一種基于多連接決策流形對準的高分辨率多時相遙感圖像分類方法技術

一種基于多連接決策流形對準的高分辨率多時相遙感圖像分類方法，本發明專利技術涉及高分辨率多時相遙感圖像分類方法。本發明專利技術的目的是為了解決高分條件下的多時相對準分類的問題。具體過程為：一、輸入源時相和目標時相中所有空間點的光譜矩陣A與B，以及A中各行相應類別標簽向量Y；二、分別計算A、B以及A與B中各行之間的W1、W2和W12；三、通過多連接決策方式計算W1、W2所對應的G1、G2，以及W12的多連接決策優化；四、將A、B、G1、G2和W12輸入到非依賴性光譜對準模型中，獲得A、B在對準空間的映射矩陣F1和F2；五、通過KNN分類模型分類，獲得目標時相的分類標簽。本發明專利技術用于圖像分類領域。

【技術實現步驟摘要】

本專利技術涉及高分辨率多時相遙感圖像分類方法。
技術介紹
多光譜光學遙感是遙感領域中的重要分支，當前多光譜光學遙感技術逐漸由低空間分辨率向高空間分辨率發展，從典型的1000米分辨率的modis數據發展到30米空間分辨率的Landsat的數據，在到我國8米分辨率的高分1號數據和3.2米分辨率的高分2號數據。高空間分辨率多光譜遙感圖像不僅包含了普通的地物圖像的光譜信息，也包含了地物的幾何結構和紋理信息。高分遙感圖像技術的應用在提升傳統的分析尺度的同時，也將傳統的地物表達方式由像素級向對象空間描述級別擴展，實現地物表示的突破。高分多光譜遙感技術的應用在高精度遙感制圖、災害監控、國土資源利用、農業精細化利用等發面將發揮重要作用。現有的高分辨率遙感圖像分類主要面臨兩大方面的困難：1是通常情況下我們要分類的圖像缺少分類時所需要的有標簽樣本，如果利用過去某個時間采集有標簽遙感圖像做訓練去分類我們要分的圖像時(即多時相分類時)，兩個時相的數據同類地物的分布又不一致，采用直接分類的方法分類精度很低；2是高分條件下地物混合嚴重，依賴光譜分類的方式很難達到較好的分類效果。現有的多時相分類主要采取多時相數據光譜對準后分類的方式，如典型的流行對準(manifoldalignment)的多時相分類算法、基于理想核構造的多核對準分類算法，但這些算法主要依賴于光譜，面對高分辨率多光譜數據，由于光譜波段數目少，且光譜混疊嚴重，這些對準后分類模型很難應用在高分辨率多時相分類領域。
技術實現思路
本專利技術的目的是為了解決高分條件下的多時相對準分類，即解決光譜波段少、光譜混疊嚴重造成的傳統多時相對準分類精度低的問題，提出了一種基于多連接決策流形對準的高分辨率多時相遙感圖像分類方法。一種基于多連接決策流形對準的高分辨率多時相遙感圖像分類方法具體過程為：步驟一、輸入源時相和目標時相中所有空間點的光譜矩陣A與B，以及A中各行相應類別標簽向量Y；步驟二、分別計算A、B以及A與B中各行之間的相似度矩陣W1、W2和W12；步驟三、通過多連接決策方式計算W1、W2所對應的源時相單連接拉普拉斯圖G1、目標時相多連接拉普拉斯圖G2，以及源時相和目標時相單連接相似度矩陣W12的多連接決策優化；步驟四、將A、B、G1、G2和W12輸入到非依賴性光譜對準模型中，獲得A、B在對準空間的映射矩陣F1和F2；步驟五、利用F1、F2以及F1對應的標簽Y，通過KNN分類模型分類，獲得目標時相的分類標簽。本專利技術的有益效果為：本專利技術實現了對一幅沒有標簽樣本的高分辨率遙感圖像通過使用同源的其他時相的有標簽樣本的數據進行分類，擴大了傳統分類模型的應用范疇，實現了對我國高分多光譜數據的深化利用。算法主要針對高分下光譜混疊嚴重、分類精度低的問題，采用多連接決策的方式改進了傳統對準模型中的拉普拉斯圖的求取，提高了在高分下多時相對準分類的能力。為了驗證本專利技術所提出的方法的性能，針對一組多時相高分1號多光譜數據進行了驗證，高分1號多光譜空間分辨率為8m，圖像的覆蓋區域為哈爾濱市江北地區，兩個時相的遙感圖像采集時間為13年9月初和14年9月底，圖像大小為1536x1536，實驗結果驗證了本專利技術提出的基于多連接決策流形對準的高分辨率多時相遙感圖像分類算法的有效性。在源圖像中各類樣本數目均為100的情況下，本專利技術的分類Kappa系數達到0.766，分類精度達到82％左右。附圖說明圖1是本專利技術的實現流程示意圖；圖2a是源圖像內由于高分多光譜地物混合嚴重造成的最相似點可能不是同一類的情況，其中左邊表示僅尋找一個最相似條件下出現的錯誤，右邊則使用多個相似點，通過連接點中的類別點數最多的一類作為連接的類別；圖2b表示源圖像和目標圖像間同樣由于高分多光譜地物混合嚴重造成的目標圖像中的某點在源圖像中最相似的點可能不是同一類的錯誤情況；圖2c表示源圖像和目標圖像間通過多連接的方式尋找在目標圖像中的某點在源圖像的若干個最相似點，并通過統計出現最多的類別中相似度最大的點作為最相似點的情況；圖3a是一幅高分1號哈爾濱江北地區13年9月初的遙感圖像，圖像大小為1536x1536；圖3b是圖3a中所對應的標簽樣本的位置，共有7類地物，分別為：道路、工業區、居民區、裸土、耕地、森林、水域。有標簽樣本數據為101571個；圖3c是一幅高分1號哈爾濱江北地區14年9月末的遙感圖像，圖像大小為1536x1536，圖3a和圖3c是地理空間完全一致的相同區域；圖3d是圖2c中所對應的標簽樣本的位置，標簽同樣包含7類地物，分別為：道路、工業區、居民區、裸土、耕地、森林、水域。有標簽樣本數據為100000個；圖3e是兩幅圖像的標簽樣本的標注，不同顏色代表不同類；圖4a表示圖3c中所有標簽樣本波段1和波段2的散點分布圖，不同顏色表示不同類別；圖4b表示圖3c經過對準映射后的映射數據的第一第二波段的散點分布圖，不同顏色表示不同類；圖5a是圖3c中部分區域的原始標簽樣本圖；圖5b是通過使用圖3a有標簽數據直接去分類圖3c中的有標簽數據的分類結果圖，區域與圖5a相同；圖5c是通過使用圖3a的有標簽樣本經過與圖3c中有標簽樣本進行對準后去分類圖3c的結果，顯示區域與圖5a相同；圖6是在采用不同的訓練樣本數據條件下對目標圖像的分類的20次實驗的kappa系數的平均值。具體實施方式具體實施方式一：結合圖1說明本實施方式，本實施方式的一種基于多連接決策流形對準的高分辨率多時相遙感圖像分類方法具體過程為：步驟一、輸入源時相和目標時相中所有空間點的光譜矩陣A和B，以及A中各行相應類別標簽向量Y；步驟二、分別計算A、B以及A與B中各行之間的相似度矩陣W1、W2和W12；步驟三、通過多連接決策方式計算W1、W2所對應的源時相單連接拉普拉斯圖G1、目標時相多連接拉普拉斯圖G2，以及源時相和目標時相單連接相似度矩陣W12的多連接決策優化；步驟四、將A、B、G1、G2和W12輸入到非依賴性光譜對準模型中，獲得A、B在對準空間的映射矩陣F1和F2；步驟五、利用F1、F2以及F1對應的標簽向量Y，通過KNN分類模型分類，獲得目標時相的分類標簽。具體實施方式二：本實施方式與具體實施方式一不同的是：所述步驟二中計算A、B以及A與B中各行之間的相似度矩陣W1、W2和W12；具體過程為：式中，分別為W1、W2和W12的第i行第j列的元素，σ為相似度的控制參數；Ai,:為矩陣A的第i行所有元素，Aj,:為矩陣A的第j行所有元素，Bi,:為矩陣B的第i行所有元素，Bj,:為矩陣B的第j行所有元素，:為第i行所有列。其它步驟及參數與具體實施方式一相同。具體實施方式三：結合圖2a、圖2b、圖2c說明本實施方式，本實施方式與具體實施方式一或二不同的是：所述步驟三中通過多連接決策方式計算W1、W2所對應的源時相單連接拉普拉斯圖G1、目標時相多連接拉普拉斯圖G2，以及源時相和目標時相單連接相似度矩陣W12的多連接決策優化；具體過程為：步驟三一、依次對W1的每行執行如下操作：找到W1中第i行的從大到小排序的前p個值，并找到這p個值的位置在標簽向量Y中對應的標簽，統計這p個出現的標簽中出現次數最多的標簽類別，然后找到該類標類別所對應位置的相似度值的最大的位置t，令G1(i,t)＝1,將G1本文檔來自技高網...

【技術保護點】
一種基于多連接決策流形對準的高分辨率多時相遙感圖像分類方法，其特征在于：一種基于多連接決策流形對準的高分辨率多時相遙感圖像分類方法具體過程為：步驟一、輸入源時相和目標時相中所有空間點的光譜矩陣A和B，以及A中各行相應類別標簽向量Y；步驟二、分別計算A、B以及A與B中各行之間的相似度矩陣W1、W2和W12；步驟三、通過多連接決策方式計算W1、W2所對應的源時相單連接拉普拉斯圖G1、目標時相多連接拉普拉斯圖G2，以及源時相和目標時相單連接相似度矩陣W12的多連接決策優化；步驟四、將A、B、G1、G2和W12輸入到非依賴性光譜對準模型中，獲得A、B在對準空間的映射矩陣F1和F2；步驟五、利用F1、F2以及F1對應的標簽向量Y，通過KNN分類模型分類，獲得目標時相的分類標簽。

【技術特征摘要】
1.一種基于多連接決策流形對準的高分辨率多時相遙感圖像分類方法，其特征在于：一種基于多連接決策流形對準的高分辨率多時相遙感圖像分類方法具體過程為：步驟一、輸入源時相和目標時相中所有空間點的光譜矩陣A和B，以及A中各行相應類別標簽向量Y；步驟二、分別計算A、B以及A與B中各行之間的相似度矩陣W1、W2和W12；步驟三、通過多連接決策方式計算W1、W2所對應的源時相單連接拉普拉斯圖G1、目標時相多連接拉普拉斯圖G2，以及源時相和目標時相單連接相似度矩陣W12的多連接決策優化；步驟四、將A、B、G1、G2和W12輸入到非依賴性光譜對準模型中，獲得A、B在對準空間的映射矩陣F1和F2；步驟五、利用F1、F2以及F1對應的標簽向量Y，通過KNN分類模型分類，獲得目標時相的分類標簽。2.根據權利要求1所述一種基于多連接決策流形對準的高分辨率多時相遙感圖像分類方法，其特征在于：所述步驟二中計算A、B以及A與B中各行之間的相似度矩陣W1、W2和W12；具體過程為：W1i,j=e-||Ai,:-Aj,:||22×σ2i≠j0i=j]]>W2i,j=e-||Bi,:-Bj,:||22×σ2i≠j0i=j]]>W12i,j=e-||Bi,:-Aj,:||22×σ2]]>式中，分別為W1、W2和W12的第i行第j列的元素，σ為相似度的控制參數；Ai,:為矩陣A的第i行所有元素，Aj,:為矩陣A的第j行所有元素，Bi,:為矩陣B的第i行所有元素，Bj,:為矩陣B的第j行所有元素，:為第i行所有列。3.根據權利要求2所述一種基于多連接決策流形對準的高分辨率多時相遙感圖像分類方法，其特征在于：所述步驟三中通過多連接決策方式計算W1、W2所對應的源時相單連接拉普拉斯圖G1、目標時相多連接拉普拉斯圖G2，以及源時相和目標時相單連接相似度矩陣W12的多連接決策優化；具體過程為：步驟三一、依次對W1的每行執行如下操作：找到W1中第i行的從大到小排序的前p個值，并找到這p個值的位置在標簽向量Y中對應的標簽，統計這p個出現的標簽中出現次數最多的標簽類別，然后找到該類標類別所對應位置的相似度值的最大的位置t，令G1(i,t)＝1,將G1中第i行其他元素賦值為0；步驟三二、依次對W2的每行執...

【專利技術屬性】
技術研發人員：谷延鋒，高國明，
申請(專利權)人：哈爾濱工業大學，
類型：發明
國別省市：黑龍江;23