(19)中华人民共和国国家知识产权局
(12)发明专利说明书
(10)申请公布号 CN 107563442 A
(43)申请公布日 2018.01.09
(21)申请号 CN201710781810.9
(22)申请日 2017.09.02
(71)申请人 西安电子科技大学
    地址 710071 陕西省西安市雁塔区太白南路2号
(72)发明人 张向荣 焦李成 韩亚茹 冯婕 侯彪 李阳阳 马文萍 马晶晶
(74)专利代理机构 陕西电子工业专利中心
    代理人 田文英
(51)Int.CI
     
                                                                  权利要求说明书 说明书 幅图
(54)发明名称 正则化与稀疏
      基于稀疏低秩正则图张量化嵌入的高光谱图像分类方法
(57)摘要
      本发明公开了一种基于稀疏低秩正则图的张量化嵌入的高光谱图像分类方法，克服了现有技术中没有充分利用高光谱图像样本信息、没有有效利用邻域信息进行分类的缺点。本发明实现的步骤是：(1)输入高光谱图像；(2)确定训练样本集与测试样本集；(3)构建训练样本集的邻接矩阵；(4)构建稀疏低秩正则图；(5)确定空域训练样本集与空域测试样本集；(6)构建张量化的图嵌入模型；(7)对空域测试样本集进行维数约简；(8)高光谱图像分类；(9)输出分类图像。本发明具有在高光谱图像边缘和同质区域的分类效果更精确的优点，可用于高光谱图像的分类。
法律状态
法律状态公告日
法律状态信息
法律状态
权 利 要 求 说 明 书
1.一种基于稀疏低秩正则图张量化嵌入的高光谱图像分类方法,其特征在于,包括步骤如下:
(1)输入高光谱图像:
输入待分类的高光谱图像,将输入的高光谱图像中的每一个像素点设定为一个样本;
(2)确定训练样本集与测试样本集:
在高光谱图像的样本集中,依次在每一类中随机选取5%的样本,作为高光谱图像的训练样本集;将剩余95%的样本,作为高光谱图像的测试样本集;
(3)构建训练样本集的邻接矩阵:
(3a)从训练样本集中任选两个样本,计算所选取两个样本间的权值;
(3b)将所有训练样本集中样本间的权值组成邻接矩阵;
(3c)构造与邻接矩阵相应的拉普拉斯矩阵;
(4)构建稀疏低秩正则图:
对高光谱图像训练样本集,采用自适应惩罚项线性化交替方向法,计算高光谱图像训练样本集的稀疏低秩正则图;
(5)确定空域训练样本集与空域测试样本集:
在高光谱图像的训练样本集和测试样本集中,以每一个样本为中心样本,组成一个5×5的正方形窗口,以窗口内的所有样本组成的三维光谱块作为一个三阶张量,将该三阶张量作为一个空域样本,得到空域训练样本集和空域测试样本集;
(6)构建张量化的图嵌入模型:
(6a)在空域训练样本集上,利用稀疏低秩正则图,构建张量化的图嵌入模型;
(6b)对空域训练样本集中每一个样本归一化,得到归一化后的张量;
(6c)将空域训练样本集中所有的样本归一化后的张量,按照张量的1维度展开的方法,展开成矩阵,对所有展开的矩阵求和之后得到的矩阵进行特征值分解,取最大的特征值对应的特征向量作为投影矩阵集的第一个矩阵;
(6d)将空域训练样本集中所有的样本归一化后的张量,按照张量的2维度展开的方法,展开成矩阵,对所有展开的矩阵求和之后得到的矩阵进行特征值分解,取最大的特征值对应的特征向量作为投影矩阵集的第二个矩阵;
(6e)根据投影矩阵集的第一个矩阵和第二个矩阵,采用广义特征值分解法,计算投影矩阵集的第三个矩阵;
(7)对空域测试样本集进行维数约简:
在高光谱图像空域测试样本集上,采用张量的乘法规则,计算得到高光谱图像空域测试样本集中每一个样本的低维投影;
(8)高光谱图像分类:
利用支撑向量机分类器,对高光谱图像空域测试样本集的低维投影进行分类,得到高光谱图像的分类结果;
(9)输出分类图像。
2.根据权利要求1所述的基于稀疏低秩正则图张量化嵌入的高光谱图像分类方法,其特征在于,步骤(3a)所述两个样本间的权值是按照下式计算得到的:
<Image>
其中,G<Sub>ij</Sub>表示所选的第i个样本x<Sub>i</Sub>和第j个样本x<Sub>j</Sub>之间的权值,||·||表示取2范数操作,t表示常数5,∈表示属于符号,N(x<Sub>j</Sub>)表示所有样本中与第j个样本x<Sub>j</Sub>的欧式距离从小到大的排序中前10个样本的集合。
3.根据权利要求1所述的基于稀疏低秩正则图张量化嵌入的高光谱图像分类方法,其特征在于,步骤(3c)所述与邻接矩阵相应的拉普拉斯矩阵是按照下式得到的:
U=K-G
其中,U表示与邻接矩阵相应的拉普拉斯矩阵,K表示对角矩阵,其对角矩阵的每一个对角线元素由<Image>计算得到,其中,n表示训练样本集中样本的总数,∑表示求和操作。
4.根据权利要求1所述的基于稀疏低秩正则图张量化嵌入的高光谱图像分类方法,其特征在于,步骤(4)所述与高光谱图像训练样本集的稀疏低秩正则图是按照下述模型得到的:
min||W||<Sub>*</Sub>+β<Sub>1</Sub>||W||<Sub>1</Sub>+β<Sub>2</Sub>tr(W<Sup>T</Sup>UW)+λ||X-XW||<Sub>2,1</Sub&diag(W)=0
其中,min表示最小化操作,||·||<Sub>*</Sub>表示取核范数操作,W表示高光谱图像训练样本集的稀疏低秩正则图,β<Sub>1</Sub>、β<Sub>2</Sub>均表示取值为0.001的正则化参数,||·||<Sub>1</Sub>表示取l<Sub>1</Sub>范数操作,tr(·)表示取迹操作,T表示转置操作,U表示拉普拉斯矩阵,λ表示取值为0.5的正则化参数,||·||<Sub>2,1</Sub>表示取l<Sub>2,1</Sub>范数操作,X表示高光谱图像的训练样本集,s.t.表示条件限制符号,diag表示对角化操作。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。