本發(fā)明涉及一種算法用于解決高光譜圖像分類問題，特別涉及一種通過利用高光譜圖像的光譜信息和空間信息來進行高光譜圖像的分類。

背景技術(shù)：

高光譜圖像分類問題一直是作為高光譜圖像的基礎(chǔ)研究，它一直是高光譜圖像重要的信息獲取手段，高光譜圖像分類的主要目標是根據(jù)待測地物的空間的光譜信息和空間將圖像中的每個像素劃分為不同的類別。對于高光譜圖像而言，它的每個像素點有許許多多的光帶，并且高光譜圖像的標簽的樣本有限。因此在有限的樣本和每個像素點有著很高維度的光譜分辨率的情況下進行高光譜圖像分類，這給高光譜圖像分類算法提出了非常嚴峻的挑戰(zhàn)。目前有許許多多的算法用于解決高光譜圖像分類問題，比如支持向量機，k近鄰法，奇異譜分析，主成分分析法和利用光譜信息和空間信息進行高光譜圖像分類等等，雖然這些算法都取得了比較好的效果，然而在高光譜圖像分類問題上還是存在許許多多的挑戰(zhàn)，比如高光譜的每個像素點的數(shù)據(jù)結(jié)構(gòu)非常復雜，數(shù)據(jù)維度非常大，在有限的樣本情況下實現(xiàn)高精度的分類和在時間耗費比較少的時間要尋找最優(yōu)的參數(shù)顯的非常困難，所以既要實現(xiàn)高精度的分類又要減少時間的消耗是一個很大的挑戰(zhàn)，因此，我們提出在有限的訓練樣本的情況下，我們提出了一種新的算法，這種算法結(jié)合高光譜數(shù)據(jù)的光譜信息和空間信息進行高光譜圖像的分類，也就是利用超限學習機和置信度傳播進行高光譜圖像分類。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的缺點與不足，提供一種既能提高高光譜圖像的分類精度，又能保持比較少的時間的耗費尋找最優(yōu)的參數(shù)的算法，并且本發(fā)明不僅利用高光譜數(shù)據(jù)的光譜信息，又利用它的空間信息進行高精度的分類。

作為一個單隱層的前饋型神經(jīng)網(wǎng)絡(luò)，超限學習機由于以下優(yōu)點獲得了廣泛的關(guān)注：(1)它相對于支持向量機和其他目前的算法而言有著非常簡單的結(jié)構(gòu)和良好的推廣性能。(2)它有著非常高的計算效率可以大大的減少計算代價。(3)一旦網(wǎng)絡(luò)結(jié)構(gòu)被確定以后并不需要調(diào)節(jié)額外的參數(shù)。(4)許許多多的分段連續(xù)函數(shù)可以作為其隱藏節(jié)點的激活函數(shù)，比如徑向基函數(shù)，正弦函數(shù)，sigmoid函數(shù)等等。雖然超限學習機有著這么多的優(yōu)點，但是它還是有一些缺點，比如分類精度并不太高，因此，既要維持比較高的分類精度又要維持快速的分類速度對于高光譜圖像分類而言仍然是一個非常大的挑戰(zhàn)。

超限學習機的分類精度之所以那么低，主要原因是它在僅僅利用了高光譜數(shù)據(jù)的光譜信息，而沒有利用高光譜圖像的本身具有的空間信息，因此這對高光譜數(shù)據(jù)本身可以利用的有限的資源是巨大的浪費。

置信度傳播是一種利用樣本空間的信息的迭代算法，如果一個標簽樣本屬于一類，那么它的相鄰樣本屬于這一類的概率就比較大，置信度傳播就是利用這種原理，很好的利用空間信息進行分類。

為了很好的利用高光譜數(shù)據(jù)的光譜信息和空間信息，我們提出了組合超限學習機和置信度傳播的算法進行高光譜圖像的分類。

本發(fā)明的目的通過下述技術(shù)方案實現(xiàn)的：

步驟一：首先對于高光譜數(shù)據(jù)，為了方便性,我們對其進行歸一化，讓高光譜數(shù)據(jù)集的取值范圍在0到1之間：

其中xij表示高光譜數(shù)據(jù)集中的一個數(shù)據(jù)，max()表示高光譜數(shù)據(jù)集中最大的那個數(shù)據(jù)。歸一化以后，我們就可以進行第二個步驟。

步驟二：高光譜數(shù)據(jù)它的每個像素點有著許許多多的光譜特征，因此可以把高光譜數(shù)據(jù)的每個像素點看成是一個二維的曲線。在高光譜數(shù)據(jù)進行歸一化以后，抽取訓練樣本，然后將訓練樣本作為超限學習機的輸入對超限學習機進行訓練，訓練完以后保存超限學習機的參數(shù)。

步驟三：訓練完超限學習機以后將所有的高光譜數(shù)據(jù)的樣本作為超限學習機的輸入進行分類。

步驟四：在超限學習機分類完以后，超限學習機會有一個輸出矩陣，將此矩陣作為置信度傳播的輸入，由置信度傳播利用訓練樣本和高光譜數(shù)據(jù)的空間信息進行進一步的分類。這樣既利用了高光譜圖像的光譜信息，又利用了高光譜圖像的空間信息，在維持算法的高速性時，又能大大的提升高光譜圖像的分類精度。

本發(fā)明相對于現(xiàn)有技術(shù)具有如下的優(yōu)點及效果：

本發(fā)明對于現(xiàn)有技術(shù)而言，這是首次利用超限學習機把高光譜的數(shù)據(jù)集的像素點的光譜特特征進行分類，然后把超限學習機分類后的結(jié)果作為置信度傳播的輸入，利用高光譜數(shù)據(jù)本身的空間信息進行分類。

本發(fā)明不僅維持了算法的高速性，而且提升了高光譜數(shù)據(jù)集的分類精度。

本發(fā)明相對現(xiàn)有技術(shù)而言，不僅利用了高光譜圖像的光譜信息，還利用了高光譜數(shù)據(jù)集的空間信息，實現(xiàn)高光譜圖像的高精度的分類。

附圖說明

圖1是超限學習機的原理；

圖2是馬爾科夫隨機場的圖例；

圖3置信度傳播的原理表示；

圖4本發(fā)明的完整原理方框圖。

具體實施方式

下面結(jié)合實施例及附圖對本發(fā)明作進一步詳細的描述，但本發(fā)明的實施方式不限于此。

具體實施方式：

步驟一：假定x≡(x1,x2,…,xn)∈r^n×l為高光譜數(shù)據(jù)集中的像素點，高光譜數(shù)據(jù)集有n個像素點，每個像素點有l(wèi)個光譜特征，歸一化是將高光譜數(shù)據(jù)集中的所有數(shù)據(jù)的數(shù)值范圍保持在[0,1]之間，既以下公式：

其中xij表示高光譜數(shù)據(jù)集中的一個數(shù)據(jù)，max()表示高光譜數(shù)據(jù)集中最大的那個數(shù)據(jù)。

步驟二：在高光譜數(shù)據(jù)集進行歸一化以后那么接下來就可以利用超限學習機對歸一化后的高光譜數(shù)據(jù)集的像素點的光譜特征進行分類。

訓練樣本的抽?。?/p>

首先將歸一化的高光譜數(shù)據(jù)集中的每一類樣本隨機抽取一部分(每一類可以抽取百分之五，或者百分之十，百分之十五等等都可以)，抽取好之后將這些樣本放進超限學習機利用光譜特征進行分類。

訓練超限學習機：

在訓練樣本抽取完以后，如圖1所示，超限學習機它有三層，首先隨機產(chǎn)生隱層節(jié)點的權(quán)重ai和偏置bi，用這些抽取的訓練樣本作為輸入，那么隱層矩陣可以由下式所得：

其中g(shù)為激活函數(shù)。

隱層矩陣形成后接下里就可以計算輸出矩陣：

其中表示偽逆。

超限學習機訓練完以后，保存超限學習機的參數(shù)。

步驟三：利用超限學習機進行分類：

在超限學習機訓練完以后，將歸一化高光譜數(shù)據(jù)集的所有像素點作為超限學習機的輸入進行分類。

步驟四：在超限學習機利用高光譜數(shù)據(jù)的光譜特征分類完以后，超限學習機會有一份輸出矩陣，把這個矩陣作為置信度傳播的輸入。

假定xi表示給定的輸入，yi表示所期望的輸出，那么在給定的輸入情況下通過最大化后驗概率來估計所輸出的結(jié)果：

如圖2所示，置信度傳播算法利用結(jié)點與結(jié)點之間相互傳遞信息而更新當前整個馬爾科夫隨機場的標記狀態(tài)，是基于mrf的一種近似計算。置信度傳播利用空間信息進行分類就是通過最大化后驗概率。ψij(yi,yj)＝p((yi,yj)表示相互作用勢，也就是說如果相鄰的樣本不屬于同一類進行的懲罰(這是一個概率值)。表示在給定的輸入xi的情況下為yi的概率。

如圖3所示，在第t次迭代過程中，從第i個節(jié)點傳遞到它相鄰的節(jié)點j處的信息可由下式表示：

假定表示在第t次迭代過程中節(jié)點i的置信度，那么

那么最終節(jié)點i最終的后驗概率的解為

因此所有的高光譜數(shù)據(jù)集最后被分類，此方法不僅大大本發(fā)明不僅維持了算法的高速性，而且提升了高光譜數(shù)據(jù)集的分類精度。本發(fā)明相對現(xiàn)有技術(shù)而言，不僅利用了高光譜圖像的光譜信息，還利用了高光譜數(shù)據(jù)集的空間信息，實現(xiàn)高光譜圖像的高精度的分類。

如圖4所示，此即為本發(fā)明的完整框架。上述實施例為本發(fā)明較佳的實施方式，但本發(fā)明的實施方式并不受上述實施例的限制，其他的任何未背離本發(fā)明的精神實質(zhì)與原理下所作的改變、修飾、替代、組合、簡化，均應(yīng)為等效的置換方式，都包含在本發(fā)明的保護范圍之內(nèi)。