基于相關向量機的高光譜影像模糊分類方法及裝置制造方法
【專利摘要】本發(fā)明公開了一種基于相關相量機的高光譜影像模糊分類方法及裝置，其中方法包括以下步驟：確定訓練樣本集，利用稀疏貝葉斯分類模型，選擇核函數(shù)，建立相關向量機分類預測模型；針對所述訓練樣本集，采用一對一法構造多類相關相量機分類器，通過交叉驗證優(yōu)化分類器參數(shù)；利用所述多類相關向量機分類器對高光譜影像進行模糊分類。本發(fā)明提出的基于相關向量機（RVM）的高光譜影像模糊分類方法中，采用序列稀疏貝葉斯學習算法提高RVM訓練速度，針對一對一法構造的多類RVM分類器，將兩兩配對的概率輸出轉化為相對于地物類別的隸屬度。與SVM比較，RVM參數(shù)選擇簡單、分類速度快；利用模糊隸屬度能夠標識混合像元，有效提高影像分類的可靠性。
【專利說明】基于相關向量機的高光譜影像模糊分類方法及裝置
【技術領域】
[0001]本發(fā)明涉及高光譜遙感【技術領域】，尤其涉及一種基于相關相量機(RVM)的高光譜影像模糊分類方法及裝置。
【背景技術】
[0002]高光譜影像具有豐富的地物光譜信息，與全色、多光譜影像相比，在地物識別方面具有巨大的優(yōu)勢。高光譜影像記錄的光譜范圍寬、光譜分辨率高，能夠獲取地物精細的光譜曲線，從中能夠很好地提取目標的輻射特性參量，使地表目標的定量分析成為可能。高光譜遙感已經成為植被調查、海洋遙感、農業(yè)遙感、環(huán)境監(jiān)測、軍事情報獲取等領域新的重要技術手段。
[0003]高光譜遙感成像機理復雜,成像光譜儀定標、大氣福射校正、地物光譜重建等預處理技術尚未完善。地物光譜曲線的近乎連續(xù)，也導致高光譜影像數(shù)據量大、波段相關性強、數(shù)據冗余嚴重。在不同季節(jié)、不同時刻、不同環(huán)境下，同類地物的光譜曲線也會有所不同。高光譜影像分類識別要解決是高維特征空間海量數(shù)據的非線性可分問題。因此，高光譜影像給地物精細分類識別帶來了巨大機遇，也給傳統(tǒng)影像分類方法帶來了挑戰(zhàn)。
[0004]高光譜影像地物識別有一類研究方法是基于對光譜曲線的分析。基于地物光譜庫的光譜匹配分類方法原理直觀、計算簡單，但前提是必須對高光譜影像進行準確的地物光譜重建，否則將會嚴重影響地物分類的精度。由于高光譜影像的空間分辨率較低，混合像元大量存在，混合像元分解中端元光譜的選擇、解混模型的建立和求解都是有待解決的問題。
[0005]高光譜影像地 物識別另一類研究方法是進行模式分類。傳統(tǒng)統(tǒng)計模式識別方法，例如貝葉斯分類、神經網絡等，大多是基于經典統(tǒng)計理論的大數(shù)定理，泛化能力需要以樣本數(shù)量趨近無窮大來描述，對于有限訓練樣本集的高光譜影像分類時，會遇到“維數(shù)災難”現(xiàn)象。高光譜影像降維通常采用線性特征提取方法，這也可能會降低樣本的可分性。模糊分類是針對不確定性的“軟”分類器，是高光譜影像分類的一個重要趨勢，它以模糊集合論作為基礎，有別于普通集合論中地物歸屬的絕對化，在分析地物的隸屬關系時，一般需要按照某種數(shù)學模型計算它對于所有地物類別的隸屬度，然后根據隸屬度的大小，確定其歸屬。
[0006]目前，許多學者對基于支持向量機(Support Vector Machine, SVM)的高光譜影像分類進行了研究。SVM基于統(tǒng)計學習理論的結構風險最小化原則，通過最小化經驗風險和置信范圍提高算法的泛化能力。SVM的數(shù)學模型表示為
N
[0007]j(x; w) = V.H； χ.Xz.) + m(I)
/=I
[0008]核函數(shù)K(x, X1)是定義在訓練樣本點的基函數(shù)，N為基函數(shù)個數(shù)，W0為參數(shù)。
[0009]SVM能夠有效避免過學習現(xiàn)象，具有良好的泛化能力，但它存在著明顯的不足，主要表現(xiàn)在:①基函數(shù)個數(shù)基本上隨訓練樣本集規(guī)模成線性增長，模型稀疏性有限；②預測結果不具有統(tǒng)計意義，無法獲取預測結果的不確定性；③核函數(shù)參數(shù)和規(guī)則化系數(shù)需要通過交叉驗證等方法確定，增加了模型訓練的計算量；④核函數(shù)必須滿足Mercer條件。[0010]核方法在SVM中得到成功應用以后，人們開始利用核函數(shù)將經典的線性分析方法推廣到一般情況的研究，被成為繼經典統(tǒng)計線性分析、神經網絡與決策樹非線性分析之后的第三次模式分析方法的變革。支持向量機、稀疏核主成份分析等也引起了人們研究“稀疏”學習模型的興趣。
[0011]稀疏學習模型具有的一般形式為:
[0012]
【權利要求】
1.一種基于相關相量機的高光譜影像模糊分類方法，其特征在于，包括: 確定訓練樣本集，利用稀疏貝葉斯分類模型，選擇核函數(shù)，建立相關向量機分類預測模型； 針對所述訓練樣本集，采用一對一法構造多類相關相量機分類器，通過交叉驗證優(yōu)化分類器參數(shù)； 利用所述多類相關向量機分類器對高光譜影像進行模糊分類。
2.根據權利要求1所述的方法，其特征在于，所述利用稀疏貝葉斯分類模型選擇核函數(shù)包括: 根據拉普拉斯逼近方法推斷模型參數(shù)； 利用快速學習算法選擇基函數(shù)； 選擇核函數(shù)及參數(shù)。
3.根據權利要求2所述的方法，其特征在于，所述模型參數(shù)推斷過程為: 首先初始化超參數(shù)向量；對于給定的向量，建立后驗概率分布的高斯近似，從而獲取邊緣似然函數(shù)的近似分布；通過最大化邊緣似然函數(shù)來重新估計向量；重復這個過程直到收斂。
4.根據權利要求2所述的方法，其特征在于，所述基函數(shù)的選擇過程為: 初始化選擇I個基函數(shù)?\，并估計相應權值W1 ； 設置基函數(shù)的超參數(shù)為合理數(shù)值，使其它所有超參數(shù)a]為無窮大，即模型中只有基函數(shù); 計算均值μ和方差Σ，同時計算出所有基函數(shù)對應的Qi和Si ； 選擇候選的基函數(shù)fi。
5.根據權利要求2所述的方法，其特征在于，所述核函數(shù)選擇過程為: 首先收集和整理樣本，并將樣本特征的數(shù)值范圍進行標準化；然后選擇或構造核函數(shù)，并利用核函數(shù)將樣本變換成為核矩陣，在特征空間中對核矩陣實施線性算法；最終得到輸入空間中的非線性模型。
6.根據權利要求1所述的方法，其特征在于，采用一對一法構造多類相關相量機分類器包括: 在訓練樣本集T中找出所有不同類別兩兩配對組成兩類相關相量機分類器，總共有p=k(k-1) /2個，用屬于這兩個類別的訓練樣本組成兩類問題的訓練樣本集T (i, j)，然后求解兩類問題，分別求得P個判別函數(shù)(χ)； 分類時，將輸入樣本X分別送到P個判別函數(shù)f(i」.)(χ)，若f(i j (χ) =+1，判χ為i類，i類獲得一票，否則判為j類，j類獲得統(tǒng)計一票； k個類別在P個判別函數(shù)結果中的得票數(shù)，票數(shù)最多的類別就是最終判定類別。
7.根據權利要求6所述的方法，其特征在于，在構造多類相關相量機分類器之后還包括: 將兩兩配對后驗概率轉化為屬于各類的模糊隸屬度，進行地物屬性的判別。
8.一種基于相關相量機的高光譜影像模糊分類裝置，其特征在于，包括: 建模單元，用于確定訓練樣本集，利用稀疏貝葉斯分類模型，選擇核函數(shù)并建立相關向量機分類預測模型；分類器構造單元，用于針對所述訓練樣本集，采用一對一法構造多類相關相量機分類器，通過交叉驗證優(yōu)化分類器參數(shù)； 分類執(zhí)行單元，用于利用所述多類相關向量機分類器對高光譜影像進行模糊分類。
9.根據權利要求8所述的裝置，其特征在于，所述建模單元進一步包括: 模型參數(shù)推斷子單元，用于根據拉普拉斯逼近方法推斷模型參數(shù)； 基函數(shù)選擇子單元，用于利用快速學習算法選擇基函數(shù)； 核函數(shù)選擇子單元，用于選擇核函數(shù)及參數(shù)。
10.根據權利要求8所述的裝置，其特征在于，還包括: 模糊隸屬度求解單元，用于將兩兩配對后驗概率轉化為屬于各類的模糊隸屬度，進行地物屬性的 判別。
【文檔編號】G06K9/62GK103440493SQ201310060938
【公開日】2013年12月11日 申請日期:2013年2月27日 優(yōu)先權日:2013年2月27日
【發(fā)明者】楊國鵬, 王晶, 龐怡杰, 陳濤, 余旭初, 周欣 申請人:中國人民解放軍空軍裝備研究院偵察情報裝備研究所