一種遙感圖像的分類方法技術

本發明專利技術提供了遙感圖像的分類方法，首先獲取遙感圖像中地物的樣本，然后構建用于地物分類的半監督神經網絡模型，最后基于半監督神經網絡進行地物分類。本發明專利技術在半監督神經網絡中引入結構性誤差代替經驗誤差，有效地避免了當目標函數局部取得局部極小值帶來的分類錯誤；并在極值求解過程中引入了用于求解非線性優化的擬牛頓極值求解算法，從而有效地提高了地物分類精度，為后續進一步進行環境檢測、地形測繪等應用提供有益保障。

【技術實現步驟摘要】
一種遙感圖像的分類方法
本專利技術涉及遙感圖像處理領域，特別是一種遙感圖像地物分類的方法。
技術介紹
遙感圖像在國民經濟的各個領域發揮著越來越重要的作用，其中，遙感圖像分類顯得尤為重要，如根據植被覆蓋率進行水土流失監測、根據分類后的海洋溢油面積計算估算損失和環境保護、通過遙感圖像分類后得到的結果可以自動生成測繪地圖等。在圖像處理中，根據分類過程中所使用的樣本是否有標記，將現有的遙感圖像分類方法分為全監督、半監督和非監督的三類方法。文獻“SemisupervisedNeuralNetworksforEfficientHyperspectralImageClassification，IEEETransactionsonGeoscienceandRemoteSensing，2010,Vol.48(5),p2271–2282.”提出了一種半監督神經網絡的超光譜圖像分類方法。該方法首先構建了基于流形正則化框架下的半監督神經網絡，然后使用帶有平衡約束的隨機梯度下降法對能量函數進行優化。但是，該方法分類訓練過程復雜、估計誤差較大，且通過經驗誤差來確定判別函數，分類精度不高且會陷入局部最優，其泛化能力尚有提高空間。
技術實現思路
為了克服現有技術的不足，本專利技術提供一種對遙感圖像進行半監督分類的方法，能夠有效提高地物分類精度。本專利技術的技術方案包括下述步驟：構建半監督神經網絡模型以用于遙感圖像的地物分類、用擬牛頓法對模型進行求解得到地物分類結果。（a）獲取遙感圖像中地物的樣本。從遙感圖像中提取各個像素的灰度特征，根據不同地物具有不同灰度值的特性，對遙感圖像中已知地物類別的部分進行標記，從而獲得標記樣本；未知類別部分則作為無標記樣本。將標記樣本與無標記樣本集合，即得到了用于進行分類的樣本數據。（b）構建用于地物分類的半監督神經網絡模型。該神經網絡模型為一個三層感知神經網絡，其中輸入層包括1個神經元（與特征維數有關），隱層包括三個神經元，輸出層包括4個神經元（與預定義的地物類別有關）；在該神經網絡中，將SVM中的結構性誤差引入代替感知神經網絡的經驗誤差，以此作為新的正則化目標函數，從而得到了基于結構誤差的新的半監督神經網絡模型。（c）基于半監督神經網絡進行地物分類。基于神經網絡進行分類的過程，實際上是一個目標函數的最小化過程。由于(b)中結構性誤差的最小化過程包含了二階可導項，因此采用擬牛頓進行求解，從而大大提高計算效率。本專利技術的有益效果是：本專利技術在半監督神經網絡中引入結構性誤差代替經驗誤差，有效地避免了當目標函數局部取得局部極小值帶來的分類錯誤；并在極值求解過程中引入了用于求解非線性優化的擬牛頓極值求解算法，從而有效地提高了地物分類精度，為后續進一步進行環境檢測、地形測繪等應用提供有益保障。具體實施方式本專利技術的技術方案包括下述步驟：構建半監督神經網絡模型以用于遙感圖像的地物分類、用擬牛頓法對模型進行求解得到地物分類結果，具體如下：（1）構建半監督神經網絡模型以遙感圖像中像素的灰度值作為描述地物的特征，如不同的地物（河流、耕地等）具有不同的灰度值。從包含多種地物的遙感圖像中，提取遙感圖像中各類地物的特征，在本專利技術中，選用地物的灰度特征，即從遙感圖像中提取所有像素點的灰度值，形成一個由像素灰度值組成的樣本集合其中樣本x1,x2,…，lx，lx1…,表示遙感圖像中各個像素的一維灰度特征向量，n表示所有遙感圖像中包含的像素個數。針對樣本集合人工為其前l個樣本標記類別，形成標記集合{y1,…,yl}，其中yi∈{-1,+1}（i＝1,2,...,l），其中每個像素灰度值xi是實數，并且標記yi∈{-1,+1}。而樣本集合中后u個數據點為未標記數據。對圖像進行半監督分類也就是構建并求解目標函數的過程，決策函數f的最小化正則化函數為：其中，V表示標記數據導致損失的代價函數，γM控制數據邊緣分布內蘊幾何的復雜度，在構建的新模型中，選擇神經網絡構造f(w,x)，在模型中，用于解決不適定問題的Laplacian正則化項改為根據nguyen-widrow設置初始權值，使用l+u個節點構造數據鄰域圖，邊緣的權值為Sij，由這些權值形成一個(l+u)×(l+u)矩陣S，那么L＝D-S，其中D為S的對角矩陣，其對角元素且f＝[f(w,x1),…f(w,xl+u)]T，（2）將結構性誤差引入得到新的半監督神經網絡模型針對神經網絡在訓練過程中，通過經驗誤差來調節權重導致泛化能力差的問題，結合SVM的結構性誤差思想對半監督神經網絡進行改進。本專利技術選擇三層的多層感知網絡（Multiplelayerperception,MLP），一個輸入層、一個輸出和一個隱層，輸入層用于輸入樣本的特征向量，輸出層輸出的是樣本的類別。對于具有Sigmoid激發函數的三層MLP：f(x)＝W(2)h(W(1)x+b1)+b2，其中，W(1)、W(2)分別表示輸入層到隱層、隱層到輸出層的權值，b2分別表示輸出層的輸出結果，h為隱層輸出矢量函數。假設輸出層b2＝0，則隱層輸出矢量y(1)＝h(W(1)x+b1)，那么分類超平面可以寫成W(1)y(1)＝0，空間的點與分類超平面的距離為d，表示式如下：則對于已標記的樣本，可以得到新的正則化目標函數其中n為隱神經元的數目，u為未標記樣本個數，l是標記樣本個數。輸出目標yi的值為-1或1。在對神經網絡訓練過程中，使用擬牛頓法以加速算法的收斂，同時，由于用未標記樣本輔助構建損失函數，能夠更為準確的描述樣本的真實分布。（3）用擬牛頓法對模型進行求解根據（4）得到的新的正則化目標函數，MLP輸入維數是m，n為隱神經元的數目，則MLP神經網絡可以定義為以下形式：對代價函數的輸入和輸出分別求梯度，得到：再計算目標函數并根據AU本文檔來自技高網...

【技術保護點】
一種遙感圖像的分類方法，其特征在于包括下述步驟：（a）從遙感圖像中提取各個像素的灰度特征，根據不同地物具有不同灰度值的特性，對遙感圖像中已知地物類別的部分進行標記，從而獲得標記樣本；未知類別部分則作為無標記樣本；將標記樣本與無標記樣本集合，即得到了用于進行分類的樣本數據；（b）構建用于地物分類的半監督神經網絡模型，該神經網絡模型為一個三層感知神經網絡，其中輸入層包括1個神經元，隱層包括三個神經元，輸出層包括4個神經元；在該神經網絡中，將SVM中的結構性誤差引入代替感知神經網絡的經驗誤差，以此作為新的正則化目標函數，從而得到了基于結構誤差的新的半監督神經網絡模型；（c）采用擬牛頓進行求解半監督神經網絡，進行地物分類。

【技術特征摘要】
1.一種遙感圖像的分類方法，其特征在于包括下述步驟：(a)從遙感圖像中提取各個像素的灰度特征，根據不同地物具有不同灰度值的特性，對遙感圖像中已知地物類別的部分進行標記，從而獲得標記樣本；未知類別部分則作為無標記樣本；將標記樣本與無標記樣本集合，即得到了用于進行分類的樣本數據，具體如下：以遙感圖像中像素的灰度值作為描述地物的特征，從包含多種地物的遙感圖像中，提取遙感圖像中各類地物的特征，形成一個由像素灰度值組成的樣本集合其中樣本x1,x2,…,xl,xl+1,…,xn表示遙感圖像中各個像素的一維灰度特征向量，n表示所有遙感圖像中包含的像素個數；針對樣本集合人工為其前l個樣本標記類別，形成標記集合{y1,…,yl}，其中yi∈{-1,+1}(i＝1,2,...,l)，其中每個像素灰度值xi是實數，并且標記yi∈{-1,+1}；而樣本集合中后u個數據點為未標記數據；對圖像進行半監督分類也就是構建并求解目標函數的過程，決策函數f的最小化正則化函數為：其中，V表示標記數據導致損失的代價函數，γM控制數據邊緣分布內蘊幾何的復雜度，在構建的新模型中，選擇神經網絡構造f(w,x)，在模型中，用于解決不適定問題的Laplacian正則化項改為根據nguyen-widrow設置初始權值，使用l+u個節點構造數據鄰域圖，邊緣的權值為Sij，由這些權值形成一個(l+u)×(l+u)矩陣S，那么L＝D-S，其中D為S的對角矩陣，其對角元素且f＝[f(w,x1),…f(w,xl+u)]T；(b)構建用于地物分...

【專利技術屬性】
技術研發人員：孫莉，張群，馬苗，田光見，李秀秀，馬潤年，
申請(專利權)人：中國人民解放軍空軍工程大學，
類型：發明
國別省市：