本發(fā)明涉及遙感圖像處理領域，尤其涉及基于張量稀疏表示及聚類的基于張量稀疏表示及聚類的多光譜遙感圖像分類方法。

背景技術：

近年來，隨著電子波譜理論、測量技術及計算機技術的飛速發(fā)展，多光譜遙感技術得到了飛速的發(fā)展，人們所獲取的多光譜遙感圖像質量越來越高，所需存儲器容量越來越大，對多光譜遙感數(shù)據進行分析，可以發(fā)現(xiàn)非常豐富的光譜信息和地物細節(jié)。目前，多光譜遙感數(shù)據已成為資源勘探、環(huán)境調查、災害分析、農業(yè)普查等領域的重要數(shù)據源。

由于多光譜遙感圖像由一些能夠反映地物特征的像素組成，每個象素代表著某一個地表地物的幾十個甚至數(shù)百個個波段的太陽能輻射水平，可以表示為向量空間的一部分，由于多光譜傳感器的局限性，在獲取信號的過程中會忽略信號的空間及光譜的相關性，從而造成向量空間的冗余甚至維數(shù)災難。近年來提出很多降維的方法。通過稀疏表示，將多光譜遙感圖像進行降維是一種近年來出現(xiàn)的非常有效的方法。

通過對遙感圖像進行分類，可以快速識別分類地物，為國家決策、農業(yè)病蟲害分析、滑坡治理、土地執(zhí)法、測繪制圖、資源環(huán)境、交通建設、軍事解譯、國家安全和大眾服務等，對高分辨率遙感圖像的分類已成為當前經濟建設和社會發(fā)展不可或缺的重要手段。

技術實現(xiàn)要素：

本發(fā)明要解決的技術問題是：提供一種基于張量稀疏表示及聚類的基于張量稀疏表示及聚類的多光譜遙感圖像分類方法，提高多光譜遙感圖像總體分類精度和kappa系數(shù)。

為解決上述問題，本發(fā)明采用的技術方案是：基于張量稀疏表示及聚類的基于張量稀疏表示及聚類的多光譜遙感圖像分類方法，包括步驟：

利用聚類算法將多光譜遙感圖像劃分為不同的組；

將各組中的多光譜圖像由三維形式轉化為二維的矩陣；

對所述二維的矩陣進行字典學習，獲得能夠用于各組多光譜遙感圖像進行稀疏表示的字典、稀疏表示系數(shù)、每一種地物的標記；

對獲得的稀疏表示系數(shù)及標記進行訓練，獲得最優(yōu)的分類器；

對多光譜遙感圖像的像素，根據其稀疏表示系數(shù)，利用獲得的分類器，對其進行分類，并標記每一類地物。

進一步的，通過kiers張量水平展開方法將多光譜圖像由三維形式轉化為二維的矩陣。

進一步的，利用線性svm算法對稀疏表示系數(shù)及標記進行訓練，獲得最優(yōu)的分類器。

本發(fā)明的有益效果是：本發(fā)明通過對多光譜遙感圖像進行聚類，字典學習獲得一系列的原子，利用這些原子的線性組合實現(xiàn)了對多光譜遙感圖像的表示，利用支持向量機(svm)算法實現(xiàn)了對多光譜遙感圖像的分類，該方法在分類精度和kappa系數(shù)上相對于目前常見的多光譜分類方法有顯著的提高，并極大的提高了分類的時間。

附圖說明

圖1本發(fā)明聚類示意圖；

圖2本發(fā)明將多光譜圖像由三維形式轉化為二維的矩陣示意圖。

具體實施方式

實施例提供一種基于張量稀疏表示及聚類的多光譜遙感圖像分類方法，工作過程如下：

1.輸入多光譜遙感圖像，如圖1所示，利用聚類對根據多光譜遙感圖像波段之間的關系，利用聚類算法將多光譜遙感圖像劃分為不同的組，屬于同一像素組的像素可以認為是同一種物質，則可以學習得到一組通用的字典原子集，這樣屬于同一個像素組的像素稀疏表示就不再獨立，大大提高了后續(xù)分類的精度，縮短分類的時間。

稀疏表示的目標函數(shù)為：

其中和的列向量分別表示對光譜采樣的稀疏表示系數(shù)及光譜稀疏表示后的殘余。

2.如圖2所示，通過kiers張量水平展開方法將各組中的多光譜圖像由三維形式轉化為二維的矩陣。

3.對多光譜圖像數(shù)據(即步驟2轉化的二維的矩陣)進行字典學習，獲得能夠用于各組多光譜遙感圖像進行稀疏表示的字典、稀疏表示系數(shù)、每一種地物的標記。

為了學習得到字典和其稀疏表示形式，本發(fā)明采用了凸聯(lián)合稀疏及規(guī)范化，

其中第i組的歸一化參數(shù)，第y行的為范數(shù)，通過估計γh每一行的范數(shù)。其中x＝[x1,…xn],y＝[y1,…yn]，且||·||f表示矩陣的frobenius范數(shù)，第2部分為稀疏懲罰函數(shù)，表示正則化約束參數(shù),s(y)在處理中用稀疏表示，本發(fā)明中采用最小化問題進行求解，即

通過字典學習求解字典d和稀疏表示系數(shù)y，實施例通過兩步進行求解：

第一步：稀疏編碼。在這一步，通過固定d，本發(fā)明的特征為對y的最優(yōu)化問題，能獨立的求解每一個yi，即：

第二步：字典更新。在這一步，主要實現(xiàn)字典的更新，因此需滿足y是確定的，因此最優(yōu)化問題轉化

按照獲得的估計更新γh，目標函數(shù)表示為：

式獲得：yh＝λd^t(dλd^t+γhi)xh

4.利用線性支持向量機(svm)算法對稀疏表示系數(shù)及標記進行訓練，獲得最優(yōu)的分類器。

5.對多光譜遙感圖像的像素，根據其稀疏表示系數(shù)，利用獲得的分類器，對其進行分類，并標記每一類地物，最終完成分類。

為了對發(fā)明的性能進行測試和評估，實施例對2組多光譜遙感圖像進行了實驗，與基本的支持向量機分類，字典學習后進行分類及基于張量稀疏表示后進行分類的方法進行了比較，實驗中采用了四種指標進行評價，分別為總精度(overallaccuracy,oa)，平均精度(averageaccuracy,aa)及kappa系數(shù)及運行時間，空下表為具體的分類指標。

(1)實驗1

實驗1對1992年6月美國印第安納州西北部的由aviris獲取的indianpines實驗區(qū)圖像進行了實驗，該遙感圖像的大小為：145pixel×145pixel，包含220個波段，其分類的總精度(oa)和平均精度(aa)及kappa系數(shù)的對比如表1所示:

表1

(1)實驗2

本實驗選取了由rosis傳感器在2003年獲取的城市遙感圖像paviacenter的數(shù)據，該傳感器的分辨率達到了1.3m/pixel,具有從0.43μm～0.86μm的115個波段，該區(qū)域的真實地物為9類。其分類的總精度(oa)和平均精度(aa)及kappa系數(shù)的對比如表2所示：

表2

通過分析表1和表2可以得出，基于張量稀疏表示后進行分類的方法的總精度，平均精度及kappa系數(shù)有明顯的提高。

需要指出的是，上面所述只是說明本發(fā)明的一些原理，由于對相同技術領域的普通技術人員來說是很容易在此基礎上進行若干修改和改動的。因此，本說明書并非是要將本發(fā)明局限在所示和所述的具體結構和適用范圍內，故凡是所有可能被利用的相應修改以及等同物，均屬于本發(fā)明所申請的專利范圍。