一種結(jié)合線性相關(guān)信息熵的多光譜數(shù)據(jù)有監(jiān)督分類方法
【專利摘要】一種結(jié)合線性相關(guān)信息熵的多光譜數(shù)據(jù)有監(jiān)督分類方法，涉及一種基于線性相關(guān)信息熵和kNN分類器的遙感圖像有監(jiān)督分類方法。本發(fā)明的步驟為：一、人工采樣后自動(dòng)篩選有監(jiān)督分類所需的訓(xùn)練樣本集合；二、自動(dòng)尋優(yōu)確定kNN分類器算法的參數(shù)；三、使用kNN分類器算法完成對(duì)多光譜遙感圖像的分類。本發(fā)明通過多變量輸入的訓(xùn)練樣本高效自動(dòng)篩選過程以及分類器參數(shù)自動(dòng)尋優(yōu)步驟，有效改善了kNN分類器算法的分類精度且減少了分類時(shí)間，使之更加適合大數(shù)據(jù)量多光譜遙感圖像的高精度分類任務(wù)。
【專利說明】-種結(jié)合線性相關(guān)信息摘的多光譜數(shù)據(jù)有監(jiān)督分類方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于遙感數(shù)據(jù)解譯領(lǐng)域，涉及一種基于線性相關(guān)信息賭和分類器的遙 感圖像有監(jiān)督分類方法。

【背景技術(shù)】
[0002] 目前，全球在應(yīng)用中的大多數(shù)遙感成像系統(tǒng)都是多光譜的，它們能夠在幾個(gè)波段 上同步采集圖像，提供光譜特性的多個(gè)快照?qǐng)D像，比單一波段圖像更有價(jià)值，在分類應(yīng)用領(lǐng) 域也能夠獲得比單一波段圖像更佳的分類置信度。
[0003] 分類的專題在不同應(yīng)用中不盡相同，對(duì)于有監(jiān)督分類（或簡(jiǎn)稱監(jiān)督分類）來說，分 析人員必須為每個(gè)類別選擇有代表性的像元作為訓(xùn)練區(qū)。如果多光譜圖像中包含了極其豐 富獨(dú)特的視覺線索，就可W使用視覺檢驗(yàn)等方法選擇合適的訓(xùn)練區(qū)。一般情況下，必須借助 其他信息，如±地?cái)?shù)據(jù)或現(xiàn)有地圖等來為每個(gè)類別選擇具有代表性的訓(xùn)練區(qū)。因此，選擇和 檢驗(yàn)訓(xùn)練區(qū)是一項(xiàng)非常費(fèi)力的工作。
[0004] 對(duì)分析人員而言，要求每個(gè)類別的樣本具有相同性質(zhì)，同時(shí)也需要具有一定的容 許方差范圍。因此在實(shí)際應(yīng)用中，就需要選擇不止一個(gè)訓(xùn)練區(qū)。如果類別方差較大，那么選 擇訓(xùn)練區(qū)也是很耗時(shí)的，同時(shí)我們也需要確定選擇的訓(xùn)練區(qū)適合于圖像分類應(yīng)用。很多情 況下很難選擇完全同質(zhì)的區(qū)域，一個(gè)常見的問題是稀疏的植被區(qū)，它可能被選擇為植被類 別或±壤類別。解決該個(gè)問題的一種方法是在建立最終類別特征之前從數(shù)據(jù)中清除該些突 出的像元區(qū)域，可W根據(jù)給定的信號(hào)特征對(duì)訓(xùn)練區(qū)像元進(jìn)行分類，如果一些訓(xùn)練像元被錯(cuò) 誤的分到其他類別，或一些像元與其所在類別的似然度比較小，應(yīng)該從訓(xùn)練區(qū)排除該些像 元點(diǎn)，需要根據(jù)剩余的像元重新計(jì)算信號(hào)特征；排除該些像元區(qū)域的另一種方法是當(dāng)它們 不滿足特定的空間或光譜同質(zhì)準(zhǔn)則時(shí)，將其從訓(xùn)練區(qū)中排除?？梢?，上述兩種方法均需要分 析人員借助自己的經(jīng)驗(yàn)來合理選擇并運(yùn)用相應(yīng)的分析軟件來達(dá)到目的，鑒于此，迫切需要 一套能夠自動(dòng)判別有用分類像素集合，即包括類別標(biāo)號(hào)的訓(xùn)練樣本的分類方法。
[0005] 除了上述問題，分類器的選擇也是一個(gè)關(guān)鍵環(huán)節(jié)，針對(duì)多光譜成像波段數(shù)目不多 (一般10個(gè)波段左右）、圖像分辨率較高（使得樣本容量大）特點(diǎn)，我們需要一種能夠精細(xì) 化處理樣本數(shù)據(jù)的分類方法。k最近鄰化-Nearest Nei曲bor，kNN)分類器算法，是一個(gè)理 論上比較成熟的方法，也是最簡(jiǎn)單有效的機(jī)器學(xué)習(xí)算法之一，比較適用于樣本容量比較大 的類域的自動(dòng)分類。在算法中，所選擇的鄰近點(diǎn)都是已經(jīng)正確分類的對(duì)象，該方法在決 策上只依據(jù)最鄰近的一個(gè)或者幾個(gè)樣本的類別來決定待分樣本所屬的類別。算法雖然 從原理上也依賴于極限定理，但在類別決策時(shí)，只與極少量的相鄰樣本有關(guān)。由于算法 主要靠周圍有限的鄰近樣本，而不是靠判別類域的方法來確定所屬的類別，因此對(duì)于多光 譜圖像中類域交叉或重疊較多的待分類樣本集（即測(cè)試樣本）來說，算法是一種合適 的構(gòu)建多光譜分類器的方法。


【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于提出一種針對(duì)多光譜數(shù)據(jù)特點(diǎn)的訓(xùn)練數(shù)據(jù)篩選方案，并結(jié)合 算法構(gòu)成結(jié)合線性相關(guān)信息賭的多光譜數(shù)據(jù)有監(jiān)督分類方法，對(duì)比傳統(tǒng)分類算法 在減少計(jì)算時(shí)間的同時(shí)提高了分類精度。
[0007] 本發(fā)明的目的是通過W下技術(shù)方案實(shí)現(xiàn)的：
[0008] -種結(jié)合線性相關(guān)信息賭的多光譜數(shù)據(jù)有監(jiān)督分類方法，包括如下步驟：
[0009] 步驟一、人工采樣后自動(dòng)篩選有監(jiān)督分類所需的訓(xùn)練樣本集合：
[0010] 1)對(duì)于拍攝的多光譜遙感圖像JMl、,,。/,,,,,,:巧中Row, Column表示多光譜遙感圖像 的寬和長(zhǎng)，B表示多光譜遙感圖像的波段數(shù)目，由圖像分析人員按照FXF大小的采樣器選 擇訓(xùn)練樣本，用向量Pm, m = 1，...，護(hù)來表示，每個(gè)P m的維數(shù)都等于B，代表著該像素的各 波段信息；
[0011] 2)針對(duì)人工選擇的訓(xùn)練樣本進(jìn)行自動(dòng)篩選，設(shè)定每次選擇的像素為M，即刪除掉 了護(hù)-M個(gè)訓(xùn)練樣本的像素；
[001引扣計(jì)算所有可能選擇的M個(gè)像素Pi，. . .，P"的線性相關(guān)信息賭，并選出數(shù)值最大 的一個(gè)線性相關(guān)信息賭，即Cffi巧4，...，《），則其中的/f，...，瑞便是從F2個(gè)像素中選定的M 個(gè)像素；
[0013] 4)對(duì)本次選擇的F2個(gè)像素統(tǒng)一標(biāo)注一個(gè)確定的類別標(biāo)號(hào)Class%將選定的M個(gè)像 素W數(shù)據(jù)對(duì)的形乂 (/f，C-沁.、'/)，...，(尸；；，（7。.、、'）歸入訓(xùn)練樣本集合，剩余的護(hù)-1個(gè)像素也^ 數(shù)據(jù)對(duì)的形式(語(yǔ)4，)，...，(咬，)歸入遺棄樣本集合；
[0014] 5)如果需要繼續(xù)選擇更多的訓(xùn)練樣本，則返回1)，否則進(jìn)行步驟二。
[0015] 步驟二、自動(dòng)尋優(yōu)確定分類器算法的參數(shù)：
[001引1)對(duì)k順分類器參數(shù)k進(jìn)行W下數(shù)據(jù)的遍歷篩查；kG {3,5,7,9};
[0017] 2)遵照k順?biāo)惴?，W步驟一得到的訓(xùn)練樣本集合為訓(xùn)練數(shù)據(jù)對(duì)k順分類器進(jìn)行訓(xùn) 練，并用遺棄樣本集合作為測(cè)試樣本集合，計(jì)算各測(cè)試樣本的判定類別標(biāo)號(hào)；
[0018] 3)根據(jù)各測(cè)試樣本的判定類別標(biāo)號(hào)統(tǒng)計(jì)出測(cè)試樣本集合中所有像素的判定類別 標(biāo)號(hào)正確度，即整體分類精度，用0A來表示，對(duì)于分類器參數(shù)k的不同取值，分別計(jì)算各k 對(duì)應(yīng)的0A ;
[0019] 4)選擇0A最大值所對(duì)應(yīng)的k值作為kNN分類器算法的參數(shù)。
[0020] 步驟H、使用分類器算法完成對(duì)多光譜遙感圖像的分類：
[0021] 使用步驟一得到的訓(xùn)練樣本集合作為訓(xùn)練數(shù)據(jù)對(duì)已知參數(shù)k的分類器進(jìn)行訓(xùn) 練，之后對(duì)多光譜遙感圖像/Ml,.,C。/胃上的未知類別像素進(jìn)行分類。
[0022] 本發(fā)明針對(duì)遙感圖像分析人員面對(duì)的具體任務(wù)，提供了一種新的自動(dòng)篩選訓(xùn)練樣 本方法，在篩除訓(xùn)練樣本中的不合格像素或次優(yōu)像素時(shí)，使用的是多變量輸入的判別算法 (線性相關(guān)信息賭），從而能夠一次對(duì)F X F采樣器內(nèi)的M個(gè)預(yù)選擇像素進(jìn)行整體評(píng)估，既高 效，又能夠保證選出的像素能夠?qū)崿F(xiàn)整體有用分類信息量最大；并且將遺棄的訓(xùn)練樣本有 效地結(jié)合到分類器的參數(shù)選擇過程中；最后借助分類器算法對(duì)分析人員關(guān)也的測(cè) 試樣本進(jìn)行自動(dòng)分類，實(shí)現(xiàn)了一套高效、精準(zhǔn)地有監(jiān)督分類過程。本發(fā)明與現(xiàn)有技術(shù)相比， 具有如下優(yōu)點(diǎn)：
[002引（1)本發(fā)明提出的基于線性相關(guān)信息賭的訓(xùn)練樣本篩選過程，可W有效分析多變 量（多光譜圖像的像素向量）共同作用下的整體相關(guān)信息，并將該信息量用于評(píng)價(jià)多變量 整體的有用分類信息，使得后續(xù)的分類器運(yùn)算更加高效，分類結(jié)果也更準(zhǔn)確。
[0024] (2)本發(fā)明提出的整套基于的多光譜分類算法，密切結(jié)合了多光譜圖像波段 不多但分辨率較高的特征，設(shè)計(jì)了運(yùn)算量相當(dāng)?shù)乃惴▉韺?duì)訓(xùn)練樣本進(jìn)行篩選，并且該步驟 可W在分析人員完成每次FXF個(gè)像素的采樣之后，由計(jì)算機(jī)自動(dòng)執(zhí)行，因此從實(shí)用的角度 來說，不會(huì)帶來任何計(jì)算壓力，當(dāng)分析人員選取完所有的訓(xùn)練樣本之后，本發(fā)明方法還會(huì)借 助遺棄的訓(xùn)練樣本，自動(dòng)給出kNN分類器參數(shù)k的最佳取值。
[0025] (3)解決了訓(xùn)練樣本難W有效自動(dòng)篩選的問題，并將遺棄的訓(xùn)練樣本用于kNN分 類器參數(shù)的自動(dòng)尋優(yōu)。
[0026] (4)本發(fā)明通過多變量輸入的訓(xùn)練樣本高效自動(dòng)篩選過程W及分類器參數(shù)自動(dòng)尋 優(yōu)步驟，有效改善了 分類器算法的分類精度且減少了分類時(shí)間，使之更加適合大數(shù)據(jù) 量多光譜遙感圖像的高精度分類任務(wù)。

【專利附圖】

【附圖說明】
[0027] 圖1為本發(fā)明的流程圖；
[0028] 圖2為【具體實(shí)施方式】二中實(shí)驗(yàn)1 (本發(fā)明方法）的分類結(jié)果散點(diǎn)圖；
[0029] 圖3為【具體實(shí)施方式】二中實(shí)驗(yàn)2(標(biāo)準(zhǔn)kNN方法）的分類結(jié)果散點(diǎn)圖。

【具體實(shí)施方式】
[0030] 下面結(jié)合附圖對(duì)本發(fā)明的技術(shù)方案作進(jìn)一步的說明，但并不局限于此，凡是對(duì)本 發(fā)明技術(shù)方案進(jìn)行修改或者等同替換，而不脫離本發(fā)明技術(shù)方案的精神和范圍，均應(yīng)涵蓋 在本發(fā)明的保護(hù)范圍中。

【具體實(shí)施方式】 [0031] 一；如圖1所示，本實(shí)施方式提供的結(jié)合線性相關(guān)信息賭的多光譜 數(shù)據(jù)有監(jiān)督分類方法共分為H個(gè)步驟，具體步驟如下：
[0032] 步驟一；人工采樣后自動(dòng)篩選有監(jiān)督分類所需的訓(xùn)練樣本集合。
[003引1)對(duì)于拍攝的多光譜遙感圖像/Ml,.,做巧中Row, Column表示多光譜遙感圖像 的寬和長(zhǎng)，B表示多光譜遙感圖像的波段數(shù)目，由圖像分析人員按照FXF大小的采樣器選 擇訓(xùn)練樣本，為了保證后續(xù)篩選工作能夠進(jìn)行，要求F > 2,即一次可選擇F2個(gè)像素的訓(xùn)練 樣本，用向量Pm, m = 1，...，護(hù)來表示，每個(gè)P m的維數(shù)都等于B，代表著該像素的各波段信 息；
[0034] 2)針對(duì)人工選擇的訓(xùn)練樣本進(jìn)行自動(dòng)篩選，設(shè)定每次選擇的像素為M，即刪除掉 了護(hù)-M個(gè)訓(xùn)練樣本的像素；
[003引扣計(jì)算所有可能選擇的M個(gè)像素Pi，. . .，P"的線性相關(guān)信息賭，并選出數(shù)值最大 的一個(gè)線性相關(guān)信息賭，即C化巧*，...，巧;），則其中的巧*，...，巧便是從F2個(gè)像素中選定的M 個(gè)像素；
[0036] 4)對(duì)本次選擇的F2個(gè)像素統(tǒng)一標(biāo)注一個(gè)確定的類別標(biāo)號(hào)Class%將選定的M個(gè)像 素W數(shù)據(jù)對(duì)的形式巧4，亡虹5/)，...，(巧，打0554)歸入訓(xùn)練樣本集合，剩余的護(hù)-1個(gè)像素也^ 數(shù)據(jù)對(duì)的形式婚W，C/awt )，...，(馬：:，)歸入遺棄樣本集合；
[0037] 5)如果需要繼續(xù)選擇更多的訓(xùn)練樣本，則返回1)，否則進(jìn)行后面的步驟。
[0038] 下面給出上述步驟中使用的線性相關(guān)信息賭（Correlation In化rmation 化tropy，Cl巧的計(jì)算方法：
[0039] 對(duì)于從F2個(gè)像素中選出的M個(gè)像素Pi，...，P"(其維數(shù)都等于B)，代表著該像素 的各波段信息，可W合并成MXB維的矩陣Q :
[0040] Q =化化）} 1<b<B。
[0041] 接著，執(zhí)行如下歸一化步驟：
[0042]

【權(quán)利要求】
1. 一種結(jié)合線性相關(guān)信息熵的多光譜數(shù)據(jù)有監(jiān)督分類方法，其特征在于所述方法步驟 如下： 步驟一、人工采樣后自動(dòng)篩選有監(jiān)督分類所需的訓(xùn)練樣本集合： 1) 對(duì)于拍攝的多光譜遙感圖像7Mfmvn,,,，其中Row,Column表示多光譜遙感圖像的寬 和長(zhǎng)，B表示多光譜遙感圖像的波段數(shù)目，由圖像分析人員按照FXF大小的采樣器選擇訓(xùn) 練樣本，用向量Pm，m=I，. . .，F(xiàn)2來表示，每個(gè)Pm的維數(shù)都等于B，代表著該像素的各波段 信息； 2) 針對(duì)人工選擇的訓(xùn)練樣本進(jìn)行自動(dòng)篩選，設(shè)定每次選擇的像素為M，即刪除掉了F2-M 個(gè)訓(xùn)練樣本的像素； 3) 計(jì)算所有可能選擇的M個(gè)像素P1, ...，Pm的線性相關(guān)信息熵，并選出數(shù)值最大的一 個(gè)線性相關(guān)信息熵，即，…，Pa))，則其中的/f,...，便是從F2個(gè)像素中選定的M個(gè)像 素； 4) 對(duì)本次選擇的F2個(gè)像素統(tǒng)一標(biāo)注一個(gè)確定的類別標(biāo)號(hào)Class%將選定的M個(gè)像素以 數(shù)據(jù)對(duì)的形式(fto/Cto/)歸入訓(xùn)練樣本集合，剩余的F2-M個(gè)像素也以數(shù)據(jù) 對(duì)的形式(/^,^'),...，(/^,0"'）!]丨入遺棄樣本集合； 5) 如果需要繼續(xù)選擇更多的訓(xùn)練樣本，則返回1)，否則進(jìn)行步驟二； 步驟二、自動(dòng)尋優(yōu)確定kNN分類器算法的參數(shù)： 1) 對(duì)kNN分類器參數(shù)k進(jìn)行以下數(shù)據(jù)的遍歷篩查：ke{3,5,7,9}; 2) 遵照kNN算法，以步驟一得到的訓(xùn)練樣本集合為訓(xùn)練數(shù)據(jù)對(duì)kNN分類器進(jìn)行訓(xùn)練，并 用遺棄樣本集合作為測(cè)試樣本集合，計(jì)算各測(cè)試樣本的判定類別標(biāo)號(hào)； 3) 根據(jù)各測(cè)試樣本的判定類別標(biāo)號(hào)統(tǒng)計(jì)出測(cè)試樣本集合中所有像素的判定類別標(biāo)號(hào) 正確度，即整體分類精度，用OA來表示，對(duì)于分類器參數(shù)k的不同取值，分別計(jì)算各k對(duì)應(yīng) 的OA; 4) 選擇OA最大值所對(duì)應(yīng)的k值作為kNN分類器算法的參數(shù)； 步驟三、使用kNN分類器算法完成對(duì)多光譜遙感圖像的分類： 使用步驟一得到的訓(xùn)練樣本集合作為訓(xùn)練數(shù)據(jù)對(duì)已知參數(shù)k的kNN分類器進(jìn)行訓(xùn)練， 之后對(duì)多光譜遙感圖像上的未知類別像素進(jìn)行分類。
2. 根據(jù)權(quán)利要求1所述的結(jié)合線性相關(guān)信息熵的多光譜數(shù)據(jù)有監(jiān)督分類方法，其特征 在于所述F彡2。
3. 根據(jù)權(quán)利要求1所述的結(jié)合線性相關(guān)信息熵的多光譜數(shù)據(jù)有監(jiān)督分類方法，其特征 在于所述步驟一中，線性相關(guān)信息熵的計(jì)算方法如下： (1) 對(duì)于從F2個(gè)像素中選出的M個(gè)像素Pp...，PM，代表著該像素的各波段信息可以合 并成MXB維的矩陣Q: Q- {Pm (b)}i^m^i, (2) 執(zhí)行如下歸一化步驟：
其中，"代表矩陣轉(zhuǎn)置運(yùn)算，計(jì)算出相關(guān)矩陣S的特征值入b，l<b<B，則線性相 關(guān)信息熵的定義如下：
4.根據(jù)權(quán)利要求1所述的結(jié)合線性相關(guān)信息熵的多光譜數(shù)據(jù)有監(jiān)督分類方法，其特征 在于所述步驟二中，kNN分類器算法如下： 設(shè)訓(xùn)練樣本集合構(gòu)成的矩陣為H= [P1,P2，…，PN]eRbxn，測(cè)試樣本集合構(gòu)成的矩陣 為G= [PN+1，PN+2，…，PdeRbxS其中，R是全體實(shí)數(shù)集合，B是測(cè)試樣本維數(shù)，N是訓(xùn)練 樣本總數(shù)，L是測(cè)試樣本總數(shù)； 按照下列運(yùn)算方法計(jì)算測(cè)試樣本PN+i，簡(jiǎn)記為G(i)，與所有N個(gè)訓(xùn)練樣本的距離平方： 首先計(jì)算T1 =H. ~2,其中，代表對(duì)矩陣的每個(gè)元素求次方，TieRBXN，接著將T# 每列的元素求和得到T2GRNX1，然后轉(zhuǎn)換為一個(gè)IXN的矩陣Ttl=T2'，其中，"代表矩 陣轉(zhuǎn)置運(yùn)算； 對(duì)第i個(gè)測(cè)試樣本G(i)做類似上面的運(yùn)算，計(jì)算T3=G(i). ~2,其中，T3ERBX1，接著， 對(duì)其列向量元素求和得到數(shù)值、，然后擴(kuò)展出IXN維矩陣T4= [t4t4…t4]eRixn; 則可得測(cè)試樣本G(i)到所有N個(gè)訓(xùn)練樣本的距離平方矩陣為： Di=T4+T〇-2G(i) ;H； 其中，DiERixn，所含各元素即測(cè)試樣本G(i)到所有N個(gè)訓(xùn)練樣本的距離平方； 從上述N個(gè)距離平方中，取數(shù)值最小的前k個(gè)，并記錄其對(duì)應(yīng)的訓(xùn)練樣本類別標(biāo)號(hào)，統(tǒng) 計(jì)出現(xiàn)最多的類別標(biāo)號(hào)作為此測(cè)試樣本的判定類別； 重復(fù)以上步驟，直到所有L個(gè)測(cè)試樣本都完成類別判定。
【文檔編號(hào)】G06K9/62GK104504399SQ201510003048
【公開日】2015年4月8日 申請(qǐng)日期:2015年1月5日 優(yōu)先權(quán)日:2015年1月5日
【發(fā)明者】張淼, 劉攀, 王天成, 沈毅 申請(qǐng)人:哈爾濱工業(yè)大學(xué)