阅读说明：本技术 一种高光谱遥感图像分类方法及系统 (Hyperspectral remote sensing image classification method and system ) 是由 何芳 贾维敏 张峰干 伍宗伟 沈晓卫 赵建伟 胡豪杰 金伟 何佑明 朱玉杰 于 2020-07-15 设计创作，主要内容包括：本发明涉及一种高光谱遥感图像分类方法及系统。该方法包括获取高光谱遥感图像；根据所述高光谱遥感图像的像素点确定锚点；根据所述高光谱遥感图像的像素点和所述锚点,采用自适应邻近分配原则,构建自适应二部图；根据所述自适应二部图,采用半监督学习方法,构建二部图的半监督学习模型；获取待分类的高光谱遥感图像；采用所述二部图的半监督学习模型对所述待分类的高光谱遥感图像进行分类。本发明所提供的一种高光谱遥感图像分类方法及系统,能够降低计算复杂度,提高分类精度。(The invention relates to a hyperspectral remote sensing image classification method and a hyperspectral remote sensing image classification system. The method comprises the steps of obtaining a hyperspectral remote sensing image; determining an anchor point according to the pixel point of the hyperspectral remote sensing image; constructing a self-adaptive bipartite graph by adopting a self-adaptive adjacent distribution principle according to the pixel points and the anchor points of the hyperspectral remote sensing image; according to the self-adaptive bipartite graph, a semi-supervised learning method is adopted to construct a semi-supervised learning model of the bipartite graph; acquiring a hyperspectral remote sensing image to be classified; and classifying the hyperspectral remote sensing images to be classified by adopting a semi-supervised learning model of the bipartite graph. The hyperspectral remote sensing image classification method and the hyperspectral remote sensing image classification system can reduce the calculation complexity and improve the classification precision.)

一种高光谱遥感图像分类方法及系统

技术领域

本发明涉及高光谱遥感和机器学习领域，特别是涉及一种高光谱遥感图像分类方法及系统。

背景技术

高光谱遥感即高光谱分辨率遥感，作为一种窄波段成像方式，能发现宽波段中无法探测的物质，兴起于20世纪80年代，是一种重要的对地观测技术。高光谱遥感技术在给我们的实际生活提供帮助的同时，也引出了一系列的信息提取与模式识别的问题，主要体现在高维数据处理与分析上。随着成像光谱技术的发展，更高的光谱分辨率带来了更多的光谱波段数，更广的覆盖范围带来了更大的数据量。因此，高光谱技术在提供丰富的光谱信息的同时，也给高光谱数据处理提出了新的挑战。

分类是高光谱数据处理的重要领域。高光谱影像分类是利用地物的光谱信息和空间信息，根据一定的分类准则，如“物以类聚”，对图像中的每个像素点赋予一个类别标记。高光谱分类技术对提取专题信息、监测地物动态变化具有重要的作用，广泛应用于制作专题地图、工程勘探、交通规划管理、环境监测、土地利用和农作物估产等领域中。

原始的遥感影像分类方法是人工目视解释法，该方法对工作人员的地学知识和研判经验具有较高的要求，并且分类结果受工作人员的经验和知识储备影响较大。人工目视效率较低，并且耗费较大的人力、物力。由于遥感数据量的急剧增长，人工目视方法已经无法满足需求。分类问题的本质是模式识别。随着计算机技术的不断发展，利用机器学习方法可以实现智能化数据分析，获取数据间的隐藏关系。基于机器学习产生的各种分类算法在一定程度上提高了高光谱影像的分类效果。

机器学习是人工智能和模式识别领域的核心课题，根据是否利用类标信息，又可分为监督学习(Supervised Learning)、无监督学习(Unsupervised Learning)和半监督学习(Semi-supervised Learning,SSL)。监督学习借助于输入数据的类标信息，以概率函数、代数函数或人工神经网络为基函数模型，进行迭代计算。无监督学习不使用类标信息，主要应用于数据的聚类中。半监督学习使用少量的标记信息和大量的无标记信息构建学习模型。由于高光谱数据量较大，样本的标记需要耗费较大的人力、物力，因此半监督学习方法在高光谱影像处理中具有重要的应用。

基于图的半监督学习方法概念清晰，易于实现，近年来受到了广泛的关注。然而，传统的图方法在构图过程中及矩阵求逆过程中的计算复杂度较高，无法处理大规模高光谱影像。此外，传统图方法一般都是输入一个固定的图，图的质量好坏直接影响后续的分类效果。

发明内容

本发明的目的是提供一种高光谱遥感图像分类方法及系统，能够降低计算复杂度，提高分类精度。

为实现上述目的，本发明提供了如下方案：

一种高光谱遥感图像分类方法，包括：

获取高光谱遥感图像；

根据所述高光谱遥感图像的像素点确定锚点；所述锚点为随机选取的高光谱遥感图像的像素点；所述锚点的数量小于高光谱遥感图像中的像素点的数量；

根据所述高光谱遥感图像的像素点和所述锚点，采用自适应邻近分配原则，构建自适应二部图；

根据所述自适应二部图，采用半监督学习方法，构建二部图的半监督学习模型；所述二部图的半监督学习模型以自适应二部图为输入，以所述高光谱遥感图像的类别为输出；

获取待分类的高光谱遥感图像；

采用所述二部图的半监督学习模型对所述待分类的高光谱遥感图像进行分类。

可选的，所述根据所述高光谱遥感图像的像素点和所述锚点，采用自适应邻近分配原则，构建自适应二部图，具体包括：

根据所述高光谱遥感图像的像素点和所述锚点，采用自适应邻近分配原则，构建相似性矩阵；

根据所述相似性矩阵构建自适应二部图。

可选的，所述根据所述自适应二部图，采用半监督学习方法，构建二部图的半监督学习模型，之前还包括：

采用半监督学习目标对所述自适应二部图进行优化。

可选的，所述根据所述自适应二部图，采用半监督学习方法，构建二部图的半监督学习模型，具体包括：

利用公式

确定目标函数；Z为相似性矩阵，U为新的相似矩阵，为像素点的软标签矩阵，

为锚点的软标签矩阵，

表示所有像素点的标签矩阵，B为对角矩阵，α为规则化参数，L_S为拉普拉斯矩阵；

采用迭代优化方式对所述目标函数进行求解，得到像素点的标签；所述标签用于进行高光谱遥感图像的分类。

一种高光谱遥感图像分类系统，包括：

高光谱遥感图像获取模块，用于获取高光谱遥感图像；

锚点确定模块，用于根据所述高光谱遥感图像的像素点确定锚点；所述锚点为随机选取的高光谱遥感图像的像素点；所述锚点的数量小于高光谱遥感图像中的像素点的数量；

自适应二部图构建模块，用于根据所述高光谱遥感图像的像素点和所述锚点，采用自适应邻近分配原则，构建自适应二部图；

二部图的半监督学习模型构建模块，用于根据所述自适应二部图，采用半监督学习方法，构建二部图的半监督学习模型；所述二部图的半监督学习模型以自适应二部图为输入，以所述高光谱遥感图像的类别为输出；

待分类的高光谱遥感图像获取模块，用于获取待分类的高光谱遥感图像；

分类模块，用于采用所述二部图的半监督学习模型对所述待分类的高光谱遥感图像进行分类。

可选的，所述自适应二部图构建模块具体包括：

相似性矩阵构建单元，用于根据所述高光谱遥感图像的像素点和所述锚点，采用自适应邻近分配原则，构建相似性矩阵；

自适应二部图构建单元，用于根据所述相似性矩阵构建自适应二部图。

可选的，还包括：

优化模块，用于采用半监督学习目标对所述自适应二部图进行优化。

可选的，所述二部图的半监督学习模型构建模块具体包括：

目标函数确定单元，用于利用公式

确定目标函数；Z为相似性矩阵，U为新的相似矩阵，

为像素点的软标签矩阵，为锚点的软标签矩阵，

表示所有像素点的标签矩阵，B为对角矩阵，α为规则化参数，L_S为拉普拉斯矩阵；

像素点的标签确定单元，用于采用迭代优化方式对所述目标函数进行求解，得到像素点的标签；所述标签用于进行高光谱遥感图像的分类。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明所提供的一种高光谱遥感图像分类方法及系统，通过将随机选取的部分高光谱遥感图像的像素点确定为锚点，构建锚点与像素点之间的自适应二部图，减少了构图的参数，降低了计算的复杂度；在根据所述自适应二部图，采用半监督学习方法，构建二部图的半监督学习模型，对构建的自适应二部图不断的优化，提高了图的质量，进而提高了分类的精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明所提供的一种高光谱遥感图像分类方法流程示意图；

图2为本发明所提供的一种高光谱遥感图像分类系统结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种高光谱遥感图像分类方法及系统，能够降低计算复杂度，提高分类精度。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明所提供的一种高光谱遥感图像分类方法流程示意图，如图1所示，本发明所提供的一种高光谱遥感图像分类方法，包括：

S101，获取高光谱遥感图像。所述高光谱遥感图像的像素点用矩阵表示为

n表示像元的个数，d表示每个像元的波段数。

S102，根据所述高光谱遥感图像的像素点确定锚点；所述锚点为随机选取的高光谱遥感图像的像素点；所述锚点的数量小于高光谱遥感图像中的像素点的数量。即从原始的n个像素点中选取m个锚点，锚点用矩阵表示为

S103，根据所述高光谱遥感图像的像素点和所述锚点，采用自适应邻近分配原则，构建自适应二部图。自适应近邻分配原则为两点之间距离越近，属于同一类的概率越大。

S103具体包括：

根据所述高光谱遥感图像的像素点和所述锚点，采用自适应邻近分配原则，构建相似性矩阵Z。

Z为：

其中，z_ij为相似矩阵Z中的第i行第j列元素，

为相似矩阵Z中的第i行，γ为规则化参数。令 是一个向量，它的第j个元素为e_ij，因此，(1)式写成如下向量形式：

公式(2)对应的拉格朗日函数为：

其中，η和β_i≥0是拉格朗日乘子。

z_i的最优解应该满足公式(3)关于z_i的导数等于0，即：

对于z_i中的第j个元素，有：

根据KKT条件，z_ijβ_ij＝0，由式(5)可得：

其中

因此，z_ij的解为：

根据所述相似性矩阵构建自适应二部图。

所述自适应二部图为：

S104，根据所述自适应二部图，采用半监督学习方法，构建二部图的半监督学习模型；所述二部图的半监督学习模型以自适应二部图为输入，以所述高光谱遥感图像的类别为输出；

在S104之前还包括：

采用半监督学习目标对所述自适应二部图进行优化。

目标是学习一个新的相似矩阵或者如下：

使优化的相似矩阵S与给出的近邻矩阵W越接近越好，所以需要解决如下问题：

根据式(8)和式(9)中S和W的特殊结构，式(10)可以转换为：

S104具体包括：

利用公式

确定目标函数；Z为相似性矩阵，U为新的相似矩阵，为像素点的软标签矩阵，为锚点的软标签矩阵，表示所有像素点的标签矩阵，B为对角矩阵，α为规则化参数，L_S为拉普拉斯矩阵。

采用迭代优化方式对所述目标函数进行求解，得到像素点的标签；所述标签用于进行高光谱遥感图像的分类。

其中，目标函数具体的确定过程为：

考虑在基于图的半监督学习中，图的质量最优，提出如下模型：

其中，分别表示原始数据和锚点的软标签矩阵。

表示所有数据(原始数据和锚点)的标签矩阵。由于训练样本是从原始数据中选出的一部分数据点，因此，Y可以写为其中

B是对角矩阵，对角线上的第i个元素是规则化参数β_i。B也可以写为

α是规则化参数。

在图论中，L_S＝D_S-S是拉普拉斯矩阵，是度矩阵，第i个对角线上的元素为d_i＝∑_js_ij。D_S也可以写为其中是一个对角矩阵，对角线上的元素为U的行和，也是对角矩阵，对角线上的元素为U的列和，

由于公式(12)中的约束条件为可以得到D_r＝I_n，其中是单位矩阵。因此，然后，L_S可采用如下方式进行标准化：

其中，是单位矩阵。

因此，标准化拉普拉斯矩阵后对应的最终目标函数为：

采用迭代优化方式对公式(14)进行求解的过程为：

当F,G固定时，公式(14)等价于：

根据标准化后拉普拉斯矩阵的基本性质，可以得到如下关系：

其中，f_i是F的第i行，d_i＝∑_js_ij，g_j是G的第i行，d_j＝∑_is_ji。

根据公式(9)中S的特殊结构，公式(16)等价于：

因此，公式(15)也可以写为：

由于公式(18)中对不同的i都是独立的，因此可以对每一个i对应的目标函数进行求解。令v_i、u_i、z_i表示向量，他们中的第j个元素分别为v_ij、u_ij和z_ij。因此，对于每一个i，公式(18)可以写成如下的向量形式：

公式(19)与公式(2)有相同的形式，可采用相同的方法进行求解。

当U固定时，公式(14)等价于：

令

公式(20)可以确定为：

通过对J(Q)进行求导，可以得到如下公式：

因此，最终解为：

B_α可以写为

其中

式(23)等价于：

令L₁₁＝I_n+B_αn，L₂₂＝B_αm+I_m，采用如下分块矩阵求逆公式求解公式(24)中的第一项：

其中，由于求的计算复杂度为O(n³)，对于大规模高光谱数据，计算量太大，因此，采用如下Woodbury矩阵(A-UCV)^-1＝A^-1+A^-1U(C^-1-VA^-1U)^-1VA^-1求解大规模矩阵C₁求逆问题，将计算复杂度降低到O(nm²)。

基于如上推导，我们可以得到最终的软标签矩阵为：

根据软标签矩阵F，得到数据点x_i的标签为：

整个模型的计算复杂度为O(ndmt+nm²)，而传统的基于图的半监督学习模型的计算复杂度为O(n²d+n³)。其中，n、m、d和t分别为样本数量，锚点数，维度和迭代次数。因此，对于处理大规模高光谱数据，能够快速准确的进行分类。

S105，获取待分类的高光谱遥感图像。

S106，采用所述二部图的半监督学习模型对所述待分类的高光谱遥感图像进行分类。

图2为本发明所提供的一种高光谱遥感图像分类系统结构示意图，如图2所示，本发明所提供的一种高光谱遥感图像分类系统，包括：高光谱遥感图像获取模块201、锚点确定模块202、自适应二部图构建模块203、二部图的半监督学习模型构建模块204、待分类的高光谱遥感图像获取模块205和分类模块206。

高光谱遥感图像获取模块201用于获取高光谱遥感图像。

锚点确定模块202用于根据所述高光谱遥感图像的像素点确定锚点；所述锚点为随机选取的高光谱遥感图像的像素点；所述锚点的数量小于高光谱遥感图像中的像素点的数量。

自适应二部图构建模块203用于根据所述高光谱遥感图像的像素点和所述锚点，采用自适应邻近分配原则，构建自适应二部图。

二部图的半监督学习模型构建模块204用于根据所述自适应二部图，采用半监督学习方法，构建二部图的半监督学习模型；所述二部图的半监督学习模型以自适应二部图为输入，以所述高光谱遥感图像的类别为输出。

待分类的高光谱遥感图像获取模块205用于获取待分类的高光谱遥感图像。

分类模块206用于采用所述二部图的半监督学习模型对所述待分类的高光谱遥感图像进行分类。

所述自适应二部图构建模块203具体包括：相似性矩阵构建单元和自适应二部图构建单元。

相似性矩阵构建单元用于根据所述高光谱遥感图像的像素点和所述锚点，采用自适应邻近分配原则，构建相似性矩阵.

自适应二部图构建单元用于根据所述相似性矩阵构建自适应二部图。

本发明所提供的一种高光谱遥感图像分类系统，还包括：优化模块。

优化模块用于采用半监督学习目标对所述自适应二部图进行优化。

所述二部图的半监督学习模型构建模块204具体包括：目标函数确定单元和像素点的标签确定单元。

目标函数确定单元用于利用公式确定目标函数；Z为相似性矩阵，U为新的相似矩阵，为像素点的软标签矩阵，为锚点的软标签矩阵，表示所有像素点的标签矩阵，B为对角矩阵，α为规则化参数，L_S为拉普拉斯矩阵。

像素点的标签确定单元用于采用迭代优化方式对所述目标函数进行求解，得到像素点的标签；所述标签用于进行高光谱遥感图像的分类。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。