,構成第i類的殘差向 量集隊,所有C個類別構成的分組殘差向量集為{Ni,N2,…,隊,…,Nc}。
[0019] 按照對應頻段求出對應第i類殘差向量集隊的方差向量Si,將方差向量對角化 成為5:i,所有C個類別對應的方差向量對角矩陣為{5^,5: 2,…,5:i,…,5: e};在計算不同 殘差向量集隊的方差向量S1=[su,sl2,…,sld]過程中,第j頻段的方差Sl]計算公式為:
實中,Sl]為第i類殘差向量集Ni中第j頻段的方差值,N^表示 第i類殘差向量集的第j頻段向量,mean%)表示\的均值,| | | | 2表示對向量求L2范 數。
[0020] 運用正規(guī)化歐式距_
卜算重構像元AiCii 相對于待測像元xt的重構殘差值。其中,表示待測像元xt由第i類字典計算的重構 殘差值,殘差值越小,重構像元A;a;與待測像元xt的相似度越高,A;為第i類字典,ai為稀疏重構系數向量,SSi的對角矩陣。
[0021] 基于空間信息與光譜信息的待測像元類別計算具體可采用如下方法:
[0022] (1)提取以待測像元\為中心的空間8鄰域內像元信息,得到這些像元的類別 標簽組,將類別標簽組中的第i類標簽數目的負數設置為第i類別空間信息權值I。具 體可為:如提取待測像元xt〇llin)為中心的鄰域內的像元{xm l,n 1? Xm l,n' Xm i,n+i' Xm,n 1' Xm,n+i' Xm+l,n1'Xm+i,n'Xm+i,n+i}類別標簽進行統計,組成8鄰域類別標簽ylatel= {ynil,nl,ynil,n,yn>i,n+i,y^i,y^i,y^i,yn>+i,n,yn>+i,n+i};其中,m、n分別表示像元在原圖中的橫、縱坐 標。對ylate#的類別標簽進行統計,將第i類標簽數目的負值作為第i類像元的權值:wi =-length(find(ylabel = =i));其中,find(ylabel==i)為找出ylabel中為i的元素的坐 標,length(find(ylabel=i))為統計ylabel中類別等于i的個數。根據該方法,計算所有C 個類別的空間信息權值%,W2,…,Wi,…,Wc]。
[0023] (2)根據8鄰域內的空間信息權值與計算出的重構殘差值,調用公式: 少' =(/以所//;,〇_(^/+"'/^^>,計算待測像元的類別夕13其中,丫為空間信息約束因子。即 待測像元的類別為公式rffl.計算的最小值的類別。將所有待測像元的類別計算出 更新class中的類別標簽。
[0024] 基于循環(huán)迭代的多次像元類別劃分過程為:
[0025] 將待測像元類別class作為下一次類別劃分的初始條件,按照最新像元類 別class重新對殘差向量分組,計算最新殘差向量集,重新計算殘差值,重新計 算空間約束權值I,重新計算待測像元的類別歸屬,其過程為:找出最新像元類別class向量中第i類類別標簽的位置坐標indeXl,所有C個類別對應在class中的坐標為 [indexuindex2,…,index;,…,indexc],在由第i類字典進行稀疏重構的所有殘差向量R; 中按照indeXl*的坐標取出對應位置上的殘差向量,構成第i類的殘差向量集Ni,獲得所 有C個類別構成的分組殘差向量集為{&,N2,…,隊,…,NJ,按照頻段求出對應第i類殘差 向量集隊的方差向量Si,將方差向量對角化成為2 ,_,所有C個類別對應的方差向量對角矩 陣為{2 5: 2,…,5^,…,5: c},根據公式
汁算重 構像元4ai相對于待測像元xt之間的重構殘差值;重新提取以待測像元&為中心 的空間8鄰域內像元信息,得到這些像元的類別標簽組,將類別標簽組中的第i類標簽數目 的負數設置為第i類別空間信息權值I。具體可為:如提取待測像元X+n)為中心的鄰域 內的像兀{xmlini,Xmlin,xml,n+l?Xm,n1'Xm,n+i'Xm+i,ni'Xm+i,n'Xm+i,n+i}類別標簽進行統計,組成8 鄰域類別標簽yiabf3i={yml,n1,yml,n,yml,n+l,ym,n1,ym,n+l,ym+l,n1,ym+l,n,ym+l,n+l},其中 'm、11 為 別表示像元在原圖中的橫、縱坐標。對ylatel中的類別標簽進行統計,將第i類標簽數目的 負值作為第i類像元的權值,權值為:Wi=-length(find(ylabel = =i))。其中,find(ylabei ==i)為找出ylabel中為i的元素的坐標,length(find(ylabel=i))為統計ylabel中類別等 于i的個數。根據該方法,計算所有C個類別的空間信息權值[WdWp,…,Wi,…,We]。根據 類別相似度、空間信息約束權值,調用公式:=arg"Miw,. |rf.v,), + 重新計算待測像 元xt的類別,更新class中待測像元的類別。待測像元的類別將會被重復多次計算,直至 預先設置好的循環(huán)次數達到,停止迭代,輸出結果。
[0026] 本發(fā)明提出的基于正規(guī)化歐氏距離的稀疏表示高光譜圖像分類模型,解決傳統稀 疏表示分類模型中歐氏距離計算重構像元與待測像元相似度時缺少類別特征信息,提高了 傳統稀疏表示分類模型的分類精度;將高光譜圖像中以待測像元為中心的空間8鄰域內的 空間信息提取出來,并設置空間信息權值,并將空間信息權值與基于正規(guī)化歐氏距離的稀 疏表示分類模型計算的殘差值相結合,計算待測像元的類別,較大幅度提升了高光譜圖像 的分類精度;利用循環(huán)迭代計算的思想,將本次分類結果作為下一次分類的初始條件,重新 計算基于正規(guī)化歐氏距離的稀疏表示分類殘差值與空間8鄰域內的空間信息權值,重新待 測像元的類別,能夠在前一次分類基礎上提升高光譜圖像的分類精度。
【附圖說明】
[0027] 圖1為本發(fā)明進行類別劃分的稀疏表示高光譜圖像分類流程圖;
[0028] 圖2為本發(fā)明基于空間信息提取的高光譜圖像空間信息提取模塊示意圖;
[0029] 圖3為本發(fā)明分類方法與原始稀疏表示分類方法精度比較示意圖。
【具體實施方式】
[0030] 為了使本發(fā)明的目的、技術方案及優(yōu)點更加清楚明白,以下基于MATLAB2013a軟 件平臺下結合附圖對本發(fā)明方案的實例進行詳細說明。使用典型的AVIRIS高光譜遙感圖 像(大小為145X145X220),本方案的具體實施步驟如下:
[0031] -、傳統稀疏表示初始分類階段:
[0032] 將原始像元信號xt代入類別字典A=[AdA2,…,Ac]中進行稀疏重構,得到稀疏 重構系數向量a,,通過最小二乘法根據公式:% = 求出稀疏表示系數向 量。其中,AAl為^光譜在第i類字典中選出的支撐原子集,teT為待測信號的序列號,T為待測像元的總數。根據公式:計算重構像,調用傳統歐氏距離計算重構殘差, 其殘差值計算模型為:MA1 = ||易-?£1 ?根據公式:$計算殘差向量,將所 有殘差向量進行保存;將\代入所有類別字典中進行稀疏重構,分別計算重構殘差,找出殘 差值最小的類別即為xt的類別。運用歐氏距離計算殘差值,將所有待測像元進行初始類別 劃分。
[0033] 將每一個待測像元對應的殘差向量保存,即將xt代入所有字典[AuA2,…,Ai,… ,AC]中得到的殘差向量[ntl,nt2,…,ntl,…,nj。所有待測像元經過稀疏重構后的殘差向 量有C組,分別為況,R2,…,民,…,Re]。初始分類結果為class(classGRTX1)。所有T個 待測像元組成待測像元集X= [Xi,x2,…,xt,…,xT]T(XGRTXd)。class中類別標簽與待測 像元集X中像元的順序-對應。
[0034] 待測像元集X= [Xi,x2,…,xt,…,xT]T組成過程為:在高光譜平面