一種高光譜圖像分類中多中心擬合方法
【技術領域】
[0001] 本發明涉及高光譜圖像處理領域，尤其涉及一種高光譜分類中多中心擬合方法。【背景技術】
[0002] 高光譜成像基于多光譜成像，從紫外到近紅外的光譜范圍內，采用成像光譜儀，在 光譜覆蓋范圍的數十或數百個光譜波段上對目標物體連續成像。在獲得物體空間特征成像 的同時，也獲得被測物體的光譜信息。光譜成像技術具有超多波段、高光譜分辨率、波段窄、 光譜范圍廣和圖譜合一的特點。其優勢在于采集到的圖像信息豐富、識別度較高和數據描 述模型多。因其在探測領域的卓越性能，已被廣泛應用于實際中。
[0003] 近年來，隨著高光譜成像技術的廣泛應用，高光譜圖像分析處理技術得到迅速發 展。因此，高光譜分類問題備受關注。高光譜圖像本身存在缺陷，比如維數過高，數據冗余 度大，混合像元等，嚴重阻礙了高光譜技術的發展。其中，混合像元是由于高光譜成像時單 個像素點對應較大的實際空間區域，而此區域內并不僅僅存在一種物質，因此，此像素點記 錄的信息是本區域內全部目標信息的疊加。混合像元的存在嚴重影響遙感的分類精度。另 一方面，高光譜圖像有監督分類的參考樣本選擇非常有限，一般是從已知的高光譜圖像區 域中選取，這樣處理的訓練數據存在較高的光譜混合。高光譜分類中的經典算法，如光譜角 匹配（SAM)、k_最近鄰（KNN)等，都需要對訓練集合進行擬合，由于混合像元的存在，單個類 別內的樣本均值中心會出現欠擬合現象，表現為單個中心對整體訓練集合擬合程度低，直 接導致分類準確率低。
【發明內容】
[0004] 為解決現有技術存在的不足，本發明公開了一種高光譜圖像分類中多中心擬合方 法，針對小樣本學習分類以及混合像元問題，通過條件約束進行分裂，得到同一類別多個擬 合中心，實現多中心全局擬合的同時，有效的提高整個分類系統的分類精度。
[0005] 為實現上述目的，本發明的具體方案如下：
[0006] 一種高光譜圖像分類中多中心擬合方法，包括以下步驟：
[0007] 步驟（1):隨機選擇已知類別的標簽的樣本，構建訓練樣本集合X和標簽矩陣y;
[0008] 步驟（2):初始化控制參數：設置每類樣本的最大分裂數K，偏差分裂閾值Ot，以 及分裂后類內最小樣本數Nniin;
[0009] 步驟（3):計算各類擬合中心cdP各類平均偏差;
[0010] 步驟（4):分裂決策，如果類別內平均偏差&大于設置的偏差分裂閾值〇t，則需 要對此類別進行分裂，采用k均值聚類方法得到分裂后的多個子類，分別標記為不同的標 簽，否則，分裂結束；
[0011] 步驟（5):分裂有效性評估，比較步驟⑷分裂的子類內樣本數與分裂后類內最小 樣本數Nniin的大小，如果兩個子類內樣本數都大于分裂后類內最小樣本數Nniin，則分裂有效， 對子類重復步驟（3)~（5)，直到類別收斂；如果子類內樣本數有一個小于分裂后類內最小 樣本數Nmin，則說明此類別已收斂，分裂結束，分裂結束后，得到一組分裂后的子類；
[0012] 步驟（6):計算分裂后各子類的擬合中心Cij，i= 1，2, ...，C，C是類別數，j是第 i類別分裂的子類個數。
[0013] 所述步驟（1)構建訓練樣本集合X和標簽矩陣y的具體方法為：
[0014] 采用bootstrap采樣方法隨機抽取訓練樣本，即對特定的類i，iG[1，2, ???，C]， C表示類別數，進行隨機有放回的采樣，得到訓練樣本集合木=[%心，y/a ]和標簽矩陣 )'/ =[>',」…，.Fa];
[0015] 其中，％eR/xjVs^表示類別i內第j個樣本，1是特征數，yij =i，i= 1，2,…，C， j= 1，2, ...Ni,隊表示類別i內的樣本總數，R是實數集。
[0016] 所述步驟（3)計算各類擬合中心Ci的具體方法為：
[0017] 各類擬合中心的計算方法為計算類內所有樣本的均值，如下式所示：
【主權項】
1. 一種高光譜圖像分類中多中屯、擬合方法，其特征是，包括w下步驟： 步驟（1);隨機選擇已知類別的標簽的樣本，構建訓練樣本集合X和標簽矩陣y; 步驟（2);初始化控制參數；設置每類樣本的最大分裂數K，偏差分裂闊值〇t，W及分 裂后類內最小樣本數Nmi。； 步驟（3);計算各類擬合中屯、Ci和各類平均偏差品； 步驟（4);分裂決策，如果類別內平均偏差品大于設置的偏差分裂闊值0。則需要對 此類別進行分裂，采用k均值聚類方法得到分裂后的多個子類，分別標記為不同的標簽，否 貝1J，分裂結束； 步驟巧）：分裂有效性評估，比較步驟（4)分裂的子類內樣本數與分裂后類內最小樣本 數Nmi。的大小，如果兩個子類內樣本數都大于分裂后類內最小樣本數Nmi。，則分裂有效，對子 類重復步驟（3)~巧），直到類別收斂；如果子類內樣本數有一個小于分裂后類內最小樣本 數Nmi。，則說明此類別已收斂，分裂結束，分裂結束后，得到一組分裂后的子類； 步驟做；計算分裂后各子類的擬合中屯、C。，i= 1，2,. . .，C，C是類別數，j是第類別i分裂的子類個數。
2. 如權利要求1所述的一種高光譜圖像分類中多中屯、擬合方法，其特征是，所述步驟 (1)構建訓練樣本集合X和標簽矩陣y的具體方法為： 采用bootstrap采樣方法隨機抽取訓練樣本，即對特定的類i，iG[1, 2,C]，C 表示類別數，進行隨機有放回的采樣，得到訓練樣本集合…，而V,]和標簽矩陣 乂 =[乂| 乂2，...，>，/、,]; 其中，而E，Xy表示類別i內第j個樣本，1是特征數，y。=i，i= 1，2, . . .，C，j =1，2,...Ni，Ni表示類別i內的樣本總數，故是實數集。
3. 如權利要求1所述的一種高光譜圖像分類中多中屯、擬合方法，其特征是，所述步驟 (3)計算各類擬合中屯、Ci的具體方法為； 各類擬合中屯、的計算方法為計算類內所有樣本的均值，如下式所示：
1) 其中，Ci為類別i的類中屯、，eIRkw'，xy表示類別i內第j個樣本，Ni表示類別i內 的樣本總數，i= 1，2,. . .，C，C是類別數。
4. 如權利要求1或3所述的一種高光譜圖像分類中多中屯、擬合方法，其特征是，各類平 均偏差占的計算方式如下：
其中，。J表示類別i內第j個樣本X。與類中屯、Ci的標準差，j=l，2，...，Ni，N康示 類別i內的樣本總數，品表示類別i的平均偏差，i= 1，2,...，C，C是類別數。
5. 如權利要求1所述的一種高光譜圖像分類中多中屯、擬合方法，其特征是，所述步驟 (4) 分裂決策的方法為： 步驟（4-1);比較步驟做中類別i的平均偏差品與步驟似中偏差分裂闊值0。如 果三,>〇;且當前分裂次數小于最大分裂數K，則需要對此進行類別內二分裂；否則，說明此 類別已收斂，停止分裂過程； 步驟（4-2);類別內二分裂的方法為k均值聚類，k= 2,對類別i內的所有樣本進行二 分類聚類，將類別i分裂成兩個子類，并分別賦予不同的類別標簽，記為(；ubl，C,ub2。
6. 如權利要求5所述的一種高光譜圖像分類中多中屯、擬合方法，其特征是，所述步驟 (4-2)k均值聚類方法為： 步驟（4-2-1);對類別i，隨機選取類別i內任意兩個樣本作為初始的聚類中屯、，記為y。1^2，1^1對應子類C日uM，42對應子類C日血2; 步驟（4-2-2);對任意樣本Xu,j= 1，2, ...，Ni，分別計算Xu與步驟（4-2-1)中兩個初 始聚類中屯、Ui，y2的歐式距離的平方：
di表示Xu到聚類中屯、y1的歐式距離的平方，d2表示Xu到聚類中屯、y2的歐式距離 的平方； 如果di《d2,則樣本Xy屬于子類C日ubl，反之樣本Xij屬于子類C日ub2; 步驟（4-2-3);更新聚類中屯、y。^2,方式如下：
Nsubl表示子類C,ubl內的樣本數，N,ub2表示子類C,ub2內的樣本數，^^€胺^為一個樣本，1 是特征數； 步驟（4-2-4);重復步驟（4-2-2)和步驟（4-2-3)直到收斂，得到兩個子類C,ubi，(；ub2。
7. 如權利要求1所述的一種高光譜圖像分類中多中屯、擬合方法，其特征是，所述步驟 (5) 分裂有效評估的方法為： 比較步驟（4)中子類C,ubi，C；ub2內樣本個數與分裂后類內最小樣本數Nmi。的大小，如果 兩個子類內樣本數都大于分裂后類內最小樣本數Nmi。，則分裂有效，對步驟（4)內的兩個子 類C,ubi，C；ub2重復步驟（3)~（5)直到收斂，如果子類內樣本數有一個小于分裂后類內最小 樣本數Nmi。或者達到最大分裂次數K，則說明此類別已收斂，分裂結束。分裂結束后，得到一 組分裂后的子類。
8. 如權利要求1所述的一種高光譜圖像分類中多中屯、擬合方法，其特征是，所述步驟 (6) 計算分裂后各子類的擬合中屯、cu，i= 1，2,. . .，C，C是類別數，j是第i類別分裂的子 類個數，各子類的擬合中屯、的計算方法為計算各子類內所有樣本的均值。
【專利摘要】本發明公開了一種高光譜圖像分類中多中心擬合方法，包括：隨機選擇已知類別的標簽的樣本，構建訓練樣本集合X和標簽矩陣y；初始化控制參數：設置每類樣本的最大分裂數K，偏差分裂閾值σt，以及分裂后類內最小樣本數Nmin；計算各類擬合中心ci和各類平均偏差分裂決策；分裂有效性評估，比較分裂的子類內樣本數與分裂后類內最小樣本數Nmin的大小，如果兩個子類內樣本數都大于分裂后類內最小樣本數Nmin，則分裂有效，直到類別收斂；如果子類內樣本數有一個小于分裂后類內最小樣本數Nmin，則說明此類別已收斂，分裂結束。本發明針對高光譜分類中混合像元問題，能在多維特征空間中更準確的劃分決策區域。
【IPC分類】G06K9-62
【公開號】CN104794497
【申請號】CN201510227125
【發明人】劉治, 唐波, 肖曉燕, 鄭成云, 李曉梅, 聶明鈺
【申請人】山東大學
【公開日】2015年7月22日
【申請日】2015年5月6日