本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，特別涉及一種高光譜圖像分類的方法及裝置。

背景技術(shù)：

隨著圖像處理技術(shù)的快速發(fā)展，圖像處理技術(shù)在軍事、監(jiān)控、農(nóng)業(yè)、化學(xué)等多個(gè)領(lǐng)域得到廣泛的應(yīng)用。其中，如何通過(guò)圖像處理技術(shù)對(duì)待分類目標(biāo)進(jìn)行分類越來(lái)越被重視。

現(xiàn)有技術(shù)中，對(duì)待分類目標(biāo)進(jìn)行分類主要是根據(jù)待分類目標(biāo)的二維圖像中的各個(gè)部分的紋理特征來(lái)為二維圖像中的各個(gè)部分分類。舉例來(lái)說(shuō)，待分類目標(biāo)為一個(gè)地理區(qū)域，該地理區(qū)域中包括：河流、麥田、房屋等，為了將該地理區(qū)域中的河流、麥田、房屋等各個(gè)部分區(qū)別出來(lái)，現(xiàn)有技術(shù)中，根據(jù)該地理區(qū)域的二維圖像的紋理特征來(lái)進(jìn)行分類，也就是，將紋理特征相似的劃分為一類。

通過(guò)上述描述可見(jiàn)，現(xiàn)有技術(shù)中根據(jù)二維圖像的各個(gè)部分的紋理特征來(lái)對(duì)二維圖像進(jìn)行分類，由于二維圖像中屬于不同類別的部分的紋理特征可能相似度也很高，在分類時(shí)就會(huì)將不同類別的部分劃分到同一類別中，因此，現(xiàn)有技術(shù)的分類準(zhǔn)確性較低。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明實(shí)施例提供了一種高光譜圖像分類的方法及裝置，能夠提高分類的準(zhǔn)確性。

一方面，本發(fā)明實(shí)施例提供了一種高光譜圖像分類的方法，包括：

S1：預(yù)先從高光譜圖像中確定訓(xùn)練樣本，為每個(gè)所述訓(xùn)練樣本設(shè)置對(duì)應(yīng)的類標(biāo)；

S2：提取所述高光譜圖像的至少兩個(gè)圖像特征；

S3：確定每個(gè)所述圖像特征的最鄰近圖的相似度矩陣；

S4：確定每個(gè)相似度矩陣的圖拉普拉斯矩陣；

S5：將每個(gè)所述圖拉普拉斯矩陣投射在格拉斯曼流形上，在所述格拉斯曼流形上確定每?jī)蓚€(gè)圖拉普拉斯矩陣之間的距離；

S6：根據(jù)所述每?jī)蓚€(gè)圖拉普拉斯矩陣之間的距離和所述訓(xùn)練樣本的類標(biāo)，確定所述高光譜圖像的類標(biāo)矩陣；

S7：根據(jù)所述類標(biāo)矩陣，確定所述高光譜圖像的每個(gè)樣本的類標(biāo)。

進(jìn)一步地，所述S6，包括：

A1：根據(jù)每個(gè)所述訓(xùn)練樣本的類標(biāo)，確定所述高光譜圖像的初始類標(biāo)矩陣；

A2：確定每個(gè)圖拉普拉斯矩陣與其他圖拉普拉斯矩陣的距離之和；

A3：確定目標(biāo)函數(shù)中的每個(gè)圖拉普拉斯矩陣對(duì)應(yīng)的融合權(quán)重的初始值，其中，所述目標(biāo)函數(shù)為：

其中，Q為所述類標(biāo)矩陣，Y為所述高光譜圖像的初始類標(biāo)矩陣，L^(m)為第m個(gè)圖拉普拉斯矩陣，U為預(yù)設(shè)矩陣，γ_α為第一預(yù)設(shè)約束程度參數(shù)，γ_s為第二預(yù)設(shè)約束程度參數(shù)，S^(m)為第m個(gè)圖拉普拉斯矩陣與其他圖拉普拉斯矩陣的距離之和，α^(m)為第m個(gè)圖拉普拉斯矩陣對(duì)應(yīng)的融合權(quán)重，M為所述圖拉普拉斯矩陣的數(shù)量；

A4：根據(jù)所述每個(gè)圖拉普拉斯矩陣對(duì)應(yīng)的融合權(quán)重和公式一，更新所述類標(biāo)矩陣，其中，所述公式一為：

A5：根據(jù)所述類標(biāo)矩陣和公式二，更新所述每個(gè)圖拉普拉斯矩陣對(duì)應(yīng)的融合權(quán)重，其中，所述公式二為：

其中，g^(m)＝Tr(Q-Y)^TU(Q-Y)；

A6：根據(jù)所述每個(gè)圖拉普拉斯矩陣對(duì)應(yīng)的融合權(quán)重和所述類標(biāo)矩陣，判斷所述目標(biāo)函數(shù)的值是否收斂，如果是，則輸出所述類標(biāo)矩陣，否則，返回A4。

進(jìn)一步地，在所述S1之后，在所述S6之前，進(jìn)一步包括：

B1：判斷所述訓(xùn)練樣本的數(shù)量是否小于第一預(yù)設(shè)值，如果是，則依次執(zhí)行B2至B9；

B2：對(duì)所述高光譜圖像的光譜進(jìn)行主成分分析，提取所述高光譜圖像的光譜的主成分；

B3：確定每個(gè)所述主成分的梯度矩陣；

B4：將每個(gè)所述主成分的梯度矩陣對(duì)應(yīng)疊加，生成所述高光譜圖像的梯度矩陣；

B5：對(duì)所述高光譜圖像的梯度矩陣進(jìn)行水分嶺分割，獲取至少一個(gè)分割區(qū)域；

B6：對(duì)每個(gè)所述分割區(qū)域進(jìn)行聚類處理，確定每個(gè)所述分割區(qū)域的聚類中心，將每個(gè)所述分割區(qū)域的聚類中心作為輔助樣本；

B7：確定每個(gè)所述輔助樣本對(duì)應(yīng)的最相似的訓(xùn)練樣本；

B8：將每個(gè)輔助樣本對(duì)應(yīng)的最相似的訓(xùn)練樣本的類標(biāo)設(shè)置為每個(gè)輔助樣本的類標(biāo)；

B9：將每個(gè)設(shè)置有類標(biāo)的輔助樣本作為訓(xùn)練樣本，返回B1。

進(jìn)一步地，所述S5，包括：

對(duì)每個(gè)所述圖拉普拉斯矩陣進(jìn)行特征值分解，獲得每個(gè)所述圖拉普拉斯矩陣的特征值；

針對(duì)每個(gè)所述圖拉普拉斯矩陣，從每個(gè)所述圖拉普拉斯矩陣的各個(gè)特征值中，選取第二預(yù)設(shè)值個(gè)數(shù)值最大的空間特征值；

根據(jù)每個(gè)所述圖拉普拉斯矩陣的空間特征值的特征向量，生成每個(gè)所述圖拉普拉斯矩陣對(duì)應(yīng)的特征空間；

確定每?jī)蓚€(gè)所述圖拉普拉斯矩陣對(duì)應(yīng)的特征空間之間的測(cè)地線距離；

將每?jī)蓚€(gè)所述圖拉普拉斯矩陣對(duì)應(yīng)的測(cè)地線距離作為每?jī)蓚€(gè)所述圖拉普拉斯矩陣之間的距離。

進(jìn)一步地，所述圖像特征，包括：光譜特征；

所述S2，包括：

根據(jù)所述高光譜圖像中的光譜之間的互信息對(duì)所述高光譜圖像進(jìn)行聚類處理，生成所述高光譜圖像的光譜塊；

將每個(gè)所述光譜塊作為一個(gè)所述光譜特征。

進(jìn)一步地，所述S4，包括：

根據(jù)公式三，確定每個(gè)相似度矩陣的圖拉普拉斯矩陣，其中，所述公式三為：

其中，L為所述圖拉普拉斯矩陣，W為所述相似度矩陣，I為單位矩陣，D為對(duì)角矩陣，D的對(duì)角線上的第i個(gè)元素為∑_jW_ij。

進(jìn)一步地，所述圖像特征，包括：光譜特征；

所述S3，包括：

根據(jù)所述高光譜圖像的光譜特征，確定每個(gè)樣本的光譜值；

根據(jù)每個(gè)樣本的光譜值，確定所述光譜特征中每?jī)蓚€(gè)樣本之間的歐式距離；

根據(jù)每?jī)蓚€(gè)樣本之間的歐式距離，利用高斯核函數(shù)，確定每?jī)蓚€(gè)樣本之間的初始光譜相似度；

根據(jù)每?jī)蓚€(gè)樣本之間的初始光譜相似度，為每個(gè)樣本選取第三預(yù)設(shè)值個(gè)初始光譜相似度最大的第一最鄰近樣本；

根據(jù)每個(gè)樣本對(duì)應(yīng)的第三預(yù)設(shè)值個(gè)第一最鄰近樣本，生成每個(gè)樣本的鄰近樣本集；

確定每?jī)蓚€(gè)樣本的鄰近樣本集之間的鄰近樣本集相似度；

將每?jī)蓚€(gè)樣本的初始光譜相似度和鄰近樣本集相似度相乘，獲得每?jī)蓚€(gè)樣本的第一最終相似度；

根據(jù)每個(gè)樣本的所述第三預(yù)設(shè)值個(gè)數(shù)值最大的第一最終相似度，獲得所述光譜特征的最鄰近圖的相似度矩陣。

進(jìn)一步地，所述圖像特征包括：空間位置特征；

所述S3，包括：

根據(jù)所述高光譜圖像的空間位置特征，確定每個(gè)樣本的空間位置；

根據(jù)每個(gè)樣本的空間位置，確定所述高光譜圖像的每?jī)蓚€(gè)樣本之間的距離；

根據(jù)每?jī)蓚€(gè)樣本之間的距離，利用高斯核函數(shù)，確定每?jī)蓚€(gè)樣本之間的初始空間位置信息相似度；

根據(jù)每?jī)蓚€(gè)樣本之間的初始空間位置信息相似度，為每個(gè)樣本選取第四預(yù)設(shè)值個(gè)初始空間位置信息相似度最大的第二最鄰近樣本；

以樣本的光譜為特征，利用高斯核函數(shù)，確定每個(gè)樣本與其每個(gè)第二最鄰近樣本之間的中間相似度；

將每個(gè)樣本與其每個(gè)第二最鄰近樣本的初始空間位置信息相似度和中間相似度相乘，獲得每個(gè)樣本與其每個(gè)第二最鄰近樣本的第二最終相似度；

根據(jù)每個(gè)樣本與其每個(gè)第二最鄰近樣本的第二最終相似度，獲得所述空間位置特征的最鄰近圖的相似度矩陣。

進(jìn)一步地，所述圖像特征包括：紋理特征；

所述S3，包括：

根據(jù)所述高光譜圖像的紋理特征，確定每個(gè)樣本的紋理特征；

根據(jù)每個(gè)樣本的紋理特征，利用高斯核函數(shù)，確定每?jī)蓚€(gè)樣本之間的紋理相似度；

根據(jù)每個(gè)樣本的第五預(yù)設(shè)值個(gè)數(shù)值最大的紋理相似度，獲得所述紋理特征的最鄰近圖的相似度矩陣。

另一方面，本發(fā)明實(shí)施例提供了一種高光譜圖像分類的裝置，包括：

樣本確定單元，用于從高光譜圖像中確定訓(xùn)練樣本，為每個(gè)所述訓(xùn)練樣本設(shè)置對(duì)應(yīng)的類標(biāo)；

提取單元，用于提取所述高光譜圖像的至少兩個(gè)圖像特征；

相似度矩陣確定單元，用于確定每個(gè)所述圖像特征的最鄰近圖的相似度矩陣；

圖拉普拉斯矩陣確定單元，用于確定每個(gè)相似度矩陣的圖拉普拉斯矩陣；

距離確定單元，用于將每個(gè)所述圖拉普拉斯矩陣投射在格拉斯曼流形上，在所述格拉斯曼流形上確定每?jī)蓚€(gè)圖拉普拉斯矩陣之間的距離；

類標(biāo)矩陣確定單元，用于根據(jù)所述每?jī)蓚€(gè)圖拉普拉斯矩陣之間的距離和所述訓(xùn)練樣本，確定所述高光譜圖像的類標(biāo)矩陣；

類標(biāo)確定單元，用于根據(jù)所述類標(biāo)矩陣，確定所述高光譜圖像的每個(gè)樣本的類標(biāo)。

進(jìn)一步地，所述類標(biāo)矩陣確定單元，包括：

第一確定子單元，用于根據(jù)每個(gè)所述訓(xùn)練樣本的類標(biāo)，確定所述高光譜圖像的初始類標(biāo)矩陣；

第二確定子單元，用于確定每個(gè)圖拉普拉斯矩陣與其他圖拉普拉斯矩陣的距離之和；

第三確定子單元，用于確定目標(biāo)函數(shù)中的每個(gè)圖拉普拉斯矩陣對(duì)應(yīng)的融合權(quán)重的初始值，其中，所述目標(biāo)函數(shù)為：

其中，Q為所述類標(biāo)矩陣，Y為所述高光譜圖像的初始類標(biāo)矩陣，L^(m)為第m個(gè)圖拉普拉斯矩陣，U為預(yù)設(shè)矩陣，γ_α為第一預(yù)設(shè)約束程度參數(shù)，γ_s為第二預(yù)設(shè)約束程度參數(shù)，S^(m)為第m個(gè)圖拉普拉斯矩陣與其他圖拉普拉斯矩陣的距離之和，α^(m)為第m個(gè)圖拉普拉斯矩陣對(duì)應(yīng)的融合權(quán)重，M為所述圖拉普拉斯矩陣的數(shù)量；

類標(biāo)矩陣更新子單元，用于根據(jù)所述每個(gè)圖拉普拉斯矩陣對(duì)應(yīng)的融合權(quán)重和公式一，更新所述類標(biāo)矩陣，其中，所述公式一為：

所述融合權(quán)重更新子單元，用于根據(jù)所述類標(biāo)矩陣更新子單元確定出的所述類標(biāo)矩陣和公式二，更新所述每個(gè)圖拉普拉斯矩陣對(duì)應(yīng)的融合權(quán)重，其中，所述公式二為：

其中，g^(m)＝Tr(Q-Y)^TU(Q-Y)；

判斷子單元，用于根據(jù)所述融合權(quán)重更新子單元確定出的所述每個(gè)圖拉普拉斯矩陣對(duì)應(yīng)的融合權(quán)重和所述類標(biāo)矩陣更新子單元確定出的所述類標(biāo)矩陣，判斷所述目標(biāo)函數(shù)的值是否收斂，如果是，則輸出所述類標(biāo)矩陣，否則，返回所述類標(biāo)矩陣更新子單元進(jìn)行處理。

進(jìn)一步地，所述距離確定單元，包括：

特征值分解子單元，用于對(duì)每個(gè)所述圖拉普拉斯矩陣進(jìn)行特征值分解，獲得每個(gè)所述圖拉普拉斯矩陣的特征值；

空間特征值確定子單元，用于針對(duì)每個(gè)所述圖拉普拉斯矩陣，從每個(gè)所述圖拉普拉斯矩陣的各個(gè)特征值中，選取第二預(yù)設(shè)值個(gè)數(shù)值最大的空間特征值；

特征空間生成子單元，用于根據(jù)每個(gè)所述圖拉普拉斯矩陣的空間特征值的特征向量，生成每個(gè)所述圖拉普拉斯矩陣對(duì)應(yīng)的特征空間；

測(cè)地線距離確定子單元，用于確定每?jī)蓚€(gè)所述圖拉普拉斯矩陣對(duì)應(yīng)的特征空間之間的測(cè)地線距離；

矩陣距離確定子單元，用于將每?jī)蓚€(gè)所述圖拉普拉斯矩陣對(duì)應(yīng)的測(cè)地線距離作為每?jī)蓚€(gè)所述圖拉普拉斯矩陣之間的距離。

在本發(fā)明實(shí)施例中，提取高光譜圖像的至少兩個(gè)圖像特征，確定出每個(gè)圖像特征對(duì)應(yīng)的圖拉普拉斯矩陣，在結(jié)合高光譜圖像上的訓(xùn)練樣本的類標(biāo)，得到高光譜圖像的類標(biāo)矩陣，根據(jù)該類標(biāo)矩陣確定出高光譜圖像的每個(gè)樣本的類標(biāo)，本發(fā)明實(shí)施例是基于至少兩個(gè)圖像特征進(jìn)行分類的，提高了分類的準(zhǔn)確性。

附圖說(shuō)明

為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1是本發(fā)明一實(shí)施例提供的一種高光譜圖像分類的方法的流程圖；

圖2是本發(fā)明一實(shí)施例提供的另一種高光譜圖像分類的方法的流程圖；

圖3是本發(fā)明一實(shí)施例提供的又一種高光譜圖像分類的方法的流程圖；

圖4是本發(fā)明一實(shí)施例提供的再一種高光譜圖像分類的方法的流程圖；

圖5是本發(fā)明一實(shí)施例提供的一種高光譜圖像分類的裝置的示意圖；

圖6是本發(fā)明一實(shí)施例提供的另一種高光譜圖像分類的裝置的示意圖。

具體實(shí)施方式

為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例，基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有做出創(chuàng)造性勞動(dòng)的前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

如圖1所示，本發(fā)明實(shí)施例提供了一種高光譜圖像分類的方法，該方法可以包括以下步驟：

S1：預(yù)先從高光譜圖像中確定訓(xùn)練樣本，為每個(gè)所述訓(xùn)練樣本設(shè)置對(duì)應(yīng)的類標(biāo)；

S2：提取所述高光譜圖像的至少兩個(gè)圖像特征；

S3：確定每個(gè)所述圖像特征的最鄰近圖的相似度矩陣；

S4：確定每個(gè)相似度矩陣的圖拉普拉斯矩陣；

S5：將每個(gè)所述圖拉普拉斯矩陣投射在格拉斯曼流形上，在所述格拉斯曼流形上確定每?jī)蓚€(gè)圖拉普拉斯矩陣之間的距離；

S6：根據(jù)所述每?jī)蓚€(gè)圖拉普拉斯矩陣之間的距離和所述訓(xùn)練樣本的類標(biāo)，確定所述高光譜圖像的類標(biāo)矩陣；

S7：根據(jù)所述類標(biāo)矩陣，確定所述高光譜圖像的每個(gè)樣本的類標(biāo)。

在本發(fā)明實(shí)施例中，提取高光譜圖像的至少兩個(gè)圖像特征，確定出每個(gè)圖像特征對(duì)應(yīng)的圖拉普拉斯矩陣，在結(jié)合高光譜圖像上的訓(xùn)練樣本的類標(biāo)，得到高光譜圖像的類標(biāo)矩陣，根據(jù)該類標(biāo)矩陣確定出高光譜圖像的每個(gè)樣本的類標(biāo)，本發(fā)明實(shí)施例是基于至少兩個(gè)圖像特征進(jìn)行分類的，提高了分類的準(zhǔn)確性。

為了進(jìn)一步提高分類的準(zhǔn)確性，基于圖1所示的一種高光譜圖像分類的方法，在本發(fā)明一實(shí)施例中，如圖2所示，所述S6，包括：

步驟201：根據(jù)每個(gè)所述訓(xùn)練樣本的類標(biāo)，確定所述高光譜圖像的初始類標(biāo)矩陣；

步驟202：確定每個(gè)圖拉普拉斯矩陣與其他圖拉普拉斯矩陣的距離之和；

步驟203：確定目標(biāo)函數(shù)中的每個(gè)圖拉普拉斯矩陣對(duì)應(yīng)的融合權(quán)重的初始值，其中，所述目標(biāo)函數(shù)為：

其中，Q為所述類標(biāo)矩陣，Y為所述高光譜圖像的初始類標(biāo)矩陣，L^(m)為第m個(gè)圖拉普拉斯矩陣，U為預(yù)設(shè)矩陣，γ_α為第一預(yù)設(shè)約束程度參數(shù)，γ_s為第二預(yù)設(shè)約束程度參數(shù)，S^(m)為第m個(gè)圖拉普拉斯矩陣與其他圖拉普拉斯矩陣的距離之和，α^(m)為第m個(gè)圖拉普拉斯矩陣對(duì)應(yīng)的融合權(quán)重，M為所述圖拉普拉斯矩陣的數(shù)量；

步驟204：根據(jù)所述每個(gè)圖拉普拉斯矩陣對(duì)應(yīng)的融合權(quán)重和公式一，更新所述類標(biāo)矩陣，其中，所述公式一為：

步驟205：根據(jù)所述類標(biāo)矩陣和公式二，更新所述每個(gè)圖拉普拉斯矩陣對(duì)應(yīng)的融合權(quán)重，其中，所述公式二為：

其中，g^(m)＝Tr(Q-Y)^TU(Q-Y)；

步驟206：根據(jù)所述每個(gè)圖拉普拉斯矩陣對(duì)應(yīng)的融合權(quán)重和所述類標(biāo)矩陣，判斷所述目標(biāo)函數(shù)的值是否收斂，如果是，則執(zhí)行步驟207，否則，返回步驟204。

步驟207：輸出所述類標(biāo)矩陣。

在本發(fā)明實(shí)施例中，類標(biāo)矩陣的行表示樣本，列表示類標(biāo)，每個(gè)元素表示當(dāng)前行對(duì)應(yīng)的樣本是否屬于當(dāng)前列對(duì)應(yīng)的類標(biāo)。對(duì)于初始類標(biāo)矩陣，由于訓(xùn)練樣本的類標(biāo)是已知的，所以在初始類標(biāo)矩陣中，每個(gè)訓(xùn)練樣本的行與該訓(xùn)練樣本的所屬的類標(biāo)的列所對(duì)應(yīng)的元素為1，該行的其他元素為0。舉例來(lái)說(shuō)，高光譜圖像中有4個(gè)樣本，其中，樣本1和樣本3是訓(xùn)練樣本，樣本分為3類，也就是，有三個(gè)類標(biāo)，樣本1屬于類標(biāo)1，樣本3屬于類標(biāo)2，初始類別矩陣的行分別對(duì)應(yīng)樣本1至樣本4，列分別對(duì)應(yīng)類別1至類別3，則初始類別矩陣為：

其中，S^(m)可以表示為d_i,m為第i個(gè)圖拉普拉斯矩陣與第m個(gè)圖拉普拉斯矩陣之間的距離。舉例來(lái)說(shuō)，M為3，即圖拉普拉斯矩陣的數(shù)量為3個(gè)，S⁽¹⁾為第1個(gè)圖拉普拉斯矩陣與其他圖拉普拉斯矩陣的距離之和，具體地，第1個(gè)圖拉普拉斯矩陣與第2個(gè)圖拉普拉斯矩陣的距離為d_2,1，第1個(gè)圖拉普拉斯矩陣與第3個(gè)圖拉普拉斯矩陣的距離為d_3,1，S⁽¹⁾為d_2,1和d_3,1之和。

在一種可能的實(shí)現(xiàn)方式中，每個(gè)圖拉普拉斯矩陣對(duì)應(yīng)的融合權(quán)重的初始值均設(shè)置為1/M。U可以用于控制樣本的重要程度。在本實(shí)施例中，α^(m)和Q在循環(huán)迭代的過(guò)程中不斷變化。其中的公式一可以根據(jù)對(duì)目標(biāo)函數(shù)中的Q求偏導(dǎo)并在使該偏導(dǎo)為0的條件下得出，具體地，由推導(dǎo)得出公式一。其中的公式二可以通過(guò)對(duì)目標(biāo)函數(shù)使用拉格朗日乘子法得到，對(duì)目標(biāo)函數(shù)使用拉格朗日乘子法得到以下公式：

其中，β為拉格朗日乘子，

分別對(duì)φ(α,β)中的α^(m)和β求偏導(dǎo)，并分別使偏導(dǎo)為0，推導(dǎo)出公式二。

在確定出類標(biāo)矩陣后，步驟S7可以包括：將每個(gè)樣本對(duì)應(yīng)的行中數(shù)值最大的元素所在的列的類標(biāo)，作為每個(gè)樣本的類標(biāo)。舉例來(lái)說(shuō)，在類標(biāo)矩陣中，樣本A對(duì)應(yīng)第i行，在第i行中，第j列的元素最大，第j列對(duì)應(yīng)的類標(biāo)為n，則樣本A的類標(biāo)為n。如果當(dāng)前樣本對(duì)應(yīng)的行中有不止一個(gè)最大的元素，則可以隨機(jī)選擇一個(gè)最大的元素，按照隨機(jī)選擇出的最大的元素確定當(dāng)前樣本的類標(biāo)。

為了取得更好的分類效果，在本發(fā)明一實(shí)施例中，在所述S1之后，在所述S6之前，進(jìn)一步包括：

B1：判斷所述訓(xùn)練樣本的數(shù)量是否小于第一預(yù)設(shè)值，如果是，則依次執(zhí)行B2至B9；

B2：對(duì)所述高光譜圖像的光譜進(jìn)行主成分分析，提取所述高光譜圖像的光譜的主成分；

B3：確定每個(gè)所述主成分的梯度矩陣；

B4：將每個(gè)所述主成分的梯度矩陣對(duì)應(yīng)疊加，生成所述高光譜圖像的梯度矩陣；

B5：對(duì)所述高光譜圖像的梯度矩陣進(jìn)行水分嶺分割，獲取至少一個(gè)分割區(qū)域；

B6：對(duì)每個(gè)所述分割區(qū)域進(jìn)行聚類處理，確定每個(gè)所述分割區(qū)域的聚類中心，將每個(gè)所述分割區(qū)域的聚類中心作為輔助樣本；

B7：確定每個(gè)所述輔助樣本對(duì)應(yīng)的最相似的訓(xùn)練樣本；

B8：將每個(gè)輔助樣本對(duì)應(yīng)的最相似的訓(xùn)練樣本的類標(biāo)設(shè)置為每個(gè)輔助樣本的類標(biāo)；

B9：將每個(gè)設(shè)置有類標(biāo)的輔助樣本作為訓(xùn)練樣本，返回B1。

當(dāng)訓(xùn)練樣本的數(shù)量少于第一預(yù)設(shè)值時(shí)，可以通過(guò)本發(fā)明實(shí)施例提供的方法增加訓(xùn)練樣本的數(shù)量，進(jìn)而通過(guò)更多的訓(xùn)練樣本提高分類的準(zhǔn)確性，取得更好的分類效果，實(shí)現(xiàn)只有少量訓(xùn)練樣本下的高精度分類，降低高光譜圖像分類人為標(biāo)記的困難。

本實(shí)施例中的第一預(yù)設(shè)值可以是5。通過(guò)對(duì)高光譜圖像進(jìn)行主成分分析，提取高光譜圖像的光譜中的主成分，后續(xù)對(duì)主成分進(jìn)行處理，可以降低高光譜圖像的維度，在不影響分類準(zhǔn)確性的情況下，減少了計(jì)算量，提高了分類速度。將每個(gè)主成分的梯度矩陣對(duì)應(yīng)疊加，具體地，是將每個(gè)主成分的梯度矩陣中的元素對(duì)應(yīng)相加。在B5中，進(jìn)行水分嶺分割時(shí)，可以根據(jù)高光譜圖像的譜帶的取值范圍的不同確定出對(duì)應(yīng)的分割參數(shù)，通過(guò)不同的分割參數(shù)實(shí)現(xiàn)對(duì)高光譜圖像的不同尺寸的分割，具體地，較大的分割參數(shù)得到分割區(qū)域較大，較小的分割參數(shù)得到分割區(qū)域較小。在B6中進(jìn)行聚類處理時(shí)，可以通過(guò)K均值聚類方法進(jìn)行聚類處理，具體地，可以使K＝1。得到的聚類中心為一個(gè)樣本，該樣本為分割區(qū)域的最具有代表性的樣本，將該樣本作為輔助樣本。在B7中，可以通過(guò)計(jì)算每個(gè)輔助樣本與每個(gè)訓(xùn)練樣本的歐式距離的方式來(lái)確定每個(gè)輔助樣本對(duì)應(yīng)的最相似的訓(xùn)練樣本，具體地，歐式距離越近，越相似。另外，可以設(shè)置訓(xùn)練樣本集來(lái)存儲(chǔ)訓(xùn)練樣本，并將設(shè)置有類標(biāo)的輔助樣本添加到訓(xùn)練樣本集中。

基于圖1所示的一種高光譜圖像分類的方法，在本發(fā)明一實(shí)施例中，如圖3所示，所述S5，包括：

步驟301：對(duì)每個(gè)所述圖拉普拉斯矩陣進(jìn)行特征值分解，獲得每個(gè)所述圖拉普拉斯矩陣的特征值；

步驟302：針對(duì)每個(gè)所述圖拉普拉斯矩陣，從每個(gè)所述圖拉普拉斯矩陣的各個(gè)特征值中，選取第二預(yù)設(shè)值個(gè)數(shù)值最大的空間特征值；

具體地，針對(duì)第1個(gè)圖拉普拉斯矩陣，第1個(gè)圖拉普拉斯矩陣有5個(gè)特征值，分別是1、2、3、4、5；第二預(yù)設(shè)值為3，則從這5個(gè)特征值中選取3個(gè)最大的空間特征值，也就是選擇特征值5、4、3這三個(gè)特征值作為空間特征值。

另外，在確定第二預(yù)設(shè)值時(shí)，可以使第二預(yù)設(shè)值滿足：通過(guò)第二預(yù)設(shè)值確定出的空間特征值之和占所有特征值之和的90％。

步驟303：根據(jù)每個(gè)所述圖拉普拉斯矩陣的空間特征值的特征向量，生成每個(gè)所述圖拉普拉斯矩陣對(duì)應(yīng)的特征空間；

具體地，針對(duì)第1個(gè)圖拉普拉斯矩陣，根據(jù)空間特征值5、4、3對(duì)應(yīng)的特征向量，生成第1個(gè)圖拉普拉斯矩陣的特征空間。

步驟304：確定每?jī)蓚€(gè)所述圖拉普拉斯矩陣對(duì)應(yīng)的特征空間之間的測(cè)地線距離；

具體地，每對(duì)特征空間之間的測(cè)地線距離越遠(yuǎn)，表示能力越差。

步驟305：將每?jī)蓚€(gè)所述圖拉普拉斯矩陣對(duì)應(yīng)的測(cè)地線距離作為每?jī)蓚€(gè)所述圖拉普拉斯矩陣之間的距離。

具體地，每?jī)蓚€(gè)圖拉普拉斯矩陣對(duì)應(yīng)的特征空間之間的測(cè)地線距離作為每?jī)蓚€(gè)圖拉普拉斯矩陣之間的距離。

在本發(fā)明一實(shí)施例中，所述圖像特征，包括：光譜特征；

所述S2，包括：

根據(jù)所述高光譜圖像中的光譜之間的互信息對(duì)所述高光譜圖像進(jìn)行聚類處理，生成所述高光譜圖像的光譜塊；

將每個(gè)所述光譜塊作為一個(gè)所述光譜特征。

由于不同的樣本在不同的光譜上的所表現(xiàn)出的特征有所不同，在某些光譜上特征比較明顯，在某些光譜上特征不明顯。在本實(shí)施例中，通過(guò)將高光譜圖像劃分成光譜塊，可以分別從不同的光譜塊來(lái)描述每個(gè)樣本，將每個(gè)光譜塊作為一個(gè)單獨(dú)的光譜特征來(lái)用于分類，光譜塊更具有判別性，可以分別從不同的光譜范圍上對(duì)樣本進(jìn)行分類，使得分類結(jié)果更加準(zhǔn)確。其中，所述至少兩個(gè)圖像特征可以包括：至少兩個(gè)光譜特征。另外，為了提高分類的準(zhǔn)確性，可以去除聚類處理得到的包含光譜帶較少的光譜塊，具體地，選取預(yù)設(shè)數(shù)量個(gè)包含的光譜帶最多的光譜塊，將該光譜塊作為光譜特征。

在本發(fā)明一實(shí)施例中，所述圖像特征，包括：光譜特征；

所述S3，包括：

根據(jù)所述高光譜圖像的光譜特征，確定每個(gè)樣本的光譜值；

具體地，這里的光譜值可以是光譜帶的數(shù)量。

根據(jù)每個(gè)樣本的光譜值，確定所述光譜特征中每?jī)蓚€(gè)樣本之間的歐式距離；

具體地，計(jì)算所有樣本的兩兩之間的歐式距離。

根據(jù)每?jī)蓚€(gè)樣本之間的歐式距離，利用高斯核函數(shù)，確定每?jī)蓚€(gè)樣本之間的初始光譜相似度；

根據(jù)每?jī)蓚€(gè)樣本之間的初始光譜相似度，為每個(gè)樣本選取第三預(yù)設(shè)值個(gè)初始光譜相似度最大的第一最鄰近樣本；

具體地，在選取當(dāng)前樣本的第一最鄰近樣本時(shí)，按照當(dāng)前樣本與其他樣本的初始光譜相似度的由大到小的順序，選擇第三預(yù)設(shè)值個(gè)其他樣本。

根據(jù)每個(gè)樣本對(duì)應(yīng)的第三預(yù)設(shè)值個(gè)第一最鄰近樣本，生成每個(gè)樣本的鄰近樣本集；

確定每?jī)蓚€(gè)樣本的鄰近樣本集之間的鄰近樣本集相似度；

具體地，將每個(gè)樣本的鄰近樣本集構(gòu)成鄰近矩陣，計(jì)算每?jī)蓚€(gè)鄰近矩陣之間的相關(guān)性，得到每?jī)蓚€(gè)鄰近樣本集之間的鄰近樣本集相似度。

將每?jī)蓚€(gè)樣本的初始光譜相似度和鄰近樣本集相似度相乘，獲得每?jī)蓚€(gè)樣本的第一最終相似度；

舉例來(lái)說(shuō)，樣本A和樣本B的初始光譜相似度為0.5，樣本A和樣本B的鄰近樣本集之間的鄰近樣本集相似度為0.6，則樣本A和樣本B的第一最終相似度為0.5×0.6＝0.3。

根據(jù)每個(gè)樣本的所述第三預(yù)設(shè)值個(gè)數(shù)值最大的第一最終相似度，獲得所述光譜特征的最鄰近圖的相似度矩陣。

具體地，保留每個(gè)樣本的第三預(yù)設(shè)值個(gè)數(shù)值最大的第一最終相似度，將其他的第一最終相似度設(shè)置為0，構(gòu)成光譜特征的最鄰近圖的相似度矩陣，光譜特征的最鄰近圖的相似度矩陣的行為樣本，列為樣本，每個(gè)元素為當(dāng)前行對(duì)應(yīng)的樣本與當(dāng)前列對(duì)應(yīng)的樣本的第一最終相似度。通過(guò)本發(fā)明實(shí)施例提供的實(shí)現(xiàn)方式實(shí)現(xiàn)光譜特征圖模型的構(gòu)建。當(dāng)光譜特征為光譜塊時(shí)，每個(gè)光譜塊對(duì)應(yīng)一個(gè)相似度矩陣。

在本發(fā)明一實(shí)施例中，所述圖像特征包括：空間位置特征；

所述S3，包括：

根據(jù)所述高光譜圖像的空間位置特征，確定每個(gè)樣本的空間位置；

具體地，針對(duì)空間位置特征，所述S2可以包括：將高光譜圖像中每個(gè)樣本的坐標(biāo)作為高光譜圖像的空間位置特征。具體地，可以在高光譜圖像的二維圖像上建立直角坐標(biāo)系，確定每個(gè)樣本在該直角坐標(biāo)系的坐標(biāo)，每個(gè)樣本的坐標(biāo)作為每個(gè)樣本的空間位置。

根據(jù)每個(gè)樣本的空間位置，確定所述高光譜圖像的每?jī)蓚€(gè)樣本之間的距離；

具體地，根據(jù)每個(gè)樣本的坐標(biāo)確定出樣本之間的距離。

根據(jù)每?jī)蓚€(gè)樣本之間的距離，利用高斯核函數(shù)，確定每?jī)蓚€(gè)樣本之間的初始空間位置信息相似度；

根據(jù)每?jī)蓚€(gè)樣本之間的初始空間位置信息相似度，為每個(gè)樣本選取第四預(yù)設(shè)值個(gè)初始空間位置信息相似度最大的第二最鄰近樣本；

以樣本的光譜為特征，利用高斯核函數(shù)，確定每個(gè)樣本與其每個(gè)第二最鄰近樣本之間的中間相似度；

具體地，也可以以樣本的光譜的主成分為特征。

將每個(gè)樣本與其每個(gè)第二最鄰近樣本的初始空間位置信息相似度和中間相似度相乘，獲得每個(gè)樣本與其每個(gè)第二最鄰近樣本的第二最終相似度；

根據(jù)每個(gè)樣本與其每個(gè)第二最鄰近樣本的第二最終相似度，獲得所述空間位置特征的最鄰近圖的相似度矩陣。

具體地，空間位置特征的最鄰近圖的相似度矩陣的行為樣本，列為樣本，每個(gè)元素為當(dāng)前行對(duì)應(yīng)的樣本與當(dāng)前列對(duì)應(yīng)的樣本的第二最終相似度。通過(guò)本發(fā)明實(shí)施例提供的實(shí)現(xiàn)方式實(shí)現(xiàn)空間位置特征圖模型的構(gòu)建。

在本發(fā)明一實(shí)施例中，所述圖像特征包括：紋理特征；

所述S3，包括：

根據(jù)所述高光譜圖像的紋理特征，確定每個(gè)樣本的紋理特征；

具體地，針對(duì)紋理特征，所述S2可以包括：對(duì)高光譜圖像的各個(gè)光譜做主成分分析，提取每個(gè)光譜的主成分；采用2-D Gabor濾波器，對(duì)每個(gè)光譜的主成分提取紋理特征；將每個(gè)光譜的主成分的紋理特征堆疊，生成高光譜圖像的紋理特征。該高光譜圖像的紋理特征是三維的紋理特征塊。

根據(jù)每個(gè)樣本的紋理特征，利用高斯核函數(shù)，確定每?jī)蓚€(gè)樣本之間的紋理相似度；

根據(jù)每個(gè)樣本的第五預(yù)設(shè)值個(gè)數(shù)值最大的紋理相似度，獲得所述紋理特征的最鄰近圖的相似度矩陣。

具體地，保留每個(gè)樣本的第五預(yù)設(shè)值個(gè)數(shù)值最大的紋理相似度，將其他的紋理相似度設(shè)置為0，構(gòu)成紋理特征的最鄰近圖的相似度矩陣，紋理特征的最鄰近圖的相似度矩陣的行為樣本，列為樣本，每個(gè)元素為當(dāng)前行對(duì)應(yīng)的樣本與當(dāng)前列對(duì)應(yīng)的樣本的紋理相似度。通過(guò)本發(fā)明實(shí)施例提供的實(shí)現(xiàn)方式實(shí)現(xiàn)紋理特征圖模型的構(gòu)建。

在本發(fā)明一實(shí)施例中，所述S4，包括：

根據(jù)公式三，確定每個(gè)相似度矩陣的圖拉普拉斯矩陣，其中，所述公式三為：

其中，L為所述圖拉普拉斯矩陣，W為所述相似度矩陣，I為單位矩陣，D為對(duì)角矩陣，D的對(duì)角線上的第i個(gè)元素為∑_jW_ij。

在發(fā)明實(shí)施例中，至少兩個(gè)圖像特征可以為：至少兩個(gè)光譜特征；至少兩個(gè)圖像特征可以為：空間位置特征和紋理特征；至少兩個(gè)圖像特征可以為：空間位置特征和紋理特征中的一個(gè)或多個(gè)，以及至少一個(gè)光譜特征。

如圖4所示，本發(fā)明實(shí)施例提供的一種高光譜圖像分類的方法，包括：

步驟401：預(yù)先從高光譜圖像中確定訓(xùn)練樣本，為每個(gè)訓(xùn)練樣本設(shè)置對(duì)應(yīng)的類標(biāo)；

舉例來(lái)說(shuō)，高光譜圖像是一個(gè)地理區(qū)域的高光譜圖像，其中，包括：麥田、河流、房屋?？梢詫⒏吖庾V圖像中的樣本分成麥田、河流和房屋三類。在設(shè)置訓(xùn)練樣本時(shí)，可以在每一類中至少設(shè)置一個(gè)訓(xùn)練樣本。

需要說(shuō)明的是：高光譜圖像中的每個(gè)樣本對(duì)應(yīng)該高光譜圖像的二維圖像的每個(gè)像素點(diǎn)，也就是說(shuō)，高光譜圖像的一個(gè)樣本反映到高光譜圖像的二維圖像中就是一個(gè)像素點(diǎn)。

步驟402：提取高光譜圖像的多個(gè)光譜特征、空間位置特征和紋理特征。

步驟403：分別確定每個(gè)光譜特征的最鄰近圖的相似度矩陣、空間位置特征的最鄰近圖的相似度矩陣和紋理特征的最鄰近圖的相似度矩陣；

步驟404：分別確定每個(gè)光譜特征的最鄰近圖的相似度矩陣的圖拉普拉斯矩陣、空間位置特征的最鄰近圖的相似度矩陣的圖拉普拉斯矩陣和紋理特征的最鄰近圖的相似度矩陣的圖拉普拉斯矩陣；

步驟405：將每個(gè)圖拉普拉斯矩陣投射在格拉斯曼流形上，在格拉斯曼流形上確定每?jī)蓚€(gè)圖拉普拉斯矩陣之間的距離；

步驟406：根據(jù)每?jī)蓚€(gè)圖拉普拉斯矩陣之間的距離和訓(xùn)練樣本的類標(biāo)，確定高光譜圖像的類標(biāo)矩陣；

步驟407：根據(jù)類標(biāo)矩陣，確定高光譜圖像的每個(gè)樣本的類標(biāo)。

具體地，將高光譜圖像中的樣本分成麥田、河流和房屋三類，為每個(gè)樣本設(shè)置上麥田、河流和房屋對(duì)應(yīng)的類標(biāo)中的任意一個(gè)。

高光譜圖像與普通圖像有所不同，這類圖像為我們提供了豐富的光譜信息，其范圍包含了從可見(jiàn)光到近紅外的幾百個(gè)連續(xù)光譜，除此以外，高光譜圖像還提供了豐富的空間信息，地理位置相鄰的物質(zhì)，其類標(biāo)通常是相同或者相似，即圖像中的內(nèi)容不會(huì)出現(xiàn)較大的變化。高光譜圖像分類可以應(yīng)用在包括軍事、監(jiān)控、農(nóng)業(yè)、化學(xué)以及采礦等多個(gè)領(lǐng)域。

在本發(fā)明實(shí)施例中，從不同方面對(duì)高光譜圖像提取特征，包括圖像的光譜特征、空間位置特征以及紋理特征等；針對(duì)不同的特征分別建立最鄰近圖(KNN-Graph，K-Nearest Neighbor Graph)，計(jì)算圖拉普拉斯矩陣；將圖拉普拉斯矩陣投射在格拉斯曼流形上，在流行上計(jì)算圖拉普拉斯之間的距離，根據(jù)計(jì)算得到的距離，優(yōu)化最鄰近圖的融合權(quán)重；通過(guò)類標(biāo)傳遞的方式，將類標(biāo)信息從已知類標(biāo)的訓(xùn)練樣本傳遞給未知類標(biāo)的樣本，從而達(dá)到提高分類準(zhǔn)確率的目的。

在本發(fā)明實(shí)施例中，采用了多特征融合的方式，對(duì)高光譜圖像提取不同的特征，尤其是針對(duì)光譜特征，通過(guò)光譜聚類，得到的光譜塊更具有判別性，與其它多種特征融合，可以從多個(gè)方面對(duì)高光譜圖像描述，使分類更加準(zhǔn)確。

在本發(fā)明實(shí)施例中，對(duì)不同的特征建立圖模型，圖模型可以有效的保持?jǐn)?shù)據(jù)間的結(jié)構(gòu)關(guān)系，在多圖學(xué)習(xí)中，最終融合后的圖模型包含了所有的特征提供的信息，在融合的過(guò)程中，通過(guò)計(jì)算圖拉普拉斯矩陣之間的距離，進(jìn)一步量化了不同類型特征的表達(dá)能力的強(qiáng)弱，得到的融合結(jié)果更加合理。

如圖5、圖6所示，本發(fā)明實(shí)施例提供了一種高光譜圖像分類的裝置。裝置實(shí)施例可以通過(guò)軟件實(shí)現(xiàn)，也可以通過(guò)硬件或者軟硬件結(jié)合的方式實(shí)現(xiàn)。從硬件層面而言，如圖5所示，為本發(fā)明實(shí)施例提供的一種高光譜圖像分類的裝置所在設(shè)備的一種硬件結(jié)構(gòu)圖，除了圖5所示的處理器、內(nèi)存、網(wǎng)絡(luò)接口、以及非易失性存儲(chǔ)器之外，實(shí)施例中裝置所在的設(shè)備通常還可以包括其他硬件，如負(fù)責(zé)處理報(bào)文的轉(zhuǎn)發(fā)芯片等等。以軟件實(shí)現(xiàn)為例，如圖6所示，作為一個(gè)邏輯意義上的裝置，是通過(guò)其所在設(shè)備的CPU將非易失性存儲(chǔ)器中對(duì)應(yīng)的計(jì)算機(jī)程序指令讀取到內(nèi)存中運(yùn)行形成的。本實(shí)施例提供的一種高光譜圖像分類的裝置，包括：

樣本確定單元601，用于從高光譜圖像中確定訓(xùn)練樣本，為每個(gè)所述訓(xùn)練樣本設(shè)置對(duì)應(yīng)的類標(biāo)；

提取單元602，用于提取所述高光譜圖像的至少兩個(gè)圖像特征；

相似度矩陣確定單元603，用于確定每個(gè)所述圖像特征的最鄰近圖的相似度矩陣；

圖拉普拉斯矩陣確定單元604，用于確定每個(gè)相似度矩陣的圖拉普拉斯矩陣；

距離確定單元605，用于將每個(gè)所述圖拉普拉斯矩陣投射在格拉斯曼流形上，在所述格拉斯曼流形上確定每?jī)蓚€(gè)圖拉普拉斯矩陣之間的距離；

類標(biāo)矩陣確定單元606，用于根據(jù)所述每?jī)蓚€(gè)圖拉普拉斯矩陣之間的距離和所述訓(xùn)練樣本，確定所述高光譜圖像的類標(biāo)矩陣；

類標(biāo)確定單元607，用于根據(jù)所述類標(biāo)矩陣，確定所述高光譜圖像的每個(gè)樣本的類標(biāo)。

在本發(fā)明一實(shí)施例中，所述類標(biāo)矩陣確定單元，包括：

第一確定子單元，用于根據(jù)每個(gè)所述訓(xùn)練樣本的類標(biāo)，確定所述高光譜圖像的初始類標(biāo)矩陣；

第二確定子單元，用于確定每個(gè)圖拉普拉斯矩陣與其他圖拉普拉斯矩陣的距離之和；

第三確定子單元，用于確定目標(biāo)函數(shù)中的每個(gè)圖拉普拉斯矩陣對(duì)應(yīng)的融合權(quán)重的初始值，其中，所述目標(biāo)函數(shù)為：

其中，Q為所述類標(biāo)矩陣，Y為所述高光譜圖像的初始類標(biāo)矩陣，L^(m)為第m個(gè)圖拉普拉斯矩陣，U為預(yù)設(shè)矩陣，γ_α為第一預(yù)設(shè)約束程度參數(shù)，γ_s為第二預(yù)設(shè)約束程度參數(shù)，S^(m)為第m個(gè)圖拉普拉斯矩陣與其他圖拉普拉斯矩陣的距離之和，α^(m)為第m個(gè)圖拉普拉斯矩陣對(duì)應(yīng)的融合權(quán)重，M為所述圖拉普拉斯矩陣的數(shù)量；

類標(biāo)矩陣更新子單元，用于根據(jù)所述每個(gè)圖拉普拉斯矩陣對(duì)應(yīng)的融合權(quán)重和公式一，更新所述類標(biāo)矩陣，其中，所述公式一為：

所述融合權(quán)重更新子單元，用于根據(jù)所述類標(biāo)矩陣更新子單元確定出的所述類標(biāo)矩陣和公式二，更新所述每個(gè)圖拉普拉斯矩陣對(duì)應(yīng)的融合權(quán)重，其中，所述公式二為：

其中，g^(m)＝Tr(Q-Y)^TU(Q-Y)；

判斷子單元，用于根據(jù)所述融合權(quán)重更新子單元確定出的所述每個(gè)圖拉普拉斯矩陣對(duì)應(yīng)的融合權(quán)重和所述類標(biāo)矩陣更新子單元確定出的所述類標(biāo)矩陣，判斷所述目標(biāo)函數(shù)的值是否收斂，如果是，則輸出所述類標(biāo)矩陣，否則，返回所述類標(biāo)矩陣更新子單元進(jìn)行處理。

在本發(fā)明一實(shí)施例中，所述距離確定單元，包括：

特征值分解子單元，用于對(duì)每個(gè)所述圖拉普拉斯矩陣進(jìn)行特征值分解，獲得每個(gè)所述圖拉普拉斯矩陣的特征值；

空間特征值確定子單元，用于針對(duì)每個(gè)所述圖拉普拉斯矩陣，從每個(gè)所述圖拉普拉斯矩陣的各個(gè)特征值中，選取第二預(yù)設(shè)值個(gè)數(shù)值最大的空間特征值；

特征空間生成子單元，用于根據(jù)每個(gè)所述圖拉普拉斯矩陣的空間特征值的特征向量，生成每個(gè)所述圖拉普拉斯矩陣對(duì)應(yīng)的特征空間；

測(cè)地線距離確定子單元，用于確定每?jī)蓚€(gè)所述圖拉普拉斯矩陣對(duì)應(yīng)的特征空間之間的測(cè)地線距離；

矩陣距離確定子單元，用于將每?jī)蓚€(gè)所述圖拉普拉斯矩陣對(duì)應(yīng)的測(cè)地線距離作為每?jī)蓚€(gè)所述圖拉普拉斯矩陣之間的距離。

在本發(fā)明一實(shí)施例中，進(jìn)一步包括：輔助樣本單元，用于：

B1：判斷所述訓(xùn)練樣本的數(shù)量是否小于第一預(yù)設(shè)值，如果是，則依次執(zhí)行B2至B9；

B2：對(duì)所述高光譜圖像的光譜進(jìn)行主成分分析，提取所述高光譜圖像的光譜的主成分；

B3：確定每個(gè)所述主成分的梯度矩陣；

B4：將每個(gè)所述主成分的梯度矩陣對(duì)應(yīng)疊加，生成所述高光譜圖像的梯度矩陣；

B5：對(duì)所述高光譜圖像的梯度矩陣進(jìn)行水分嶺分割，獲取至少一個(gè)分割區(qū)域；

B6：對(duì)每個(gè)所述分割區(qū)域進(jìn)行聚類處理，確定每個(gè)所述分割區(qū)域的聚類中心，將每個(gè)所述分割區(qū)域的聚類中心作為輔助樣本；

B7：確定每個(gè)所述輔助樣本對(duì)應(yīng)的最相似的訓(xùn)練樣本；

B8：將每個(gè)輔助樣本對(duì)應(yīng)的最相似的訓(xùn)練樣本的類標(biāo)設(shè)置為每個(gè)輔助樣本的類標(biāo)；

B9：將每個(gè)設(shè)置有類標(biāo)的輔助樣本作為訓(xùn)練樣本，返回B1。

在本發(fā)明一實(shí)施例中，所述圖像特征，包括：光譜特征；

所述提取單元，用于：

根據(jù)所述高光譜圖像中的光譜之間的互信息對(duì)所述高光譜圖像進(jìn)行聚類處理，生成所述高光譜圖像的光譜塊；

將每個(gè)所述光譜塊作為一個(gè)所述光譜特征。

在本發(fā)明一實(shí)施例中，所述圖像特征，包括：光譜特征；

所述相似度矩陣確定單元，用于：

根據(jù)所述高光譜圖像的光譜特征，確定每個(gè)樣本的光譜值；

根據(jù)每個(gè)樣本的光譜值，確定所述光譜特征中每?jī)蓚€(gè)樣本之間的歐式距離；

根據(jù)每?jī)蓚€(gè)樣本之間的歐式距離，利用高斯核函數(shù)，確定每?jī)蓚€(gè)樣本之間的初始光譜相似度；

根據(jù)每?jī)蓚€(gè)樣本之間的初始光譜相似度，為每個(gè)樣本選取第三預(yù)設(shè)值個(gè)初始光譜相似度最大的第一最鄰近樣本；

根據(jù)每個(gè)樣本對(duì)應(yīng)的第三預(yù)設(shè)值個(gè)第一最鄰近樣本，生成每個(gè)樣本的鄰近樣本集；

確定每?jī)蓚€(gè)樣本的鄰近樣本集之間的鄰近樣本集相似度；

將每?jī)蓚€(gè)樣本的初始光譜相似度和鄰近樣本集相似度相乘，獲得每?jī)蓚€(gè)樣本的第一最終相似度；

根據(jù)每個(gè)樣本的所述第三預(yù)設(shè)值個(gè)數(shù)值最大的第一最終相似度，獲得所述光譜特征的最鄰近圖的相似度矩陣。

在本發(fā)明一實(shí)施例中，所述圖像特征包括：空間位置特征；

所述相似度矩陣確定單元，用于：

根據(jù)所述高光譜圖像的空間位置特征，確定每個(gè)樣本的空間位置；

根據(jù)每個(gè)樣本的空間位置，確定所述高光譜圖像的每?jī)蓚€(gè)樣本之間的距離；

根據(jù)每?jī)蓚€(gè)樣本之間的距離，利用高斯核函數(shù)，確定每?jī)蓚€(gè)樣本之間的初始空間位置信息相似度；

根據(jù)每?jī)蓚€(gè)樣本之間的初始空間位置信息相似度，為每個(gè)樣本選取第四預(yù)設(shè)值個(gè)初始空間位置信息相似度最大的第二最鄰近樣本；

以樣本的光譜為特征，利用高斯核函數(shù)，確定每個(gè)樣本與其每個(gè)第二最鄰近樣本之間的中間相似度；

將每個(gè)樣本與其每個(gè)第二最鄰近樣本的初始空間位置信息相似度和中間相似度相乘，獲得每個(gè)樣本與其每個(gè)第二最鄰近樣本的第二最終相似度；

根據(jù)每個(gè)樣本與其每個(gè)第二最鄰近樣本的第二最終相似度，獲得所述空間位置特征的最鄰近圖的相似度矩陣。

在本發(fā)明一實(shí)施例中，所述圖像特征包括：紋理特征；

所述相似度矩陣確定單元，用于：

根據(jù)所述高光譜圖像的紋理特征，確定每個(gè)樣本的紋理特征；

根據(jù)每個(gè)樣本的紋理特征，利用高斯核函數(shù)，確定每?jī)蓚€(gè)樣本之間的紋理相似度；

根據(jù)每個(gè)樣本的第五預(yù)設(shè)值個(gè)數(shù)值最大的紋理相似度，獲得所述紋理特征的最鄰近圖的相似度矩陣。

在本發(fā)明一實(shí)施例中，所述圖拉普拉斯矩陣確定單元，用于：

根據(jù)公式三，確定每個(gè)相似度矩陣的圖拉普拉斯矩陣，其中，所述公式三為：

其中，L為所述圖拉普拉斯矩陣，W為所述相似度矩陣，I為單位矩陣，D為對(duì)角矩陣，D的對(duì)角線上的第i個(gè)元素為∑_jW_ij。

上述裝置內(nèi)的各單元之間的信息交互、執(zhí)行過(guò)程等內(nèi)容，由于與本發(fā)明方法實(shí)施例基于同一構(gòu)思，具體內(nèi)容可參見(jiàn)本發(fā)明方法實(shí)施例中的敘述，此處不再贅述。

另外，通過(guò)以下仿真實(shí)驗(yàn)來(lái)評(píng)估本發(fā)明實(shí)施例提供的方案的分類效果：

仿真條件：本發(fā)明實(shí)施例的仿真實(shí)驗(yàn)是在中央處理器為Intel(R)Core i5-4460 3.2GHZ、內(nèi)存16G、WINDOWS 7操作系統(tǒng)上，運(yùn)用MATLAB 2015b軟件進(jìn)行的。

仿真內(nèi)容：本發(fā)明的仿真實(shí)驗(yàn)采用以下Indian Pines數(shù)據(jù)庫(kù)、PaviaU數(shù)據(jù)庫(kù)、SalinasA數(shù)據(jù)庫(kù)。

SalinasA數(shù)據(jù)庫(kù)：該高光譜圖像拍攝于1998年美國(guó)加利福尼亞薩利納斯谷，整體的圖像包含512*217個(gè)像素，空間分辨率為3.7m/像素，我們?nèi)≡搱D像的一個(gè)子集，范圍是原高光譜圖像的[591-678]*[158-240]，一共包含224個(gè)譜帶，去除噪聲譜帶剩下204個(gè)譜帶。

Indian Pines數(shù)據(jù)庫(kù)：該高光譜圖像拍攝于印第安娜西北部，一共145*145個(gè)像素，包含波段從0.4到2.5μm的220個(gè)光譜帶，空間分辨率為20m，去除噪聲譜帶還剩下200個(gè)譜帶。

PaviaU數(shù)據(jù)庫(kù)：該高光譜圖像拍攝于意大利Pavia大學(xué)，數(shù)據(jù)庫(kù)一共610*340個(gè)像素，波段包含0.43到0.86μm的103個(gè)譜帶，具有較高的空間分辨率1.3m/像素。

本仿真實(shí)驗(yàn)的評(píng)測(cè)標(biāo)準(zhǔn)：使用總體分類精度(Overall Accuracy)和Kappa系數(shù)為指標(biāo)對(duì)性能進(jìn)行評(píng)測(cè)，總體分類精度(OA)等于被正確分類的像元總和除以總像元數(shù)。被正確分類的像元數(shù)目沿著混淆矩陣的對(duì)角線分布，總像元數(shù)等于所有真實(shí)參考源的像元總數(shù)，Kappa通過(guò)以下公式計(jì)算：

其中，其中，N為所有真實(shí)參考的像元總數(shù)，x_ii為混淆矩陣對(duì)角線上的個(gè)數(shù)，x_i+為某一類中地表真實(shí)像元總數(shù)，x_+i為該類中被分類像元總數(shù)。對(duì)比實(shí)驗(yàn)結(jié)果如下述的表所示。

表1 SalinasA數(shù)據(jù)庫(kù)上四種方法的總體分類精度比較表

表2 SalinasA數(shù)據(jù)庫(kù)上四種方法的識(shí)別Kappa系數(shù)比較表

表3 Indian Pines數(shù)據(jù)庫(kù)上四種方法的總體分類精度比較表

表4 Indian Pines數(shù)據(jù)庫(kù)上四種方法的識(shí)別Kappa系數(shù)比較表

表5 PaviaU數(shù)據(jù)庫(kù)上四種方法的總體分類精度比較表

表6 PaviaU數(shù)據(jù)庫(kù)上四種方法的識(shí)別Kappa系數(shù)比較表

其中，表1至表6分別表示在SalinasA數(shù)據(jù)庫(kù)、Indian Pines數(shù)據(jù)庫(kù)、PaviaU數(shù)據(jù)庫(kù)上進(jìn)行高光譜圖像分類實(shí)驗(yàn)，表中的SVM表示基于支持矢量機(jī)的高光譜圖像分類的方法，Cross+Stacked表示基于圖的半監(jiān)督高光譜圖像分類方法，GCK+MLR表示基于多特征學(xué)習(xí)的高光譜圖像分類方法，GMMGL表示本發(fā)明實(shí)施例中的一種高光譜圖像分類的方法。

其中，表1至表6分別表示在SalinasA數(shù)據(jù)庫(kù)、Indian Pines數(shù)據(jù)庫(kù)、PaviaU數(shù)據(jù)庫(kù)上進(jìn)行高光譜圖像分類實(shí)驗(yàn)，本發(fā)明實(shí)施例提供的方法的分類準(zhǔn)確率較三個(gè)對(duì)比方法更加接近于1，所以本發(fā)明實(shí)施例提供的方法是四種方法中效果最好的。這是因?yàn)楸景l(fā)明實(shí)施例提供的方法充分考慮了多個(gè)特征，從多方面描述同一個(gè)高光譜圖，最終利用圖模型，將類標(biāo)傳遞給未知類標(biāo)的樣本，所以克服了分類的錯(cuò)誤，由此獲得在識(shí)別準(zhǔn)確率上優(yōu)于其他圖像銳化識(shí)別方法的效果，進(jìn)一步驗(yàn)證了本發(fā)明實(shí)施例提供的方法的先進(jìn)性。

本發(fā)明各個(gè)實(shí)施例至少具有如下有益效果：

1、在本發(fā)明實(shí)施例中，提取高光譜圖像的至少兩個(gè)圖像特征，確定出每個(gè)圖像特征對(duì)應(yīng)的圖拉普拉斯矩陣，在結(jié)合高光譜圖像上的訓(xùn)練樣本的類標(biāo)，得到高光譜圖像的類標(biāo)矩陣，根據(jù)該類標(biāo)矩陣確定出高光譜圖像的每個(gè)樣本的類標(biāo)，本發(fā)明實(shí)施例是基于至少兩個(gè)圖像特征進(jìn)行分類的，提高了分類的準(zhǔn)確性。

2、在本發(fā)明實(shí)施例中，當(dāng)訓(xùn)練樣本的數(shù)量較少時(shí)，可以生成輔助樣本，將輔助樣本作為訓(xùn)練樣本，增加訓(xùn)練樣本的數(shù)量，進(jìn)而通過(guò)更多的訓(xùn)練樣本提高分類的準(zhǔn)確性，取得更好的分類效果，實(shí)現(xiàn)只有少量訓(xùn)練樣本下的高精度分類，降低高光譜圖像分類人為標(biāo)記的困難。

3、在本發(fā)明實(shí)施例中，采用了多特征融合的方式，對(duì)高光譜圖像提取不同的特征，尤其是針對(duì)光譜特征，通過(guò)光譜聚類，得到的光譜塊更具有判別性，與其它多種特征融合，可以從多個(gè)方面對(duì)高光譜圖像描述，使分類更加準(zhǔn)確。

4、在本發(fā)明實(shí)施例中，對(duì)不同的特征建立圖模型，圖模型可以有效的保持?jǐn)?shù)據(jù)間的結(jié)構(gòu)關(guān)系，在多圖學(xué)習(xí)中，最終融合后的圖模型包含了所有的特征提供的信息，在融合的過(guò)程中，通過(guò)計(jì)算圖拉普拉斯矩陣之間的距離，進(jìn)一步量化了不同類型特征的表達(dá)能力的強(qiáng)弱，得到的融合結(jié)果更加合理。

5、在本發(fā)明實(shí)施例中，通過(guò)將高光譜圖像劃分成光譜塊，可以分別從不同的光譜塊來(lái)描述每個(gè)樣本，將每個(gè)光譜塊作為一個(gè)單獨(dú)的光譜特征來(lái)用于分類，光譜塊更具有判別性，可以分別從不同的光譜范圍上對(duì)樣本進(jìn)行分類，使得分類結(jié)果更加準(zhǔn)確。

需要說(shuō)明的是，在本文中，諸如第一和第二之類的關(guān)系術(shù)語(yǔ)僅僅用來(lái)將一個(gè)實(shí)體或者操作與另一個(gè)實(shí)體或操作區(qū)分開(kāi)來(lái)，而不一定要求或者暗示這些實(shí)體或操作之間存在任何這種實(shí)際的關(guān)系或者順序。而且，術(shù)語(yǔ)“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過(guò)程、方法、物品或者設(shè)備不僅包括那些要素，而且還包括沒(méi)有明確列出的其他要素，或者是還包括為這種過(guò)程、方法、物品或者設(shè)備所固有的要素。在沒(méi)有更多限制的情況下，由語(yǔ)句“包括一個(gè)······”限定的要素，并不排除在包括所述要素的過(guò)程、方法、物品或者設(shè)備中還存在另外的相同因素。

本領(lǐng)域普通技術(shù)人員可以理解：實(shí)現(xiàn)上述方法實(shí)施例的全部或部分步驟可以通過(guò)程序指令相關(guān)的硬件來(lái)完成，前述的程序可以存儲(chǔ)在計(jì)算機(jī)可讀取的存儲(chǔ)介質(zhì)中，該程序在執(zhí)行時(shí)，執(zhí)行包括上述方法實(shí)施例的步驟；而前述的存儲(chǔ)介質(zhì)包括：ROM、RAM、磁碟或者光盤(pán)等各種可以存儲(chǔ)程序代碼的介質(zhì)中。

最后需要說(shuō)明的是：以上所述僅為本發(fā)明的較佳實(shí)施例，僅用于說(shuō)明本發(fā)明的技術(shù)方案，并非用于限定本發(fā)明的保護(hù)范圍。凡在本發(fā)明的精神和原則之內(nèi)所做的任何修改、等同替換、改進(jìn)等，均包含在本發(fā)明的保護(hù)范圍內(nèi)。