一种基于多连接决策流形对准的高分辨率多时相遥感图像分类方法

摘要

一种基于多连接决策流形对准的高分辨率多时相遥感图像分类方法，本发明涉及高分辨率多时相遥感图像分类方法。本发明的目的是为了解决高分条件下的多时相对准分类的问题。具体过程为：一、输入源时相和目标时相中所有空间点的光谱矩阵A与B，以及A中各行相应类别标签向量Y；二、分别计算A、B以及A与B中各行之间的W1、W2和W12；三、通过多连接决策方式计算W1、W2所对应的G1、G2，以及W12的多连接决策优化；四、将A、B、G1、G2和W12输入到非依赖性光谱对准模型中，获得A、B在对准空间的映射矩阵F1和F2；五、通过KNN分类模型分类，获得目标时相的分类标签。本发明用于图像分类领域。

说明书

技术领域

本发明涉及高分辨率多时相遥感图像分类方法。

背景技术

多光谱光学遥感是遥感领域中的重要分支，当前多光谱光学遥感技术逐渐由低空间分辨率向高空间分辨率发展，从典型的1000米分辨率的modis数据发展到30米空间分辨率的Landsat的数据，在到我国8米分辨率的高分1号数据和3.2米分辨率的高分2号数据。高空间分辨率多光谱遥感图像不仅包含了普通的地物图像的光谱信息，也包含了地物的几何结构和纹理信息。高分遥感图像技术的应用在提升传统的分析尺度的同时，也将传统的地物表达方式由像素级向对象空间描述级别扩展，实现地物表示的突破。高分多光谱遥感技术的应用在高精度遥感制图、灾害监控、国土资源利用、农业精细化利用等发面将发挥重要作用。

现有的高分辨率遥感图像分类主要面临两大方面的困难：1是通常情况下我们要分类的图像缺少分类时所需要的有标签样本，如果利用过去某个时间采集有标签遥感图像做训练去分类我们要分的图像时(即多时相分类时)，两个时相的数据同类地物的分布又不一致，采用直接分类的方法分类精度很低；2是高分条件下地物混合严重，依赖光谱分类的方式很难达到较好的分类效果。现有的多时相分类主要采取多时相数据光谱对准后分类的方式，如典型的流行对准(manifold alignment)的多时相分类算法、基于理想核构造的多核对准分类算法，但这些算法主要依赖于光谱，面对高分辨率多光谱数据，由于光谱波段数目少，且光谱混叠严重，这些对准后分类模型很难应用在高分辨率多时相分类领域。

发明内容

本发明的目的是为了解决高分条件下的多时相对准分类，即解决光谱波段少、光谱混叠严重造成的传统多时相对准分类精度低的问题，提出了一种基于多连接决策流形对准的高分辨率多时相遥感图像分类方法。

一种基于多连接决策流形对准的高分辨率多时相遥感图像分类方法具体过程为：

步骤一、输入源时相和目标时相中所有空间点的光谱矩阵A与B，以及A中各行相应类别标签向量Y；

步骤二、分别计算A、B以及A与B中各行之间的相似度矩阵W₁、W₂和W₁₂；

步骤三、通过多连接决策方式计算W₁、W₂所对应的源时相单连接拉普拉斯图G₁、目标时相多连接拉普拉斯图G₂，以及源时相和目标时相单连接相似度矩阵W₁₂的多连接决策优化；

步骤四、将A、B、G₁、G₂和W₁₂输入到非依赖性光谱对准模型中，获得A、B在对准空间的映射矩阵F₁和F₂；

步骤五、利用F₁、F₂以及F₁对应的标签Y，通过KNN分类模型分类，获得目标时相的分类标签。

本发明的有益效果为：

本发明实现了对一幅没有标签样本的高分辨率遥感图像通过使用同源的其他时相的有标签样本的数据进行分类，扩大了传统分类模型的应用范畴，实现了对我国高分多光谱数据的深化利用。算法主要针对高分下光谱混叠严重、分类精度低的问题，采用多连接决策的方式改进了传统对准模型中的拉普拉斯图的求取，提高了在高分下多时相对准分类的能力。

为了验证本发明所提出的方法的性能，针对一组多时相高分1号多光谱数据进行了验证，高分1号多光谱空间分辨率为8m，图像的覆盖区域为哈尔滨市江北地区，两个时相的遥感图像采集时间为13年9月初和14年9月底，图像大小为1536x1536，实验结果验证了本发明提出的基于多连接决策流形对准的高分辨率多时相遥感图像分类算法的有效性。在源图像中各类样本数目均为100的情况下，本发明的分类Kappa系数达到0.766，分类精度达到82％左右。

附图说明

图1是本发明的实现流程示意图；

图2a是源图像内由于高分多光谱地物混合严重造成的最相似点可能不是同一类的情况，其中左边表示仅寻找一个最相似条件下出现的错误，右边则使用多个相似点，通过连接点中的类别点数最多的一类作为连接的类别；

图2b表示源图像和目标图像间同样由于高分多光谱地物混合严重造成的目标图像中的某点在源图像中最相似的点可能不是同一类的错误情况；

图2c表示源图像和目标图像间通过多连接的方式寻找在目标图像中的某点在源图像的若干个最相似点，并通过统计出现最多的类别中相似度最大的点作为最相似点的情况；

图3a是一幅高分1号哈尔滨江北地区13年9月初的遥感图像，图像大小为1536x1536；

图3b是图3a中所对应的标签样本的位置，共有7类地物，分别为：道路、工业区、居民区、裸土、耕地、森林、水域。有标签样本数据为101571个；

图3c是一幅高分1号哈尔滨江北地区14年9月末的遥感图像，图像大小为1536x1536，图3a和图3c是地理空间完全一致的相同区域；

图3d是图2c中所对应的标签样本的位置，标签同样包含7类地物，分别为：道路、工业区、居民区、裸土、耕地、森林、水域。有标签样本数据为100000个；

图3e是两幅图像的标签样本的标注，不同颜色代表不同类；

图4a表示图3c中所有标签样本波段1和波段2的散点分布图，不同颜色表示不同类别；

图4b表示图3c经过对准映射后的映射数据的第一第二波段的散点分布图，不同颜色表示不同类；

图5a是图3c中部分区域的原始标签样本图；

图5b是通过使用图3a有标签数据直接去分类图3c中的有标签数据的分类结果图，区域与图5a相同；

图5c是通过使用图3a的有标签样本经过与图3c中有标签样本进行对准后去分类图3c的结果，显示区域与图5a相同；

图6是在采用不同的训练样本数据条件下对目标图像的分类的20次实验的kappa系数的平均值。

具体实施方式

具体实施方式一：结合图1说明本实施方式，本实施方式的一种基于多连接决策流形对准的高分辨率多时相遥感图像分类方法具体过程为：

步骤一、输入源时相和目标时相中所有空间点的光谱矩阵A和B，以及A中各行相应类别标签向量Y；

步骤二、分别计算A、B以及A与B中各行之间的相似度矩阵W₁、W₂和W₁₂；

步骤三、通过多连接决策方式计算W₁、W₂所对应的源时相单连接拉普拉斯图G₁、目标时相多连接拉普拉斯图G₂，以及源时相和目标时相单连接相似度矩阵W₁₂的多连接决策优化；

步骤四、将A、B、G₁、G₂和W₁₂输入到非依赖性光谱对准模型中，获得A、B在对准空间的映射矩阵F₁和F₂；

步骤五、利用F₁、F₂以及F₁对应的标签向量Y，通过KNN分类模型分类，获得目标时相的分类标签。

具体实施方式二：本实施方式与具体实施方式一不同的是：所述步骤二中计算A、B以及A与B中各行之间的相似度矩阵W₁、W₂和W₁₂；具体过程为：

式中，分别为W₁、W₂和W₁₂的第i行第j列的元素，σ为相似度的控制参数；A_i,:为矩阵A的第i行所有元素，A_j,:为矩阵A的第j行所有元素，B_i,:为矩阵B的第i行所有元素，B_j,:为矩阵B的第j行所有元素，:为第i行所有列。

其它步骤及参数与具体实施方式一相同。

具体实施方式三：结合图2a、图2b、图2c说明本实施方式，本实施方式与具体实施方式一或二不同的是：所述步骤三中通过多连接决策方式计算W₁、W₂所对应的源时相单连接拉普拉斯图G₁、目标时相多连接拉普拉斯图G₂，以及源时相和目标时相单连接相似度矩阵W₁₂的多连接决策优化；具体过程为：

步骤三一、依次对W₁的每行执行如下操作：找到W₁中第i行的从大到小排序的前p个值，并找到这p个值的位置在标签向量Y中对应的标签，统计这p个出现的标签中出现次数最多的标签类别，然后找到该类标类别所对应位置的相似度值的最大的位置t，令G1(i,t)＝1,将G1中第i行其他元素赋值为0；p为正整数；

步骤三二、依次对W₂的每行执行如下操作：找到W₂中第i行的从大到小排序的前p个值，将其他位置赋值为0，并计算W₂中第i行从大到小排序的前p个值的和f，然后将W₂第i行每个元素都除以f，令G₂(i,:)＝W₂(i,:)；

步骤三三、依次对W₁₂的每行执行如下操作：找到W₁₂中第i行的从大到小排序的前p个值，并找到这p个最大值的位置在标签向量Y中对应的标签，统计这p个出现的标签中出现次数最多的标签类别，然后找到该类标类别所对应位置的相似度值的最大的位置t，令W₁₂(i,t)＝1,将W₁₂中第i行其他元素赋值为0。

其它步骤及参数与具体实施方式一或二相同。

具体实施方式四：本实施方式与具体实施方式一至三之一不同的是：所述步骤四中将A、B、G₁、G₂和W₁₂输入到非依赖性光谱对准模型中，获得A、B在对准空间的映射矩阵F₁和F₂；具体过程为：

步骤四一、计算对角线矩阵D₁和D₂，D₁和D₂中各元素计算方式如下：

为对角线矩阵D₁的第i行第i列的元素，为对角线矩阵D₂的第i行第i列的元素；D₁和D₂的非对角线元素都赋值为0；

步骤四二、计算原始数据混合矩阵Z、相似度对角线混合矩阵D和广义拉普拉斯图矩阵L；

其中μ是控制参数，为W₁₂的转置矩阵；

步骤四三、假定γ＝(α^T,β^T)^T，其中α和β分别为源时相数据A和目标时相数据B向共同空间中的投影函数；γ为源数据A和目标时相数据B共同向公共投影空间的投影向量，T表示对向量进行转置操作；

其中γ的求取方式如下：

ZLZ^Tγ＝λZDZ^Tγ

式中，λ为ZLZ^T和ZDZ^T的广义特征值；

步骤四四、利用α和β作为映射向量将源时相中所有空间点的光谱矩阵A和目标时相中所有空间点的光谱矩阵B投影到共同空间中，计算方法如下：

F₁＝Aα

F₂＝Bβ。

其它步骤及参数与具体实施方式一至三之一相同。

具体实施方式五：本实施方式与具体实施方式一至四之一不同的是：所述步骤五中利用F₁、F₂以及F₁对应的标签向量Y，通过KNN分类模型分类，获得目标时相的分类标签；具体过程是：

将F₁作为训练样本，将Y作为训练样本标签，将F₂作为测试样本，利用传统KNN分类模型，获得测试样本标签Y_t，将Y_t作为目标时相中所有空间点的光谱矩B的分类标签进行输出。

其它步骤及参数与具体实施方式一至四之一相同。

采用以下实施例验证本发明的有益效果：

实施例一：

本实施例一种基于多连接决策流形对准的高分辨率多时相遥感图像分类方法具体是按照以下步骤制备的：

实验所用数据是高分一号多光谱传感器获得的我国黑龙江省哈尔滨市江北地区的两幅不同时间的遥感图像，采集时间分别为13年9月初和14年9月底，数据包含4个光谱波段(R、G、B、NIR)，多光谱地面分辨率8m，灰度范围为0～1000，图像大小1536x 1536。数据经过了大气、几何校正等预处理。图3a为13年9月的高分1好多光谱遥感图像(RGB三色图)，图3b为图3a中对应的样本标签，图3c为14年9月高分1号多光谱遥感图像(RGB三色图)，图3d为图3c中对应的样本标签，图3e为标签所对应的类别。通过利用图三中的数据，利用13年数据及标签去分类14年数据，然后利用14年数据的标签判定分类效果。图4a为目标时相的原始数据中所有标签点的第一波段和第二波段的散点图，图4b为经过对准后目标时相映射数据的第一波段和第二波段的散点图，用来对比对准方法的有效性，图5a为14年局部分类标签图、图5b是利用13年原始数据直接去分类14年原始数据的分类结果(仅画出图5a相同的范围)、图5c是利用13年数据和14年数据经过本文提出的方法进行对准后的分类结果(仅画出图5a相同的范围)。图6为在不同的训练样本数目和采样方式的条件下，三种分类算法的对目标时相的分类的结果。从4a和图4b对比可以看到，经过对准后目标时相的各类数据比原始数据的散点图的可分类性更大(即各类的分开的程度)，因此本算法能够提升对目标时相的分类能力。图5b和图5c是在对准和非对准下的分类结果，可以看到经过本算法对准后的分类图更接近与原始标签图(图5a)。图6是在不同的训练样本数据和训练样本采集方式的条件下，直接分类、单连接分类和多连接决策分类三种算法的分类的kappa系数，通过对比可以看到，我们提出的算法在所有条件下kappa系数都是最好的。因此实验验证了我们算法的有效性。

本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。