利用訓(xùn)練集中所有樣本的V個(gè)特征向量以及其對(duì)應(yīng)的類別標(biāo)記集構(gòu)建V個(gè)分類器即概率支撐矢量機(jī)(SVM),該概率支撐矢量機(jī)(SVM)的核函數(shù)為徑向高斯核,核參數(shù)以及懲罰參數(shù)由多倍交叉驗(yàn)證得到。將測(cè)試集中所有樣本的V個(gè)特征向量分別輸入到構(gòu)建的V個(gè)對(duì)應(yīng)的概率支撐矢量機(jī)(SVM)分類器中,得到在不同特征描述子表述下,每個(gè)測(cè)試樣本yj,j=1,2,…,m屬于每個(gè)類別的概率,作為每個(gè)測(cè)試樣本的語(yǔ)義表示對(duì)于訓(xùn)練集中的每個(gè)樣本xi,i=1,2,…,N,屬于本身類別li的概率為1,而屬于其他類別的概率為0,其多種特征對(duì)應(yīng)的多種語(yǔ)義表示為其中的第li行為1,其他行為0,訓(xùn)練集中樣本的語(yǔ)義表示都是一個(gè)0-1編碼的向量,得到該高光譜圖像中所有樣本的多種語(yǔ)義表示注,由于訓(xùn)練集中所有樣本的類別標(biāo)號(hào)已知,其對(duì)應(yīng)的語(yǔ)義表示為完全正確的語(yǔ)義表示。本實(shí)施例中使用概率支持矢量機(jī)(SVM)完成樣本特征到樣本語(yǔ)義表示的映射,是因?yàn)閷?duì)于高光譜圖像地物分類問(wèn)題來(lái)說(shuō),概率支持矢量機(jī)(SVM)擁有良好的魯棒性和較強(qiáng)的分類能力,并且作為基準(zhǔn)分類器在高光譜處理領(lǐng)域較為通用。本發(fā)明也可以使用其他可得到類別概率的分類器完成該步驟,如多項(xiàng)邏輯回歸,隨機(jī)森林及它們的變種分類器等,來(lái)替代概率支持矢量機(jī)(SVM)。(4)為了提取測(cè)試集中所有樣本的局部空間信息和非局部空間信息,來(lái)引入局部和非局部的空間約束,構(gòu)造測(cè)試集中所有樣本的局部以及非局部近鄰集合。對(duì)于測(cè)試集中的每個(gè)樣本yj,j=1,2,…,m,構(gòu)造其局部自適應(yīng)近鄰集合Bj和非局部相似結(jié)構(gòu)近鄰集合Cj,得到測(cè)試集中每個(gè)測(cè)試樣本的局部自適應(yīng)近鄰集合和非局部相似結(jié)構(gòu)近鄰集合。(5)構(gòu)建降噪馬爾可夫場(chǎng)模型,進(jìn)行測(cè)試樣本的多種語(yǔ)義表示的融合以及語(yǔ)義降噪處理,其中降噪處理是通過(guò)引入局部、非局部的空間約束來(lái)實(shí)現(xiàn)的。結(jié)合步驟(3)中得到的所有樣本的多種語(yǔ)義表示以及步驟(4)中得到測(cè)試集中所有樣本的局部自適應(yīng)近鄰集合和非局部相似結(jié)構(gòu)近鄰集合,將測(cè)試集中所有樣本的多種語(yǔ)義表示以及其局部、非局部近鄰的多種語(yǔ)義表示,全部輸入到降噪馬爾可夫場(chǎng)模型中,最大化馬爾可夫場(chǎng)的聯(lián)合概率,也就是最小化馬爾可夫場(chǎng)的全局能量,為了最小化全局能量,使用迭代條件模式法(ICM)進(jìn)行求解,將該全局最小化問(wèn)題轉(zhuǎn)換為多個(gè)局部最小化問(wèn)題,也就是最小化每個(gè)樣本所在勢(shì)團(tuán)的能量,該勢(shì)團(tuán)由測(cè)試樣本本身和對(duì)應(yīng)的所有近鄰樣本構(gòu)成,對(duì)每個(gè)測(cè)試樣本yj,j=1,2,…,m分別進(jìn)行如下操作,將測(cè)試樣本yj的多種語(yǔ)義表示局部自適應(yīng)近鄰集合Bj中所有樣本的多種語(yǔ)義表示和非局部相似結(jié)構(gòu)近鄰集合Cj中所有樣本的多種語(yǔ)義表示輸入到降噪馬爾可夫場(chǎng)的局部能量函數(shù)中,最小化該函數(shù),從而得到測(cè)試樣本yj第一次降噪后的語(yǔ)義表示從而最小化所有測(cè)試樣本所在勢(shì)團(tuán)的能量,得到所有測(cè)試樣本的一階降噪語(yǔ)義表示。為了將訓(xùn)練集中樣本的語(yǔ)義表示,也就是完全正確的語(yǔ)義表示,繼續(xù)通過(guò)降噪馬爾可夫場(chǎng)對(duì)其局部和非局部近鄰進(jìn)行積極的影響,故保持訓(xùn)練集中樣本的語(yǔ)義表示不變,結(jié)合所有測(cè)試樣本的一階降噪語(yǔ)義表示,得到該高光譜圖像所有樣本的一階降噪語(yǔ)義表示(6)由于步驟(5)中所使用的迭代條件模式法(ICM)進(jìn)行一輪局部最小化能量計(jì)算后并不能保證全局能量的最小化,所以對(duì)高光譜圖像所有樣本的一階降噪語(yǔ)義表示也就是步驟(5)中得到的語(yǔ)義表示結(jié)果進(jìn)一步迭代優(yōu)化。參見(jiàn)圖1,設(shè)定最大迭代次數(shù)Tmax,t為當(dāng)前迭代代數(shù),將測(cè)試樣本yj的第t階降噪語(yǔ)義表示局部自適應(yīng)近鄰集合Bj中所有樣本的第t階降噪語(yǔ)義表示和非局部相似結(jié)構(gòu)近鄰集合Cj中所有樣本的第t階降噪語(yǔ)義表示作為降噪馬爾可夫場(chǎng)局部能量函數(shù)的輸入,同樣最小化該能量函數(shù),得到測(cè)試樣本yj的第(t+1)階語(yǔ)義表示從而得到該高光譜圖像所有測(cè)試樣本的第(t+1)階降噪語(yǔ)義表示。對(duì)于訓(xùn)練集中所有樣本來(lái)說(shuō),處理方式和步驟(5)中所述相同,得到該高光譜圖像中所有樣本的第(t+1)階降噪語(yǔ)義表示重復(fù)迭代過(guò)程,就是此步驟,直到t=Tmax-1,停止,得到該高光譜圖像所有樣本的第Tmax階降噪語(yǔ)義表示,也就是最終的語(yǔ)義表示注,在本步驟中提到的降噪馬爾可夫場(chǎng)局部能量函數(shù)與步驟(5)中提到的降噪馬爾可夫場(chǎng)局部能量函數(shù)有所不同,是由于步驟(5)中的局部能量函數(shù)需要完成多語(yǔ)義融合的功能,而本步驟中的局部能量函數(shù)只需要完成迭代優(yōu)化即可,具體不同點(diǎn)參見(jiàn)實(shí)施例4中一階局部能量函數(shù)和第(t+1)階局部能量函數(shù)。本發(fā)明中需要設(shè)定參數(shù)Tmax,也就是步驟(6)中提及的迭代次數(shù),在一般情況下,若Tmax較小則無(wú)法得到收斂的結(jié)果,若Tmax較大則導(dǎo)致計(jì)算的復(fù)雜度較高,產(chǎn)生較多無(wú)謂的計(jì)算。此參數(shù)的設(shè)定方法敘述如下,通過(guò)計(jì)算的結(jié)果是否穩(wěn)定來(lái)判斷,隨機(jī)選取少量預(yù)測(cè)樣本(百分之5到百分之10即可),根據(jù)這部分預(yù)測(cè)樣本的第(t+1)階語(yǔ)義表示得到的預(yù)測(cè)類別集合和第t階語(yǔ)義表示得到的預(yù)測(cè)類別集合之間的差距小于一定的閾值,則無(wú)需繼續(xù)迭代,Tmax就等于(t+1)。一般的,在訓(xùn)練樣本數(shù)量較少的情況下,所需的Tmax較大,反之毅然。(7)利用步驟(6)中得到最終的語(yǔ)義表示求得測(cè)試集中所有樣本的類別。對(duì)于測(cè)試集中的每個(gè)樣本yj,j=1,2,…,m,其最終的語(yǔ)義表示為(一個(gè)c×1的列向量),即測(cè)試樣本yj屬于每個(gè)類別的概率所組成的列向量,選擇中最大值元素所在位置的標(biāo)號(hào)作為該測(cè)試樣本的類別從而得到測(cè)試集中所有樣本的類別,構(gòu)成測(cè)試集類別預(yù)測(cè)集合完成該高光譜圖像的分類任務(wù)。例如對(duì)于IndianPine數(shù)據(jù)集而言,圖2b給出了該數(shù)據(jù)集的真實(shí)地物類標(biāo)圖,無(wú)論采用何種分類方法,都可以和圖2b進(jìn)行對(duì)比,驗(yàn)證分類效果。本發(fā)明由于充分挖掘了像元之間的相互關(guān)系,找到每個(gè)像元的局部自適應(yīng)近鄰集以及非局部相似結(jié)構(gòu)近鄰集,并將由這兩種近鄰集所構(gòu)建的局部和非局部空間約束加入到所設(shè)計(jì)的降噪馬爾可夫場(chǎng)模型中,與此同時(shí),少量有標(biāo)記樣本的類別信息也會(huì)隨著降噪馬爾可夫場(chǎng)的優(yōu)化過(guò)程而傳播到其局部以及非局部近鄰中。本發(fā)明使得高光譜圖像在少量有標(biāo)記樣本的情況下仍然可以取得很高的分類精度,且分類結(jié)果圖擁有很好的空間一致性。實(shí)施例2:基于局部和非局部多特征語(yǔ)義高光譜圖像分類方法同實(shí)施例1,其中步驟(1)中所述的多種特征,包括但不僅限于:原始光譜特征、Gabor紋理特征、差分形態(tài)學(xué)特征(DMP),其中Gabor紋理特征和差分形態(tài)學(xué)特征(DMP)分別表述如下:Gabor紋理特征:對(duì)該高光譜圖像進(jìn)行主成分分析(PCA)處理,取處理后的前3維主成分作為3幅基準(zhǔn)圖像,分別進(jìn)行16個(gè)方向,5個(gè)尺度的Gabor變換,每個(gè)基準(zhǔn)圖像各得到80維的紋理特征,堆疊在一起得到總維數(shù)為240維的Gabor紋理特征。差分形態(tài)學(xué)特征(DMP):對(duì)該高光譜圖像進(jìn)行主成分分析(PCA)處理,取處理后的前3維主成分作為3幅基準(zhǔn)圖像,分別進(jìn)行5個(gè)尺度的開(kāi)操作并相互做差和5個(gè)尺度的閉操作并相互做差,每個(gè)基準(zhǔn)圖像各得到8維的差分特征,堆疊在一起得到總維數(shù)為24維的差分形態(tài)學(xué)特征。本發(fā)明在多種特征的選擇上,除了使用原始的光譜信息,還著重考慮了紋理和形狀方面的信息,由于不同的特征描述子對(duì)于圖像具有不同的表述,其中Gabor紋理特征可以很好的提取高光譜圖像中的局部紋理信息,也就是局部像元之間的相關(guān)性信息,而差分形態(tài)學(xué)特征(DMP)可以很好的反應(yīng)高光譜圖像中的形狀塊的邊緣以及大小信息。本發(fā)明結(jié)合光譜、紋理和形狀特征可以提升高光譜圖像不同類別像元之間的判別性,最終提高基于局部和非局部多特征語(yǔ)義高光譜圖像分類方法的分類精度和魯棒性。除了本實(shí)施例中提到的三種特征以外,其他特征也可以使用在本發(fā)明中,例如高光譜圖像分析中常用的灰度共生矩陣、三維小波變換等特征,于此同時(shí),本發(fā)明可以使用的特征數(shù)量也不僅限于三種,更多種類的特征雖然會(huì)提高方法的判別力,但是也會(huì)無(wú)端的增加計(jì)算復(fù)雜度,和大量冗余的信息,本發(fā)明使用的三種特征:原始光譜特征、Gabor紋理特征、差分形態(tài)學(xué)特征(DMP),已經(jīng)基本涵蓋了高光譜圖像的大部分信息。實(shí)施例3:基于局部和非局部多特征語(yǔ)義高光譜圖像分類方法同實(shí)施例1-2,其中步驟(4)中所述的局部與非局部近鄰集合構(gòu)造方法如下:4a)對(duì)該高光譜圖像進(jìn)行主成分分析(PCA),提取第一主成分作為一幅基準(zhǔn)圖像,也就是一幅可以反映該高光譜圖像基本地物輪廓信息的灰度圖像,設(shè)置超像素個(gè)數(shù)LP,進(jìn)行基于熵率的超像素圖像分割,得到LP個(gè)超像素塊本實(shí)施例中使用基于熵率的超像素分割方法對(duì)高光譜圖像的第一主成分灰度圖進(jìn)行超像素分割,分割出的超像素塊良好的保持圖像中的邊緣信息和結(jié)構(gòu)信息,且分割出的超像素塊大小差異較小,形狀較為規(guī)則,較為適用于高光譜圖像,也被研究者們大量的使用于高光譜圖像的分析處理領(lǐng)域。本發(fā)明中,也可以使用其他圖像分割方法來(lái)替代于熵率的超像素分割方法,如均值漂移(MeanShift)以及其他基于圖論的超像素分割方法。4b)設(shè)置局部窗口參數(shù)Wlocal,對(duì)于測(cè)試集中的樣本yj,位于以樣本yj為中心的方形窗口Wlocal×Wlocal中,又和樣本yj屬于同一個(gè)超像素塊Pu的所有樣本構(gòu)成樣本yj的局部自適應(yīng)近鄰集合Bj,從而得到測(cè)試集中所有樣本的局部自適應(yīng)近鄰集合。這樣處理后的局部近鄰集合,相比于傳統(tǒng)的方形窗口近鄰集合,為每個(gè)測(cè)試樣本的局部近鄰加入了一定的自適應(yīng)性,使得每個(gè)測(cè)試樣本所對(duì)應(yīng)的局部近鄰都是根據(jù)自身周圍的情況所確定的,不會(huì)因?yàn)榇翱趨?shù)設(shè)置的固定性,導(dǎo)致部分測(cè)試樣本的局部近鄰集合包含了大量錯(cuò)誤的空間信息。而相比于完全自適應(yīng)的局部近鄰集合構(gòu)建方法,又可以根據(jù)每張高光譜圖像的不同分辨率,不同地物類型,設(shè)定合適的局部窗口參數(shù),引入一定的先驗(yàn)知識(shí)來(lái)提升局部空間信息的質(zhì)量,且完全自適應(yīng)的局部近鄰集合構(gòu)建方法大都復(fù)雜度較高,本發(fā)明的局部近鄰集合構(gòu)建方法復(fù)雜度與傳統(tǒng)方法,也就是方形窗口近鄰集合幾乎一致,幾乎沒(méi)有增加計(jì)算復(fù)雜度,但是引入了一定的自適應(yīng)性。本發(fā)明中需要設(shè)定局部窗口參數(shù)Wlocal,參數(shù)越大包含的局部近鄰越多,局部近鄰信息就越豐富,也就越容易引入越多的錯(cuò)誤近鄰。參數(shù)越小則包含的局部近鄰越少,也就無(wú)法提取到足夠的局部近鄰信息。設(shè)定該參數(shù)需要在兩者之間折中選擇,此參數(shù)一般的取值有3、5、...、15等,根據(jù)每張高光譜圖像的分辨率、地物類型等先驗(yàn)信息,對(duì)參數(shù)進(jìn)行不同程度的調(diào)整。4c)設(shè)置非局部結(jié)構(gòu)窗口參數(shù)Wnonlocal,以及非局部近鄰個(gè)數(shù)K,分別對(duì)原始高光譜圖像中的每個(gè)樣本hq,q=1,2,…,M在其鄰域Wnonlocal×Wnonlocal中進(jìn)行均值池化,得到所有樣本的結(jié)構(gòu)信息本發(fā)明中需要設(shè)定非局部結(jié)構(gòu)窗口參數(shù)Wnonlocal以及非局部近鄰個(gè)數(shù)K,其中非局部結(jié)構(gòu)窗口參數(shù)Wnonlocal的選擇方法和本實(shí)施例4b)中提到的局部窗口參數(shù)Wlocal較為相似,但一般的,提取每個(gè)樣本所屬子塊的信息時(shí)需要將盡可能多的結(jié)構(gòu)信息包含在內(nèi),非局部結(jié)構(gòu)窗口參數(shù)Wnonlocal的取值大于局部窗口參數(shù)Wlocal,如15,17,...,25等。同樣的,根據(jù)每張高光譜圖像的分辨率、地物類型等先驗(yàn)信息,對(duì)參數(shù)進(jìn)行不同程度的調(diào)整。非局部近鄰個(gè)數(shù)K的取值一般有20,30,...,100等,此參數(shù)需要根據(jù)高光譜圖像中每類樣本的數(shù)量進(jìn)行調(diào)整,若每類樣本數(shù)量都較多,則非局部近鄰個(gè)數(shù)K的取值較大,若有部分類樣本數(shù)量較少,則非局部近鄰個(gè)數(shù)K的取值較小。本發(fā)明使用均值池化的方法來(lái)提取每個(gè)樣本所屬子塊的結(jié)構(gòu)信息,均值池化后的結(jié)果就可以大體表現(xiàn)出每個(gè)樣本所屬子塊的基本信息,相比于其他子塊可以體現(xiàn)一定的區(qū)分度。也可以使用其他聚合方法來(lái)替代均值池化提取每個(gè)樣本所屬子塊的信息,如最大值池化,加權(quán)均值池化或其他更復(fù)雜的池化方法。4d)對(duì)于測(cè)試集中的每個(gè)樣本yj,j=1,2,…,m,用其結(jié)構(gòu)信息和剩余所有樣本的結(jié)構(gòu)信息做比較,計(jì)算樣本結(jié)構(gòu)信息之間的遠(yuǎn)近程度:其中是測(cè)地距離,代表對(duì)向量x中的每一行進(jìn)行開(kāi)根操作,SGDjq的值就代表了測(cè)試樣本yj和樣本q之間結(jié)構(gòu)信息的遠(yuǎn)近程度,相比于常用的歐式距離或者余弦?jiàn)A角等度量方式,由于已經(jīng)有研究證明,高光譜圖像所包含的反射波信息可以被看作是一種流形,而測(cè)地距離作為一種流形距離,可以更好的表述高光譜圖像波段反射值向量之間的距離。尋找和測(cè)試樣本yj最相似的K個(gè)樣本,也就是SGD值最小的前K個(gè)樣本,作為測(cè)試樣本yj的非局部相似結(jié)構(gòu)近鄰集合Cj,與此同時(shí),由于每個(gè)非局部近鄰樣本和測(cè)試樣本yj之間的相似程度不同,所以對(duì)于測(cè)試樣本yj的重要程度就有所區(qū)別,每個(gè)根據(jù)SGD值的大小,分別給與K個(gè)非局部近鄰不同的權(quán)重,相似程度越高,也就是SGD值越大,則其權(quán)重就越大,權(quán)重計(jì)算公式如下:式中,ωjh代表測(cè)試樣本yj的非局部相似結(jié)構(gòu)近鄰h所對(duì)應(yīng)的權(quán)重大小,γ是高斯核參數(shù)。本發(fā)明著重設(shè)計(jì)了測(cè)試集中所有樣本的局部自適應(yīng)近鄰集合和非局部相似結(jié)構(gòu)近鄰集合,其中局部自適應(yīng)近鄰集合將傳統(tǒng)方窗和超像素塊相結(jié)合,充分的提取了樣本所在位置附近的局部空間信息,降低錯(cuò)誤空間信息引入。而非局部相似結(jié)構(gòu)近鄰集合的設(shè)計(jì)考慮到了高光譜圖像中存在的大量冗余的非局部空間信息,本發(fā)明將這些信息進(jìn)行了充分提取。這兩種近鄰集合的設(shè)計(jì),使得最終的降噪馬爾可夫場(chǎng)充分利用了局部和非局部空間信息,進(jìn)而提升高光譜圖像的分類精度和分類結(jié)果圖的空間一致性。實(shí)施例4:基于局部和非局部多特征語(yǔ)義高光譜圖像分類方法同實(shí)施例1-3,其中步驟(5)和(6)中最小化馬爾可夫場(chǎng)的全局能量,使用迭代條件模式法(ICM)求解,將全局能量最小化轉(zhuǎn)化為最小化每個(gè)局部勢(shì)團(tuán)能量,對(duì)于測(cè)試樣本yj,其相應(yīng)的一階局部能量函數(shù),也就是步驟(5)中所使用的局部能量函數(shù)為:相應(yīng)的第(t+1)階局部能量函數(shù),也就是步驟(6)中所使用的局部能量函數(shù)為:注,以上兩個(gè)局部能量函數(shù)中距離度量方法為測(cè)地距離,與實(shí)施例3中所述的測(cè)地距離相同。相比于傳統(tǒng)距離度量方法,如歐式距離、余弦?jiàn)A角等,測(cè)地距離被證明更加適合于度量?jī)蓚€(gè)語(yǔ)義向量,也就是概率向量之間的距離。最小化上述的兩個(gè)局部能量函數(shù)為一個(gè)凸優(yōu)化問(wèn)題,本發(fā)明使用簡(jiǎn)單快速的梯度下降法最小化以上能量函數(shù),以測(cè)試樣本yj的一階局部能量函數(shù)為例,其梯度為:其中代表的第k個(gè)元素,且:利用以上公式,完成最小化馬爾可夫場(chǎng)的全局能量。本發(fā)明由于對(duì)馬爾可夫場(chǎng)模型進(jìn)行了多特征方向和非局部方向的改進(jìn),并且用語(yǔ)義向量間的測(cè)地距離正則項(xiàng)代替了傳統(tǒng)的離散的類別異同正則項(xiàng),使得馬爾可夫場(chǎng)模型更加的適合于處理高光譜圖像分類問(wèn)題,解決了傳統(tǒng)馬爾可夫模型導(dǎo)致的過(guò)平滑等問(wèn)題,改善了高光譜圖像分類結(jié)果圖的空間一致性,提高了分類精度。之后,通過(guò)迭代條件模式法(ICM)將全局能量最小化問(wèn)題轉(zhuǎn)化為多個(gè)局部最小化問(wèn)題,使用簡(jiǎn)單的梯度下降法進(jìn)行求解,計(jì)算復(fù)雜度低于傳統(tǒng)馬爾可夫場(chǎng)模型所用的圖切類算法,并且在求優(yōu)迭代過(guò)程中很好的避免了陷入局部最優(yōu)解,提高了模型的魯棒性,從而提升分類結(jié)果的魯棒性。下面給出一個(gè)完整的實(shí)施方案,對(duì)本發(fā)明進(jìn)一步說(shuō)明。實(shí)施例5:基于局部和非局部多特征語(yǔ)義高光譜圖像分類方法同實(shí)施例1-4,參照?qǐng)D1,本發(fā)明的具體實(shí)施步驟包括:步驟1,輸入高光譜圖像M是高光譜圖像中所有像素點(diǎn)的總個(gè)數(shù),hq為一個(gè)列向量,代表像素點(diǎn)q每個(gè)波段的反射值。用不同的特征描述子對(duì)高光譜圖像進(jìn)行多個(gè)特征的提取。在本發(fā)明的仿真實(shí)驗(yàn)中,分別提取了Gabor紋理特征,形態(tài)學(xué)差異特征(DMP)以及原始光譜特征。1a)Gabor紋理特征針對(duì)原始高光譜圖像利用主成分分析方法(PCA)進(jìn)行降維后的前三個(gè)主成份圖像進(jìn)行Gabor濾波器的多個(gè)方向多個(gè)尺度的變換,注本實(shí)施例中使用16個(gè)方向和5個(gè)尺度,將每個(gè)濾波的結(jié)果進(jìn)行堆疊,得到該高光譜圖像的Gabor紋理特征,相應(yīng)得到每個(gè)像素點(diǎn)的紋理特征向量。1b)形態(tài)學(xué)差異特征(DMP)也針對(duì)前三個(gè)主成份圖像進(jìn)行不同尺度的開(kāi)閉操作,注,此實(shí)施例中使用5個(gè)尺度的開(kāi)操作和5個(gè)尺度的閉操作,并求相鄰兩個(gè)尺度的開(kāi)或閉操作之間的差,將所有得到的差值進(jìn)行堆疊,得到該高光譜圖像的形態(tài)學(xué)差異特征,相應(yīng)得到每個(gè)像素點(diǎn)的形態(tài)學(xué)差異特征(DMP)向量。1c)原始光譜特征就是用每個(gè)像素點(diǎn)的各個(gè)波段的反射值直接作為該像素點(diǎn)的光譜特征。步驟2,從高光譜圖像的每一類像素點(diǎn)中選出等比例的像素點(diǎn),作為有標(biāo)記像素點(diǎn),有標(biāo)記像素點(diǎn)的總個(gè)數(shù)為N,該高光譜圖像的剩余m個(gè)像素點(diǎn)作為無(wú)標(biāo)記像素點(diǎn),用每個(gè)像素點(diǎn)的V個(gè)特征向量來(lái)表示該像素點(diǎn),樣本的特征維數(shù)分別為其中Dv代表第v個(gè)特征的維數(shù)。步驟3,選取有標(biāo)記訓(xùn)練集X、測(cè)試集Y,得到所有樣本的語(yǔ)義表示集S。3a)用N個(gè)有標(biāo)記樣本構(gòu)成有標(biāo)記訓(xùn)練集其對(duì)應(yīng)的類別標(biāo)記集為R表示實(shí)數(shù)域。分別利用有標(biāo)記訓(xùn)練集中的單個(gè)特征向量集合Xv以及類別標(biāo)記集L,訓(xùn)練出V個(gè)概率支持矢量機(jī)(SVM)模型。支持矢量機(jī)的核類型為徑向高斯核,核參數(shù)r以及懲罰參數(shù)c均由多倍交叉驗(yàn)證得到。3b)用m個(gè)無(wú)標(biāo)記樣本構(gòu)成測(cè)試集分別將測(cè)試集的不同特征向量集分別輸入到步驟3a)中所訓(xùn)練出的對(duì)應(yīng)的V個(gè)概率支持矢量機(jī)模型中,得到測(cè)試樣本集中所有樣本在不同特征描述子的表述下,屬于每個(gè)類別的概率,即為該測(cè)試樣本的語(yǔ)義表示,如測(cè)試樣本yj的語(yǔ)義表示為對(duì)于訓(xùn)練集中的樣本來(lái)說(shuō),其語(yǔ)義表示即一個(gè)0-1編碼向量,其類標(biāo)所在位置為1,其他位置為0,表示其屬于本身類別的概率為1,屬于其他類別的概率為0。故得到該高光譜圖像所有樣本的語(yǔ)義表示集為步驟4,構(gòu)造無(wú)標(biāo)記測(cè)試集Y中每個(gè)樣本的局部自適應(yīng)近鄰集合B以及非局部相似結(jié)構(gòu)近鄰集合C。4a)對(duì)原始高光譜圖像利用主成分分析(PCA)的方法進(jìn)行降維,選擇第一主成分圖像(一個(gè)灰度圖)作為基準(zhǔn)圖像,設(shè)定超像素個(gè)數(shù)LP,利用基于熵率的超像素分割方法對(duì)該圖像進(jìn)行超像素分割,得到LP個(gè)超像素塊4b)設(shè)置局部自適應(yīng)窗口參數(shù)Wlocal,根據(jù)步驟4a)中得到的超像素塊,構(gòu)建每個(gè)測(cè)試樣本的局部自適應(yīng)近鄰集。以測(cè)試樣本yj為例,若有樣本n即屬于以測(cè)試樣本yj為中心的Wlocal×Wlocal大小的方窗內(nèi),又和測(cè)試樣本yj屬于同一個(gè)超像素塊Pu,則稱此樣本n為測(cè)試樣本yj的一個(gè)局部自適應(yīng)近鄰,n∈Bj,以此類推,得到每個(gè)測(cè)試樣本的局部自適應(yīng)近鄰集合4c)設(shè)置非局部結(jié)構(gòu)窗口參數(shù)Wnonlocal,以及非局部近鄰的個(gè)數(shù)K。首先對(duì)原始高光譜圖像M表示高光譜圖像中所有樣本的個(gè)數(shù)。在Wnonlocal×Wnonlocal大小的自適應(yīng)窗口,即參數(shù)為Wnonlocal的局部自適應(yīng)近鄰集內(nèi)進(jìn)行均值池化,自適應(yīng)窗口的構(gòu)造方式同4b)中所述。得到每個(gè)樣本的局部結(jié)構(gòu)信息4d)根據(jù)步驟4c)中得到的分別計(jì)算每個(gè)測(cè)試樣本的局部結(jié)構(gòu)信息和剩余所有點(diǎn)之間的相似度。對(duì)于測(cè)試集中的每個(gè)樣本yj,j=1,2,…,m,用其結(jié)構(gòu)信息和剩余所有樣本的結(jié)構(gòu)信息做比較,計(jì)算該樣本局部結(jié)構(gòu)信息和剩余所有樣本局部結(jié)構(gòu)信息之間的相似度,相似度計(jì)算公式如下:其中是測(cè)地距離,代表對(duì)列向量x中的每一行進(jìn)行開(kāi)根操作。計(jì)算每?jī)蓚€(gè)樣本之間的相似度就可以得到一個(gè)相似度矩陣SD,而該矩陣為對(duì)稱矩陣即SD(j,q)=SD(q,j),代表了測(cè)試樣本yj和樣本q之間的結(jié)構(gòu)相似度。4e)根據(jù)步驟4d)中得到的相似度矩陣SD,對(duì)于每個(gè)測(cè)試樣本,選擇其前K個(gè)最相似的樣本作為其非局部近鄰。以測(cè)試樣本yj為例,選擇相似度矩陣SD中的第j列,其每個(gè)元素代表著測(cè)試樣本yj和每個(gè)樣本的相似度,選擇其中除本身外(本身和本身的相似度最大),數(shù)值最大的前K個(gè)樣本,作為測(cè)試樣本yj的非局部近鄰,則得到了測(cè)試樣本yj的非局部近鄰集合Cj,以此類推,得到每個(gè)測(cè)試樣本的非局部近鄰集合4f)與此同時(shí),根據(jù)相似度值的大小,分別給與K個(gè)非局部近鄰不同的權(quán)重,從而使更相似的近鄰擁有更高的權(quán)重,相對(duì)而言,降低相似度較低近鄰的權(quán)重,從而提高非局部空間約束的合理性和自適應(yīng)性,權(quán)重計(jì)算公式如下(其中γ是高斯核參數(shù)):步驟5,根據(jù)步驟3和步驟4中計(jì)算出的每個(gè)樣本的語(yǔ)義表示,以及其相應(yīng)的局部、非局部近鄰集合,構(gòu)建降噪馬爾可夫場(chǎng)模型,其中局部近鄰集合作為局部空間約束,非局部近鄰集合作為非局部空間約束加入到模型中。利用迭代條件模式法(ICM)最小化每個(gè)局部能量,即每個(gè)樣本所在勢(shì)團(tuán)的能量,達(dá)到最小化全局能量的目的,計(jì)算出每個(gè)測(cè)試樣本的降噪語(yǔ)義表示。5a)以測(cè)試樣本yj為例,將測(cè)試樣本yj的V個(gè)語(yǔ)義表示以及其局部、非局部近鄰集合中所有樣本的語(yǔ)義表示輸入到降噪馬爾可夫場(chǎng)局部能量函數(shù)中。測(cè)試樣本yj所在勢(shì)團(tuán)的能量為:其中,公式(3)右側(cè)第一項(xiàng)為自約束項(xiàng),第二項(xiàng)為局部空間約束項(xiàng),第三項(xiàng)為非局部空間約束項(xiàng),注,在此公式中所有約束項(xiàng)都是多種語(yǔ)義情況下的約束。利用梯度下降法最小化該函數(shù),得到測(cè)試樣本yj的一階降噪語(yǔ)義表示以此類推,遍歷所有測(cè)試樣本,可以得到所有測(cè)試樣本的一階降噪語(yǔ)義表示,而訓(xùn)練樣本的語(yǔ)義表示保持不變,故可以得到所有樣本的一階降噪語(yǔ)義表示集5b)由于迭代條件模式法(ICM)是一個(gè)逐漸求優(yōu)的過(guò)程,一次的迭代無(wú)法完成全局能量最小化,達(dá)不到最終的收斂結(jié)果,將步驟5a)中得到的一階降噪語(yǔ)義表示集輸入到降噪馬爾可夫場(chǎng)模型中繼續(xù)進(jìn)行迭代求優(yōu)。設(shè)置最大迭代次數(shù)Tmax,以測(cè)試樣本yj為例,其一階降噪語(yǔ)義表示以及其局部、非局部近鄰集合中樣本的一階降噪語(yǔ)義表示輸入到降噪馬爾可夫場(chǎng)局部能量函數(shù)中,最小化該能量函數(shù)就可以得到測(cè)試樣本yj的二階降噪語(yǔ)義表示以此類推,遍歷所有測(cè)試樣本,注,在求任意階降噪語(yǔ)義表示時(shí),所有訓(xùn)練樣本的語(yǔ)義表示都保持不變,仍然為一個(gè)0-1編碼列向量,進(jìn)而得到所有樣本的二階降噪語(yǔ)義表示由于多種語(yǔ)義融合已經(jīng)在本例的步驟5a)中完成,此時(shí)能量函數(shù)不再需要進(jìn)行多種語(yǔ)義的融合,所以局部能函數(shù)簡(jiǎn)化為:公式(4)右側(cè)三項(xiàng)的意義同公式(3),但已經(jīng)不需要進(jìn)行多種語(yǔ)義融合,故每一項(xiàng)都是單個(gè)語(yǔ)義情況下的約束。從公式中可以看出,根據(jù)測(cè)試樣本yj以及其局部、非局部近鄰樣本的第t階降噪語(yǔ)義表示,最小化該函數(shù)可以得到測(cè)試樣本yj的第(t+1)階降噪語(yǔ)義表示。而上述的根據(jù)一階降噪語(yǔ)義表示可以得到二階降噪語(yǔ)義表示這是t=1時(shí)的特例。循環(huán)迭代該過(guò)程,直到t=Tmax-1,可以得到測(cè)試樣本yj的第Tmax階降噪語(yǔ)義表示對(duì)每個(gè)測(cè)試樣本重復(fù)此過(guò)程,即可以得到每個(gè)測(cè)試樣本的第Tmax階降噪語(yǔ)義表示,進(jìn)而得到全部樣本的第Tmax階降噪語(yǔ)義表示步驟6,本發(fā)明中樣本的語(yǔ)義表示就是該樣本屬于每個(gè)類別的概率所構(gòu)成的列向量,故根據(jù)步驟5得到的第Tmax階降噪語(yǔ)義表示對(duì)于測(cè)試樣本yj選擇其語(yǔ)義表示向量中最大值所在的位置,就是測(cè)試樣本yj的類別標(biāo)號(hào)以此類推,得到所有測(cè)試樣本的類別標(biāo)號(hào)本發(fā)明中提出了一種基于局部和非局部多特征語(yǔ)義高光譜圖像分類方法,在方法中構(gòu)建了一種新型馬爾可夫場(chǎng),稱為降噪馬爾可夫場(chǎng)。該模型通過(guò)迭代條件模式法(ICM)最小化馬爾可夫場(chǎng)的全局能量,可以將多特征語(yǔ)義在局部、非局部的空間約束下進(jìn)行合理的融合,對(duì)于所有測(cè)試樣本都得到一個(gè)較為全面的、噪聲較低的語(yǔ)義表示,進(jìn)而得到所有測(cè)試樣本的預(yù)測(cè)類標(biāo)。該方法充分的利用了兩方面的信息,多特征信息可以對(duì)高光譜圖像進(jìn)行較為全面的表述,局部、非局部空間約束可以對(duì)高光譜圖像像元相互之間的關(guān)系進(jìn)行充分的挖掘。最終,相比于傳統(tǒng)的分類方法,本發(fā)明提出的基于局部和非局部多特征語(yǔ)義高光譜圖像分類方法提升了分類結(jié)果的精度、魯棒性和空間一致性。本發(fā)明的效果可以通過(guò)以下仿真實(shí)驗(yàn)進(jìn)一步說(shuō)明:實(shí)施例6:基于局部和非局部多特征語(yǔ)義高光譜圖像分類方法同實(shí)施例1-5。1.仿真條件:仿真實(shí)驗(yàn)采用美國(guó)宇航局NASA噴氣推進(jìn)實(shí)驗(yàn)室的空載可見(jiàn)光/紅外成像光譜儀AVIRIS于1992年6月在印第安納西北部獲取的IndianPine圖像,如圖2a所示,圖像大小為145×145,共220個(gè)波段,去除噪聲以及大氣和水域吸收的波段還有200個(gè)波段,參見(jiàn)圖2b,人工標(biāo)記后,共16類地物信息。仿真實(shí)驗(yàn)在CPU為IntelCore(TM)i5-4200H、主頻2.80GHz,內(nèi)存為12G的WINDOWS7系統(tǒng)上用MATLAB2014a軟件進(jìn)行。表1給出了IndianPine圖像中16類數(shù)據(jù)。表1IndianPine圖像中的16類數(shù)據(jù)類別類別名稱樣本個(gè)數(shù)訓(xùn)練樣本個(gè)數(shù)1苜蓿4632玉米-未耕犁1428723玉米-灌溉830424玉米237125牧草483256樹(shù)木730377切割的牧草2828干草料堆478249蕎麥20110大豆-未耕犁9724911大豆-灌溉245512312黃豆5933013小麥2051114樹(shù)林12656415建筑物-草-樹(shù)3862016石頭-鋼筋9352.仿真內(nèi)容及分析:使用本發(fā)明與現(xiàn)有三種方法對(duì)高光譜圖像IndianPine進(jìn)行分類,現(xiàn)有三種方法分別是:基于融合核的支持矢量機(jī)(SVM+CK),支持矢量機(jī)結(jié)合馬爾可夫場(chǎng)(SVM+MRF),聯(lián)合稀疏表示(SOMP)。本發(fā)明中提出的基于局部和非局部多特征語(yǔ)義高光譜圖像分類方法,利用多特征語(yǔ)義表示及空間約束對(duì)高光譜圖像進(jìn)行分類,縮寫(xiě)為NE-MFAS,為了驗(yàn)證本發(fā)明方法的有效性,仿真實(shí)驗(yàn)中加入了兩種在本發(fā)明框架中的簡(jiǎn)化版方法MFAS和MFS,其中使用MFAS方法是在實(shí)施例6的步驟(4)中只構(gòu)造了局部近鄰集合,不利用非局部近鄰集合的信息,來(lái)驗(yàn)證非局部近鄰集合信息對(duì)分類結(jié)果的影響,分類結(jié)果參見(jiàn)圖3e。使用MFS方法在實(shí)施例6的步驟(4)中不但不利用非局部近鄰集合信息,在構(gòu)造局部近鄰集合時(shí)也不利用超像素的信息,只選擇方形窗口作為其局部近鄰集合,來(lái)驗(yàn)證超像素約束對(duì)分類結(jié)果的影響,分類結(jié)果參見(jiàn)圖3d。其中支持矢量機(jī)(SVM)方法的懲罰因子核參數(shù)通過(guò)5倍交叉驗(yàn)證確定,SOMP方法的稀疏參數(shù)設(shè)置為30,空域尺度參數(shù)設(shè)置為7×7。本發(fā)明所用到的超像素個(gè)數(shù)L設(shè)置為75,局部窗口Wlocal大小為7×7,非局部結(jié)構(gòu)窗口Wnonlocal的大小為21×21,非局部近鄰個(gè)數(shù)K為30,高斯核參數(shù)γ為0.05,最大迭代次數(shù)Tmax設(shè)置為3。訓(xùn)練樣本的選取方式如下,從16類數(shù)據(jù)中隨機(jī)選取5%的像素點(diǎn)作為訓(xùn)練樣本,其余的95%作為測(cè)試樣本。如圖3中所示各方法的分類結(jié)果圖,均在訓(xùn)練樣本完全一致的情況下得到,其中圖3a-3c分別是三種現(xiàn)有方法SVM+CK,SVM+MRF,SOMP的分類結(jié)果圖,可以看出這三種分類方法在大部分區(qū)域表現(xiàn)尚可。其中SOMP的分類結(jié)果圖,參見(jiàn)圖3c,離散噪聲點(diǎn)較多,空間一致性較差。而SVM+MRF的分類結(jié)果圖,參見(jiàn)圖3b,相比于圖3c幾乎沒(méi)有離散噪聲點(diǎn),但存在著大量的過(guò)平滑現(xiàn)象,且分類結(jié)果圖邊緣腐蝕較為嚴(yán)重。SVM+CK的分類結(jié)果圖,參見(jiàn)圖3a,相比于圖3b和3c,結(jié)果是最優(yōu)的,但還是存在著部分離散噪聲點(diǎn)以及大量的邊緣腐蝕。圖3d-3f分別對(duì)應(yīng)著MFS,MFAS,NE-MFAS的分類結(jié)果圖。與圖3a-3c進(jìn)行對(duì)比,可以看出本發(fā)明提出的方法在局部區(qū)域連貫性,邊緣保持,以及小樣本區(qū)域的表現(xiàn)都比現(xiàn)有方法更好。其中MFS的分類結(jié)果圖,參見(jiàn)圖3d,相比于傳統(tǒng)的三種方法,MFS已經(jīng)幾乎不存在離散噪聲點(diǎn)且大部分區(qū)域的空間一致性都較好,但有一定的邊緣腐蝕現(xiàn)象。MFAS是比MFS多加入了超像素的約束信息,參見(jiàn)圖3e,相比于圖3d,MFAS的分類結(jié)果圖在邊緣保持方面有了很大的改善,幾乎不存在邊緣腐蝕現(xiàn)象,但在部分小樣本類別區(qū)域,如圖像右側(cè)黃色矩形區(qū)域,幾乎無(wú)法正確分類。而對(duì)MFAS加入了非局部空間約束后,本發(fā)明NE-MFAS的分類結(jié)果圖,參見(jiàn)圖3f,相比于圖3d和3e,在保持很好的空間一致性的同時(shí),對(duì)小樣本類別區(qū)域,如圖像右側(cè)黃色矩形區(qū)域,幾乎全部正確分類。通過(guò)圖3d到3f的變化,可以發(fā)現(xiàn)本發(fā)明中提出的的超像素約束的自適應(yīng)局部空間約束可以很好的保持圖像的邊緣信息,增強(qiáng)空間一致性,而本發(fā)明提出的非局部空間約束可以進(jìn)一步的提高分類精度的上限,尤其在提升樣本相對(duì)較少的類別分類精度上,有著很好的表現(xiàn)。實(shí)施例7:基于局部和非局部多特征語(yǔ)義高光譜圖像分類方法同實(shí)施例1-6,仿真的條件和內(nèi)容同實(shí)施例6。實(shí)施例6中所述分類結(jié)果圖之間的區(qū)別只能通過(guò)肉眼觀察判斷,在此通過(guò)分類精度對(duì)比分析,從數(shù)據(jù)上體現(xiàn)本發(fā)明方法相比于其他方法的優(yōu)勢(shì)。所有實(shí)驗(yàn)均進(jìn)行10次取平均值,注每次實(shí)驗(yàn)訓(xùn)練樣本都是隨機(jī)選取得到,也就是說(shuō)一次實(shí)驗(yàn)和另一次實(shí)驗(yàn)的訓(xùn)練樣本不是完全相同的。表2給出現(xiàn)有三種方法、兩種本發(fā)明簡(jiǎn)化版方法和本發(fā)明方法的實(shí)驗(yàn)精度對(duì)比:表2IndianPine圖像上三種方法與本發(fā)明實(shí)驗(yàn)精度結(jié)果方法分類精度(%)SVM+CK91.59±0.94SVM+MRF84.91±1.43SOMP87.55±1.24本發(fā)明簡(jiǎn)化版1(MFS)96.87±0.79本發(fā)明簡(jiǎn)化版2(MFAS)97.24±0.64本發(fā)明(NE-MFAS)98.20±0.58從表2可以看出,本發(fā)明的方法在10次重復(fù)實(shí)驗(yàn)所得結(jié)果的均值遠(yuǎn)高于現(xiàn)有的三種方法,而標(biāo)準(zhǔn)差要低于現(xiàn)有的三種方法,可以說(shuō)明本發(fā)明方法不論在分類精度還是魯棒性上表現(xiàn)都是最優(yōu),一方面是由于本發(fā)明的方法充分結(jié)合了多特征所包含的大量判別信息,另一方面在挖掘空間信息方面要遠(yuǎn)遠(yuǎn)優(yōu)于其他三種基于空間信息的方法。從MFS到MFAS,分類精度提升了0.5%,說(shuō)明超像素約束對(duì)空間信息的提取起到了積極的作用,相比于傳統(tǒng)的方形窗口,本發(fā)明所設(shè)計(jì)的自適應(yīng)局部近鄰集合可以剔除部分產(chǎn)生負(fù)作用的近鄰點(diǎn),提取到更加豐富的局部空間信息,包括邊緣和結(jié)構(gòu)信息。從MFAS到NE-MFAS,分類精度提升了1%,說(shuō)明了非局部近鄰中蘊(yùn)含了大量有價(jià)值的信息,而提取這些信息可以進(jìn)一步的提高分類精度的上限。本發(fā)明的分類精度在5%的少量樣本情況下,分類精度達(dá)到了98.20%,且標(biāo)準(zhǔn)差只有0.58%,優(yōu)于現(xiàn)有的大部分方法。綜上所述,本發(fā)明公開(kāi)的一種基于局部和非局部多特征語(yǔ)義高光譜圖像分類方法。主要解決現(xiàn)有的高光譜圖像分類方法正確率低,魯棒性差,空間一致性弱的問(wèn)題。其步驟包括:對(duì)原始的高光譜圖像分別利用多種特征提取方法提取不同的特征;將高光譜圖像的每一個(gè)像素點(diǎn)用多個(gè)特征向量表示,選出有標(biāo)記訓(xùn)練集和測(cè)試集;將有標(biāo)簽訓(xùn)練集輸入到概率支持矢量機(jī)中,把測(cè)試集中每一個(gè)像素點(diǎn)的多個(gè)特征映射到語(yǔ)義空間,得到每一個(gè)測(cè)試樣本的多個(gè)語(yǔ)義表示;利用降噪馬爾可夫場(chǎng)模型同時(shí)引入空間信息和多語(yǔ)義信息,最小化該馬爾可夫場(chǎng)的能量,得到每個(gè)測(cè)試樣本的降噪語(yǔ)義表示,進(jìn)而得到整個(gè)測(cè)試集的類別信息。本發(fā)明利用支持矢量機(jī)得到的語(yǔ)義表示和馬爾可夫場(chǎng)模型的完美契合,充分的結(jié)合了多特征信息以及局部、非局部空域上下文信息,最終能夠?qū)Ω吖庾V圖像進(jìn)行更加準(zhǔn)確地分類。與兩個(gè)本發(fā)明方法簡(jiǎn)化版的對(duì)比,驗(yàn)證了本發(fā)明方法的有效性。與現(xiàn)有的三種方法對(duì)比,說(shuō)明了本發(fā)明方法在小樣本情況下,具有高精確度,高魯棒性,以及優(yōu)秀的空間一致性??捎糜谲娛绿綔y(cè)、地圖繪制、植被調(diào)查、礦物檢測(cè)等方面。本實(shí)施方式中沒(méi)有詳細(xì)敘述的部分屬本行業(yè)的公知的常用手段,這里不一一敘述。以上例舉僅僅是對(duì)本發(fā)明的舉例說(shuō)明,并不構(gòu)成對(duì)本發(fā)明的保護(hù)范圍的限制,凡是與本發(fā)明相同或相似的設(shè)計(jì)均屬于本發(fā)明的保護(hù)范圍之內(nèi)。當(dāng)前第1頁(yè)1 2 3