基于空間信息約束的增強型稀疏表示高光譜圖像分類裝置及方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及高光譜圖像分類領(lǐng)域，具體涉及一種增強型稀疏表示高光譜圖像分類 方法。
【背景技術(shù)】
[0002] 高光譜遙感（Hyperspectralremotesensing)又稱超譜遙感，目前應(yīng)用最多的是 美國NASA噴氣實驗室研制的機載可見光成像光譜儀（AVIRIS)。高光譜遙感圖像是按照一 定的比例，客觀真實地記錄和反映地表物體的電磁輻射的強弱信息，是遙感探測所獲得的 遙感信息資料的一種表示，因此遙感高光譜技術(shù)應(yīng)用的核心問題是根據(jù)地物電磁輻射的強 弱在遙感圖像上表現(xiàn)的特征，判讀識別地面物體的類屬及其分布特征。
[0003] 高光譜遙感圖像是一種高維圖像，可直接反映地物的空間信息和光譜信息，其數(shù) 據(jù)量龐大。隨著傳感器的不斷更新，人們已經(jīng)可以在不同的航空航天遙感平臺上獲取不同 時空分辨率和光譜分辨率的遙感圖像。根據(jù)各自在圖像信息中所反映的不同特征，把不同 類別的目標(biāo)區(qū)分開來的圖像處理方法叫做圖像分類。遙感高光譜圖像分類主要的依據(jù)是地 物的光譜特征，即地物電磁波輻射的多波段測量值，這些測量值可以用作遙感圖像分類的 原始特征變量。圖像空間：反映了地物的分布和變化以及不同地物之間的空間關(guān)系。圖像 空間最重要的用途就是將圖像中每一個像素與其地面位置對應(yīng)起來，為高光譜影像處理與 分析提供空間知識。
[0004] 稀疏表示（SR)已被證明在高光譜圖像分類領(lǐng)域具有很好的分類效果；算法假設(shè) 高維的光譜能夠被少量的字典原子線性表示，通過求重構(gòu)像元與待測像元之間的歐氏距離 來劃分像元類別。在傳統(tǒng)稀疏表示分類算法中以貪婪算法實現(xiàn)起來更加易于理解，常用的 貪婪算法有匹配追蹤算法（MP)、正交匹配追蹤算法（0MP)、子空間回溯算法（SP);在將貪婪 算法運用于高光譜圖像分類的過程中，0MP算法效果最優(yōu)。0MP算法保證每一次選入支撐集 的像元不會重復(fù)，最終通過求重構(gòu)像元與原始像元的歐氏距離來判斷原始像元的類別。
[0005] 然而，在傳統(tǒng)稀疏表示分類算法中，利用歐氏距離計算重構(gòu)像元與待測像元的相 似程度時，缺少類別特征信息。同時，在傳統(tǒng)稀疏表示分類算法中，算法僅利用了高光譜圖 像的光譜信息，圖像的空間信息并沒有得到有效利用，事實上高光譜圖像相鄰像元之間存 在著很強的相關(guān)性，利用空間信息分類能夠較好的提升高光譜圖像的分類性能。
[0006] 綜上所述，稀疏表示分類算法中歐式距離計算重構(gòu)像元與待測像元缺少類別特征 信息。傳統(tǒng)稀疏表示分類算法僅利用高光譜圖像的光譜信息來對像元進行類別劃分，缺少 高光譜圖像的空間信息。由于上述問題，高光譜圖像的分類性能較差。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明針對現(xiàn)有技術(shù)的上述不足，提出基于空間信息約束的稀疏表示高光譜圖像 分類。使用正規(guī)化歐氏距離計算重構(gòu)像元與待測像元的相似程度代替?zhèn)鹘y(tǒng)的歐氏距離，在 進行待測像元類別劃分的過程中添加類別特征信息；將以待測像元為中心的8鄰域內(nèi)的空 間信息引入稀疏表示分類算法中，利用高光譜圖像的空間信息對高光譜圖像像元進行類別 劃分。
[0008] 本發(fā)明解決上述問題的技術(shù)方案是：提出基于空間信息約束的增強型稀疏表示高 光譜圖像分類裝置，包括：殘差值重新計算模塊、空間分類信息與光譜分類信息融合模塊、 待測像元類別多次循環(huán)計算模塊。
[0009] 稀疏表示殘差值重新計算模塊：利用傳統(tǒng)稀疏表示算法的初始分類結(jié)果將殘差向 量進行分組，構(gòu)成殘差向量集，計算對應(yīng)頻段每一個類別的殘差向量集的方差向量，將對角 化的方差向量作為正規(guī)化歐氏距離中的對角矩陣，計算重構(gòu)像元相對于待測像元的重構(gòu)殘 差值；空間分類信息與光譜分類信息融合模塊：利用待測像元周圍八鄰域內(nèi)像元的類別標(biāo) 簽，設(shè)置空間信息約束權(quán)值，將空間信息權(quán)值與光譜分類的殘差值相加，判斷待測像元的類 另IJ;待測像元類別多次循環(huán)計算模塊：將空間分類信息與光譜分類信息融合模塊確定的待 測像元的類別作為初始條件，對殘差向量進行重新分組，調(diào)用稀疏表示殘差值重新計算模 塊重新計算待測像元的新類別，直至達到設(shè)置的循環(huán)次數(shù)，輸出分類結(jié)果。
[0010] 本發(fā)明的其中一個實施例進一步包括，將所有像元對應(yīng)的殘差向量分組，組成殘 差向量集N1;根據(jù)第i類殘差向量集的第j頻段向量Nx]，調(diào)用公式~=|iV;7 -挪 計算第i類殘差向量集隊中第j頻段的方差s^，由此獲得殘差向量集隊對應(yīng)的方差向量S1= [Sll，sl2，…，sld]，將方差向量對角化為5^，獲得所有C個類別對應(yīng)的方差對角矩陣為 {Sl，S2,…，Si，…，SJ。
[0011] 其中，所有C個類別對應(yīng)在class中的坐標(biāo)為[indeXi,index2，…，index;,… ，indexc]，找出初始分類結(jié)果class向量中第i類類別標(biāo)簽的位置坐標(biāo)index;，在由第i類 字典進行稀疏重構(gòu)的所有殘差向量民中按照indexi中的坐標(biāo)取出對應(yīng)位置上的殘差向量， 構(gòu)成第i類的殘差向量集隊，獲得所有C個類別構(gòu)成的分組殘差向量集為況，N2，…，隊，… ，Nc}。根據(jù)殘差值；^^、空間信息約束權(quán)值，調(diào)用公式：j= "rgw# |r〇,),. +丫％}計算 待測像元xt的類別，其中，y為空間信息約束因子，Wi為第i類別空間信息約束權(quán)值。
[0012] 本發(fā)明的其中一個實施例進一步包括，計算重構(gòu)像元與待測像元的類別相似度， 具體包括：根據(jù)第i類字典Ai、稀疏重構(gòu)系數(shù)向量ai獲得重構(gòu)像元Aiai，調(diào)用正規(guī)化歐式 距離公式
計算重構(gòu)像元相對于待測像元xt的重 構(gòu)殘差值，其中，SSi的對角矩陣，T為待測像元的總數(shù)。
[0013] 其中，殘差值r&y越小，重構(gòu)像元4ai與待測像元xt的類別相似度越高。
[0014] 所述設(shè)置空間信息約束權(quán)值具體包括：提取以待測像元xt為中心的空間8鄰域內(nèi) 像元信息，獲取類別標(biāo)簽組，將其中的第i類標(biāo)簽數(shù)目的負(fù)值設(shè)置為第i類別空間信息約束 權(quán)值I。
[0015] 本發(fā)明的其中一個實施例進一步包括，對殘差向量進行重新分組，重新計 算待測像元的新類別具體包括：將上一次分類結(jié)果中的待測像元類別class作為 下一次類別劃分的初始條件重新對殘差向量分組，獲得新的殘差向量集N'i對應(yīng) 的方差向量S' 1= [s'u，s' 12，…，s'ld]，構(gòu)建新對角矩陣2 'i，根據(jù)公式：
'算新重構(gòu)殘差值；,調(diào)用公式： 卜算新待測像元x' 4的新類別，其中，y為空間信息約束因 于。
[0016] 本發(fā)明還提出一種基于空間信息約束的增強型稀疏表示高光譜圖像分類方法，包 括步驟：稀疏表示殘差值重新計算模塊利用初始分類結(jié)果將殘差向量進行分組，構(gòu)成殘差 向量集，計算對應(yīng)頻段每一個類別的殘差向量集的方差向量，將對角化的方差向量作為正 規(guī)化歐氏距離中的對角矩陣，計算重構(gòu)像元與待測像元的相似度；空間分類信息與光譜分 類信息融合模塊利用待測像元周圍八鄰域內(nèi)像元的類別標(biāo)簽，設(shè)置空間信息約束權(quán)值，判 斷待測像元的類別；待測像元類別多次循環(huán)計算模塊將待測像元的類別作為下一次待測像 元類別劃分的初始條件，對殘差向量進行重新分組，重新計算待測像元的新類別，直至達到 設(shè)置的循環(huán)次數(shù)，輸出分類結(jié)果。
[0017] 基于正規(guī)化歐氏距離的稀疏表示殘差值計算可具體包括：
[0018] 將初始稀疏表示分類之后像元對應(yīng)的殘差向量分組，組成殘差向量集隊，其中i為 類別序列號，所有C個類別對應(yīng)的殘差向量集為{Ni，N2，…，隊，…，NJ。找出初始分類class 向量中第i類類別標(biāo)簽的位置坐標(biāo)index;，所有C個類別對應(yīng)在class向量中的位置坐標(biāo) 為[indeXi,index2，…，index;,…，indexe]，在所有待測像元經(jīng)第i類字典稀疏重構(gòu)形成的 所有殘差向量Ri中按照index;*的坐標(biāo)取出對應(yīng)位置上的殘差向量