CN106529508A - 基于局部和非局部多特征语义高光谱图像分类方法 - Google Patents

Abstract

本发明公开了一种基于局部和非局部多特征语义高光谱图像分类方法。主要解决高光谱图像分类中正确率低，鲁棒性差，空间一致性弱的问题。其步骤包括：输入图像，提取图像多种特征；数据集切分为训练集和测试集；概率支持矢量机将所有样本的多种特征映射成相应的语义表示；构造局部以及非局部近邻集合；构建降噪马尔可夫场模型，进行语义融合和降噪处理；对语义表示迭代优化；利用语义表示求得所有样本的类别，完成高光谱图像准确分类。本发明采用了多特征融合，并对存在于图像中的空间信息充分挖掘和利用，在小样本情况下，得到了非常高的分类精度，并拥有良好的鲁棒性和空间一致性，用于军事探测、地图绘制、植被调查、矿物检测等方面。

Description

基于局部和非局部多特征语义高光谱图像分类方法

技术领域

本发明属于图像处理技术领域，涉及机器学习和高光谱图像处理，具体是一种基于局部和非局部多特征语义高光谱图像分类方法，用于对高光谱图像中的不同地物进行分类识别。

背景技术

高光谱遥感技术在过去的几十年中逐渐成为了地球观测领域的研究热点。高光谱遥感技术利用成像光谱仪以纳米级的光谱分辨率，以几十或几百个波段同时对地表物成像，能够获得地物的连续光谱信息，实现地物空间信息、辐射信息、光谱信息的同步获取，具有“图谱合一”的特性。由于不同的地物有着不同的反射波信息，高光谱图像中光谱的高分辨率就为分辨不同地物或目标提供了极其重要的判别信息。高光谱图像的地物分类在地质调查、农作物灾害监测、大气污染和军事目标打击等领域均有良好应用前景。

高光谱遥感图像分类就是将高光谱遥感图像中的每个像元划归到各个类别中的过程。由于高光谱遥感技术获取的图像包含了丰富的空间、辐射和光谱三重信息，为分类任务提供了大量的判别信息，但仍存在巨大的挑战和困难。首先，数据量大，至少几十个波段，导致计算复杂度很高，也给数据的存储、传递和显示带来了挑战；其次，维数过高，存在冗余数据及其部分噪声，会降低分类精度；最后，波段多，且波段间相关性高，导致所需训练样本数目增多，如果训练样本不足，则会出现机器学习中常见的欠拟合等问题，导致随后的分类精度严重下降。

传统高光谱分类方法中，基于光谱信息的支持矢量机等分类方法可以一定程度的解决上述困难，但是其分类精度较低，分类结果图的空间一致性较差，无法满足应用需求。

近年来，在特征层面，研究者提出了大量基于多特征信息的分类方法，在分类精度上有了一定的提升，这些方法在结合多特征信息时，主要有两种方式：第一个是特征级融合，直接将多个特征向量进行串联后作为分类器的输入；第二个是决策级融合，将多个特征向量分别输入分类器后，对其分类结果进行融合。多特征信息在这两种融合方式的过程中都存在一定的信息损失，导致多特征信息没有全部被有效地利用。

在模型层面，由于高光谱图像中空间信息的重要性，大量加入空间约束的分类方法被提出，如联合稀疏表示模型，基于融合核的支持矢量机，马尔可夫场模型等，这些方法利用了高光谱图像中的局部空间信息，使得分类精度得到了很大的提升。但是，一方面，这些方法在局部空间信息的处理上较为粗糙，大都使用传统的方形窗口作为像素点的局部领域，影响了分类结果图的空间一致性，阻碍了分类精度的进一步提升。另一方面，在高光谱图像中冗余着大量的非局部空间信息，这些方法都未对此类信息进行有效地利用，使得分类的精度以及鲁棒性的上限较低。

因此如何从高维的冗余数据中提取出多种有用的特征，合理的将多种特征进行结合，并且有效地利用丰富的空间信息(局部以及非局部)以及少量且珍贵的类别信息，提升高光谱图像在小样本情况下的分类结果的精度、鲁棒性以及分类结果图的空间一致性是一个有待解决的技术难题。

发明内容

本发明针对现有技术中存在的分类结果精度较低、鲁棒性较差、分类结果图空间一致性较弱的问题，提出了一种合理将多种特征信息进行结合并且能够有效地利用局部和非局部空间信息以及相关类别信息的基于局部和非局部多特征语义高光谱图像分类方法。

本发明是一种基于局部和非局部多特征语义高光谱图像分类方法，其特征在于，包括有如下步骤：

(1)输入图像，提取图像的多种特征：输入高光谱图像M是高光谱图像中所有像素点的总个数，h_q为一个列向量，代表像素点q在每个波段的反射值所构成的向量；对高光谱图像分别提取多种特征，包括有：原始光谱特征、Gabor纹理特征、差分形态学特征；该高光谱图像包含c类像素点，其中有N个有标记像素点，m个无标记像素点，图像的每个像素点为一个样本，每个样本由V个特征向量构成，分别代表该样本在不同特征描述子下的表述，V是特征类别的个数；

(2)高光谱图像数据集分为训练集和测试集：用N个有标记像素点作为训练样本构成训练集其对应的类别标记集为用m个无标记像素点作为测试样本构成测试集其中，x_i表示训练集的第i个样本，y_j表示测试集的第j个样本，l_i是第i个训练样本所属的类别标号，D_v表示第v类特征的维数，R表示实数域；

(3)利用概率支持矢量机(SVM)将所有样本的多种特征映射成相应的语义表示：分别利用训练集中所有样本的V个特征向量以及其对应的类别标记集构建V个概率支撑矢量机分类器，该分类器的核函数为径向高斯核，核参数以及惩罚参数由多倍交叉验证得到；将测试集中所有样本的V个特征向量分别输入到构建的V个对应分类器中，得到在不同特征描述子表述下，每个测试样本y_j,j＝1,2,…,m属于每个类别的概率，作为每个测试样本的语义表示对于训练集中的每个样本x_i,i＝1,2,…,N，它属于本身类别l_i的概率为1，而属于其他类别的概率为0，得到多种特征对应的多种语义表示其中的第l_i行为1，其它行为0；从而得到该高光谱图像中所有样本的多种语义表示

(4)构造测试集中所有样本的局部以及非局部近邻集合；对于测试集中的每个样本y_j,j＝1,2,…,m，构造其局部自适应近邻集合B_j和非局部相似结构近邻集合C_j；

(5)构建降噪马尔可夫场模型，进行测试样本的多种语义表示融合以及语义表示的降噪处理；对每个测试样本y_j,j＝1,2,…,m分别进行如下操作，将y_j所对应的语义表示局部自适应近邻集合B_j中所有样本的语义表示和非局部相似结构近邻集合C_j中所有样本的语义表示均输入到局部能量函数中，最小化该能量函数，得到测试样本y_j的一阶降噪语义表示与此同时保持训练集中样本的语义表示不变，得到该高光谱图像所有样本的一阶降噪语义表示

(6)对高光谱图像所有样本的一阶降噪语义表示进一步迭代优化；设定最大迭代次数T_max，t为当前迭代代数，对每个测试样本进行如下操作：将测试样本y_j，以及集合B_j和集合C_j中所有样本的第t阶降噪语义表示作为降噪马尔可夫场局部能量函数的输入，最小化该能量函数，得到测试样本y_j的第(t+1)阶语义表示与此同时继续保持训练集中样本的语义表示不变，进而得到该高光谱图像所有样本的第(t+1)阶降噪语义表示重复迭代过程，直到t＝T_max-1停止，得到该高光谱图像所有样本的第T_max阶降噪语义表示，也就是最终的语义表示

(7)利用最终的语义表示求得测试集中所有样本的类别；对于测试集中的每个样本y_j,j＝1,2,…,m，其最终的语义表示为即测试样本y_j属于每个类别的概率所组成的列向量，选择该向量中最大值元素所在位置的标号作为y_j的类别从而得到测试集类别预测集合完成该高光谱图像的分类任务。

本发明基于高光谱图像不同特征空间中的多个特征，通过弱分类器映射到相同的语义空间，而后利用马尔可夫场模型进行语义融合、降噪，得到含有多种信息以及少量噪声的语义表示，在此基础上对高光谱图像中的不同地物进行分类识别。

本发明与现有的技术相比具有以下优点：

1、本发明由于充分挖掘了像元之间的相互关系，找到了每个像元的局部自适应近邻，以及非局部相似结构近邻，与此同时，少量有标记样本的类别信息也会随之而传播到其局部以及非局部近邻中，使得高光谱图像在少量有标记样本的情况下仍然可以取得很高的分类精度。

2、本发明由于对马尔可夫场模型进行了多特征方向和非局部方向的改进，并且用语义向量间的测地距离正则项代替了传统的离散的类别异同正则项，使得马尔可夫场模型更加的适合于处理高光谱图像分类问题，解决了传统马尔可夫模型导致的过平滑等问题，提高了分类结果图的空间一致性。

3、本发明中提出的降噪马尔可夫场模型，可以通过简单的梯度下降法进行求解，计算复杂度低于传统马尔可夫场模型所用的图切类算法，并且在求优迭代过程中可以很好的避免陷入局部最优解，提高了模型的鲁棒性，从而提升分类结果的鲁棒性。

对比实验表明，本发明显著提高了高光谱遥感图像的分类准确率和鲁棒性，并使得分类结果图具有很好的空间一致性。

附图说明

图1是本发明的流程示意图；

图2是本发明仿真采用的Indian Pine数据集，其中，图2a为Indian Pine数据集通过主成分分析(PCA)获取的一维灰度图像，图2b为Indian Pine数据集真实地物类别标号图，每个颜色对应一种不同的地物类型；

图3是本发明与现有方法在Indian Pine数据集上的分类结果图的对比，其中，图3a-3f分别对应着基于三种现有分类方法：融合核的支持矢量机(SVM+CK)，支持矢量机结合马尔可夫场(SVM+MRF)，联合稀疏表示(SOMP)；以及两种本发明方法的简化版，和本发明提出的方法得到的Indian Pine数据集的分类结果图。

具体实施方式

下面结合附图对本发明详细说明。

实施例1：

对于高光谱图像的地物分类问题，目前现有的方法大都存在着分类精度不够理想，分类结果鲁棒性较差，分类结果图的空间一致性较弱的问题，本发明结合多种特征在语义空间的融合技术以及局部、非局部空间约束方法，主要针对现有方法存在的多种问题提出了一种基于局部和非局部多特征语义高光谱图像分类方法。

本发明是一种基于局部和非局部多特征语义高光谱图像分类方法，参见图1，包括有如下步骤：

(1)输入图像，提取图像的多种特征。

常用的高光谱图像数据包括由美国宇航局NASA喷气推进实验室的空载可见光/红外成像光谱仪AVIRIS获得的Indian Pine数据集和Salinas数据集，以及NASA的ROSIS光谱仪获得的University of Pavia数据集等。

输入高光谱图像M是高光谱图像中所有像素点的总个数，h_q为一个列向量，代表像素点q每个波段的反射值，也就是该像素点的原始光谱特征；对高光谱图像分别提取多种特征，包括有：原始光谱特征、Gabor纹理特征、差分形态学特征(DMP)，这三种特征分别反应了高光谱图像所具有的光谱、纹理、形状信息。该高光谱图像包含c类像素点，其中有N个有标记像素点，m个无标记像素点，图像的每个像素点为一个样本，每个样本由V个特征向量构成，分别代表该样本在不同特征描述子下的表述，V是特征类别的个数。

本实施例中所使用的特征类别数量为3，故这里及其之后所述的特征类别的个数V在不加说明的情况下都应等于3。

本实施例中所提及的N个有标记像素点是从高光谱图像的每一类像素点中等比例选出的像素点，m个剩余所有像素点作为无标记像素点。

(2)高光谱图像数据集分为训练集和测试集，用N个有标记像素点作为训练样本构成训练集其对应的类别标记集为用m个无标记像素点作为测试样本构成测试集其中，x_i表示有标记训练集的第i个有标记训练样本，y_j表示测试集的第j个无标记测试样本。高光谱图像中的每个样本都用V个列向量表示，每个列向量代表一个特征，l_i是第i个有标记训练样本所属的类别标号，D_v表示样本第v类特征所对应的维数，R表示实数域。对应于步骤(1)中N为有标记像素点个数，m为无标记像素点个数，在此，N是有标记训练样本总个数，m是测试样本总个数。

(3)利用概率支持矢量机(SVM)将所有样本的多种特征映射到相应的语义空间，具体为映射成相应的语义表示。分别利用训练集中所有样本的V个特征向量以及其对应的类别标记集构建V个分类器即概率支撑矢量机(SVM)，该概率支撑矢量机(SVM)的核函数为径向高斯核，核参数以及惩罚参数由多倍交叉验证得到。将测试集中所有样本的V个特征向量分别输入到构建的V个对应的概率支撑矢量机(SVM)分类器中，得到在不同特征描述子表述下，每个测试样本y_j,j＝1,2,…,m属于每个类别的概率，作为每个测试样本的语义表示对于训练集中的每个样本x_i,i＝1,2,…,N，属于本身类别l_i的概率为1，而属于其他类别的概率为0，其多种特征对应的多种语义表示为其中的第l_i行为1，其他行为0，训练集中样本的语义表示都是一个0-1编码的向量，得到该高光谱图像中所有样本的多种语义表示注，由于训练集中所有样本的类别标号已知，其对应的语义表示为完全正确的语义表示。

本实施例中使用概率支持矢量机(SVM)完成样本特征到样本语义表示的映射，是因为对于高光谱图像地物分类问题来说，概率支持矢量机(SVM)拥有良好的鲁棒性和较强的分类能力，并且作为基准分类器在高光谱处理领域较为通用。本发明也可以使用其他可得到类别概率的分类器完成该步骤，如多项逻辑回归，随机森林及它们的变种分类器等，来替代概率支持矢量机(SVM)。

(4)为了提取测试集中所有样本的局部空间信息和非局部空间信息，来引入局部和非局部的空间约束，构造测试集中所有样本的局部以及非局部近邻集合。对于测试集中的每个样本y_j,j＝1,2,…,m，构造其局部自适应近邻集合B_j和非局部相似结构近邻集合C_j，得到测试集中每个测试样本的局部自适应近邻集合和非局部相似结构近邻集合。

(5)构建降噪马尔可夫场模型，进行测试样本的多种语义表示的融合以及语义降噪处理，其中降噪处理是通过引入局部、非局部的空间约束来实现的。结合步骤(3)中得到的所有样本的多种语义表示以及步骤(4)中得到测试集中所有样本的局部自适应近邻集合和非局部相似结构近邻集合，将测试集中所有样本的多种语义表示以及其局部、非局部近邻的多种语义表示，全部输入到降噪马尔可夫场模型中，最大化马尔可夫场的联合概率，也就是最小化马尔可夫场的全局能量，为了最小化全局能量，使用迭代条件模式法(ICM)进行求解，将该全局最小化问题转换为多个局部最小化问题，也就是最小化每个样本所在势团的能量，该势团由测试样本本身和对应的所有近邻样本构成，对每个测试样本y_j,j＝1,2,…,m分别进行如下操作，将测试样本y_j的多种语义表示局部自适应近邻集合B_j中所有样本的多种语义表示和非局部相似结构近邻集合C_j中所有样本的多种语义表示输入到降噪马尔可夫场的局部能量函数中，最小化该函数，从而得到测试样本y_j第一次降噪后的语义表示从而最小化所有测试样本所在势团的能量，得到所有测试样本的一阶降噪语义表示。为了将训练集中样本的语义表示，也就是完全正确的语义表示，继续通过降噪马尔可夫场对其局部和非局部近邻进行积极的影响，故保持训练集中样本的语义表示不变，结合所有测试样本的一阶降噪语义表示，得到该高光谱图像所有样本的一阶降噪语义表示

(6)由于步骤(5)中所使用的迭代条件模式法(ICM)进行一轮局部最小化能量计算后并不能保证全局能量的最小化，所以对高光谱图像所有样本的一阶降噪语义表示也就是步骤(5)中得到的语义表示结果进一步迭代优化。参见图1，设定最大迭代次数T_max，t为当前迭代代数，将测试样本y_j的第t阶降噪语义表示局部自适应近邻集合B_j中所有样本的第t阶降噪语义表示和非局部相似结构近邻集合C_j中所有样本的第t阶降噪语义表示作为降噪马尔可夫场局部能量函数的输入，同样最小化该能量函数，得到测试样本y_j的第(t+1)阶语义表示从而得到该高光谱图像所有测试样本的第(t+1)阶降噪语义表示。对于训练集中所有样本来说，处理方式和步骤(5)中所述相同，得到该高光谱图像中所有样本的第(t+1)阶降噪语义表示重复迭代过程，就是此步骤，直到t＝T_max-1，停止，得到该高光谱图像所有样本的第T_max阶降噪语义表示，也就是最终的语义表示注，在本步骤中提到的降噪马尔可夫场局部能量函数与步骤(5)中提到的降噪马尔可夫场局部能量函数有所不同，是由于步骤(5)中的局部能量函数需要完成多语义融合的功能，而本步骤中的局部能量函数只需要完成迭代优化即可，具体不同点参见实施例4中一阶局部能量函数和第(t+1)阶局部能量函数。

本发明中需要设定参数T_max，也就是步骤(6)中提及的迭代次数，在一般情况下，若T_max较小则无法得到收敛的结果，若T_max较大则导致计算的复杂度较高，产生较多无谓的计算。此参数的设定方法叙述如下，通过计算的结果是否稳定来判断，随机选取少量预测样本(百分之5到百分之10即可)，根据这部分预测样本的第(t+1)阶语义表示得到的预测类别集合和第t阶语义表示得到的预测类别集合之间的差距小于一定的阈值，则无需继续迭代，T_max就等于(t+1)。一般的，在训练样本数量较少的情况下，所需的T_max较大，反之毅然。

(7)利用步骤(6)中得到最终的语义表示求得测试集中所有样本的类别。对于测试集中的每个样本y_j,j＝1,2,…,m，其最终的语义表示为(一个c×1的列向量)，即测试样本y_j属于每个类别的概率所组成的列向量，选择中最大值元素所在位置的标号作为该测试样本的类别从而得到测试集中所有样本的类别，构成测试集类别预测集合完成该高光谱图像的分类任务。

例如对于Indian Pine数据集而言，图2b给出了该数据集的真实地物类标图，无论采用何种分类方法，都可以和图2b进行对比，验证分类效果。

本发明由于充分挖掘了像元之间的相互关系，找到每个像元的局部自适应近邻集以及非局部相似结构近邻集，并将由这两种近邻集所构建的局部和非局部空间约束加入到所设计的降噪马尔可夫场模型中，与此同时，少量有标记样本的类别信息也会随着降噪马尔可夫场的优化过程而传播到其局部以及非局部近邻中。本发明使得高光谱图像在少量有标记样本的情况下仍然可以取得很高的分类精度，且分类结果图拥有很好的空间一致性。

实施例2：

基于局部和非局部多特征语义高光谱图像分类方法同实施例1，其中步骤(1)中所述的多种特征，包括但不仅限于：原始光谱特征、Gabor纹理特征、差分形态学特征(DMP)，其中Gabor纹理特征和差分形态学特征(DMP)分别表述如下：

Gabor纹理特征：对该高光谱图像进行主成分分析(PCA)处理，取处理后的前3维主成分作为3幅基准图像，分别进行16个方向，5个尺度的Gabor变换，每个基准图像各得到80维的纹理特征，堆叠在一起得到总维数为240维的Gabor纹理特征。

差分形态学特征(DMP)：对该高光谱图像进行主成分分析(PCA)处理，取处理后的前3维主成分作为3幅基准图像，分别进行5个尺度的开操作并相互做差和5个尺度的闭操作并相互做差，每个基准图像各得到8维的差分特征，堆叠在一起得到总维数为24维的差分形态学特征。

本发明在多种特征的选择上，除了使用原始的光谱信息，还着重考虑了纹理和形状方面的信息，由于不同的特征描述子对于图像具有不同的表述，其中Gabor纹理特征可以很好的提取高光谱图像中的局部纹理信息，也就是局部像元之间的相关性信息，而差分形态学特征(DMP)可以很好的反应高光谱图像中的形状块的边缘以及大小信息。本发明结合光谱、纹理和形状特征可以提升高光谱图像不同类别像元之间的判别性，最终提高基于局部和非局部多特征语义高光谱图像分类方法的分类精度和鲁棒性。

除了本实施例中提到的三种特征以外，其他特征也可以使用在本发明中，例如高光谱图像分析中常用的灰度共生矩阵、三维小波变换等特征，于此同时，本发明可以使用的特征数量也不仅限于三种，更多种类的特征虽然会提高方法的判别力，但是也会无端的增加计算复杂度，和大量冗余的信息，本发明使用的三种特征：原始光谱特征、Gabor纹理特征、差分形态学特征(DMP)，已经基本涵盖了高光谱图像的大部分信息。

实施例3：

基于局部和非局部多特征语义高光谱图像分类方法同实施例1-2，其中步骤(4)中所述的局部与非局部近邻集合构造方法如下：

4a)对该高光谱图像进行主成分分析(PCA)，提取第一主成分作为一幅基准图像，也就是一幅可以反映该高光谱图像基本地物轮廓信息的灰度图像，设置超像素个数LP，进行基于熵率的超像素图像分割，得到LP个超像素块

本实施例中使用基于熵率的超像素分割方法对高光谱图像的第一主成分灰度图进行超像素分割，分割出的超像素块良好的保持图像中的边缘信息和结构信息，且分割出的超像素块大小差异较小，形状较为规则，较为适用于高光谱图像，也被研究者们大量的使用于高光谱图像的分析处理领域。本发明中，也可以使用其他图像分割方法来替代于熵率的超像素分割方法，如均值漂移(Mean Shift)以及其他基于图论的超像素分割方法。

4b)设置局部窗口参数W_local，对于测试集中的样本y_j，位于以样本y_j为中心的方形窗口W_local×W_local中，又和样本y_j属于同一个超像素块P_u的所有样本构成样本y_j的局部自适应近邻集合B_j，从而得到测试集中所有样本的局部自适应近邻集合。这样处理后的局部近邻集合，相比于传统的方形窗口近邻集合，为每个测试样本的局部近邻加入了一定的自适应性，使得每个测试样本所对应的局部近邻都是根据自身周围的情况所确定的，不会因为窗口参数设置的固定性，导致部分测试样本的局部近邻集合包含了大量错误的空间信息。而相比于完全自适应的局部近邻集合构建方法，又可以根据每张高光谱图像的不同分辨率，不同地物类型，设定合适的局部窗口参数，引入一定的先验知识来提升局部空间信息的质量，且完全自适应的局部近邻集合构建方法大都复杂度较高，本发明的局部近邻集合构建方法复杂度与传统方法，也就是方形窗口近邻集合几乎一致，几乎没有增加计算复杂度，但是引入了一定的自适应性。

本发明中需要设定局部窗口参数W_local，参数越大包含的局部近邻越多，局部近邻信息就越丰富，也就越容易引入越多的错误近邻。参数越小则包含的局部近邻越少，也就无法提取到足够的局部近邻信息。设定该参数需要在两者之间折中选择，此参数一般的取值有3、5、...、15等，根据每张高光谱图像的分辨率、地物类型等先验信息，对参数进行不同程度的调整。

4c)设置非局部结构窗口参数W_nonlocal，以及非局部近邻个数K，分别对原始高光谱图像中的每个样本h_q,q＝1,2,…,M在其邻域W_nonlocal×W_nonlocal中进行均值池化，得到所有样本的结构信息

本发明中需要设定非局部结构窗口参数W_nonlocal以及非局部近邻个数K，其中非局部结构窗口参数W_nonlocal的选择方法和本实施例4b)中提到的局部窗口参数W_local较为相似，但一般的，提取每个样本所属子块的信息时需要将尽可能多的结构信息包含在内，非局部结构窗口参数W_nonlocal的取值大于局部窗口参数W_local，如15，17，...，25等。同样的，根据每张高光谱图像的分辨率、地物类型等先验信息，对参数进行不同程度的调整。非局部近邻个数K的取值一般有20，30，...，100等，此参数需要根据高光谱图像中每类样本的数量进行调整，若每类样本数量都较多，则非局部近邻个数K的取值较大，若有部分类样本数量较少，则非局部近邻个数K的取值较小。

本发明使用均值池化的方法来提取每个样本所属子块的结构信息，均值池化后的结果就可以大体表现出每个样本所属子块的基本信息，相比于其他子块可以体现一定的区分度。也可以使用其他聚合方法来替代均值池化提取每个样本所属子块的信息，如最大值池化，加权均值池化或其他更复杂的池化方法。

4d)对于测试集中的每个样本y_j,j＝1,2,…,m，用其结构信息和剩余所有样本的结构信息做比较，计算样本结构信息之间的远近程度：

其中是测地距离，代表对向量x中的每一行进行开根操作，SGD_jq的值就代表了测试样本y_j和样本q之间结构信息的远近程度，相比于常用的欧式距离或者余弦夹角等度量方式，由于已经有研究证明，高光谱图像所包含的反射波信息可以被看作是一种流形，而测地距离作为一种流形距离，可以更好的表述高光谱图像波段反射值向量之间的距离。寻找和测试样本y_j最相似的K个样本，也就是SGD值最小的前K个样本，作为测试样本y_j的非局部相似结构近邻集合C_j，与此同时，由于每个非局部近邻样本和测试样本y_j之间的相似程度不同，所以对于测试样本y_j的重要程度就有所区别，每个根据SGD值的大小，分别给与K个非局部近邻不同的权重，相似程度越高，也就是SGD值越大，则其权重就越大，权重计算公式如下：

式中，ω_jh代表测试样本y_j的非局部相似结构近邻h所对应的权重大小，γ是高斯核参数。

本发明着重设计了测试集中所有样本的局部自适应近邻集合和非局部相似结构近邻集合，其中局部自适应近邻集合将传统方窗和超像素块相结合，充分的提取了样本所在位置附近的局部空间信息，降低错误空间信息引入。而非局部相似结构近邻集合的设计考虑到了高光谱图像中存在的大量冗余的非局部空间信息，本发明将这些信息进行了充分提取。这两种近邻集合的设计，使得最终的降噪马尔可夫场充分利用了局部和非局部空间信息，进而提升高光谱图像的分类精度和分类结果图的空间一致性。

实施例4：

基于局部和非局部多特征语义高光谱图像分类方法同实施例1-3，其中步骤(5)和(6)中最小化马尔可夫场的全局能量，使用迭代条件模式法(ICM)求解，将全局能量最小化转化为最小化每个局部势团能量，对于测试样本y_j，其相应的一阶局部能量函数，也就是步骤(5)中所使用的局部能量函数为：

相应的第(t+1)阶局部能量函数，也就是步骤(6)中所使用的局部能量函数为：

注，以上两个局部能量函数中距离度量方法为测地距离，与实施例3中所述的测地距离相同。相比于传统距离度量方法，如欧式距离、余弦夹角等，测地距离被证明更加适合于度量两个语义向量，也就是概率向量之间的距离。

最小化上述的两个局部能量函数为一个凸优化问题，本发明使用简单快速的梯度下降法最小化以上能量函数，以测试样本y_j的一阶局部能量函数为例，其梯度为：

其中代表的第k个元素，且：

利用以上公式，完成最小化马尔可夫场的全局能量。

本发明由于对马尔可夫场模型进行了多特征方向和非局部方向的改进，并且用语义向量间的测地距离正则项代替了传统的离散的类别异同正则项，使得马尔可夫场模型更加的适合于处理高光谱图像分类问题，解决了传统马尔可夫模型导致的过平滑等问题，改善了高光谱图像分类结果图的空间一致性，提高了分类精度。之后，通过迭代条件模式法(ICM)将全局能量最小化问题转化为多个局部最小化问题，使用简单的梯度下降法进行求解，计算复杂度低于传统马尔可夫场模型所用的图切类算法，并且在求优迭代过程中很好的避免了陷入局部最优解，提高了模型的鲁棒性，从而提升分类结果的鲁棒性。

下面给出一个完整的实施方案，对本发明进一步说明。

实施例5：

基于局部和非局部多特征语义高光谱图像分类方法同实施例1-4，

参照图1，本发明的具体实施步骤包括：

步骤1，输入高光谱图像M是高光谱图像中所有像素点的总个数，h_q为一个列向量，代表像素点q每个波段的反射值。用不同的特征描述子对高光谱图像进行多个特征的提取。在本发明的仿真实验中，分别提取了Gabor纹理特征，形态学差异特征(DMP)以及原始光谱特征。

1a)Gabor纹理特征针对原始高光谱图像利用主成分分析方法(PCA)进行降维后的前三个主成份图像进行Gabor滤波器的多个方向多个尺度的变换，注本实施例中使用16个方向和5个尺度，将每个滤波的结果进行堆叠，得到该高光谱图像的Gabor纹理特征，相应得到每个像素点的纹理特征向量。

1b)形态学差异特征(DMP)也针对前三个主成份图像进行不同尺度的开闭操作，注，此实施例中使用5个尺度的开操作和5个尺度的闭操作，并求相邻两个尺度的开或闭操作之间的差，将所有得到的差值进行堆叠，得到该高光谱图像的形态学差异特征，相应得到每个像素点的形态学差异特征(DMP)向量。

1c)原始光谱特征就是用每个像素点的各个波段的反射值直接作为该像素点的光谱特征。

步骤2,从高光谱图像的每一类像素点中选出等比例的像素点，作为有标记像素点，有标记像素点的总个数为N，该高光谱图像的剩余m个像素点作为无标记像素点，用每个像素点的V个特征向量来表示该像素点，样本的特征维数分别为其中D_v代表第v个特征的维数。

步骤3，选取有标记训练集X、测试集Y，得到所有样本的语义表示集S。

3a)用N个有标记样本构成有标记训练集其对应的类别标记集为R表示实数域。分别利用有标记训练集中的单个特征向量集合X^v以及类别标记集L，训练出V个概率支持矢量机(SVM)模型。支持矢量机的核类型为径向高斯核，核参数r以及惩罚参数c均由多倍交叉验证得到。

3b)用m个无标记样本构成测试集分别将测试集的不同特征向量集分别输入到步骤3a)中所训练出的对应的V个概率支持矢量机模型中，得到测试样本集中所有样本在不同特征描述子的表述下，属于每个类别的概率，即为该测试样本的语义表示，如测试样本y_j的语义表示为对于训练集中的样本来说，其语义表示即一个0-1编码向量，其类标所在位置为1，其他位置为0，表示其属于本身类别的概率为1，属于其他类别的概率为0。故得到该高光谱图像所有样本的语义表示集为

步骤4，构造无标记测试集Y中每个样本的局部自适应近邻集合B以及非局部相似结构近邻集合C。

4a)对原始高光谱图像利用主成分分析(PCA)的方法进行降维，选择第一主成分图像(一个灰度图)作为基准图像，设定超像素个数LP，利用基于熵率的超像素分割方法对该图像进行超像素分割，得到LP个超像素块

4b)设置局部自适应窗口参数W_local，根据步骤4a)中得到的超像素块，构建每个测试样本的局部自适应近邻集。以测试样本y_j为例，若有样本n即属于以测试样本y_j为中心的W_local×W_local大小的方窗内，又和测试样本y_j属于同一个超像素块P_u，则称此样本n为测试样本y_j的一个局部自适应近邻，n∈B_j，以此类推，得到每个测试样本的局部自适应近邻集合

4c)设置非局部结构窗口参数W_nonlocal，以及非局部近邻的个数K。首先对原始高光谱图像M表示高光谱图像中所有样本的个数。在W_nonlocal×W_nonlocal大小的自适应窗口，即参数为W_nonlocal的局部自适应近邻集内进行均值池化，自适应窗口的构造方式同4b)中所述。得到每个样本的局部结构信息

4d)根据步骤4c)中得到的分别计算每个测试样本的局部结构信息和剩余所有点之间的相似度。对于测试集中的每个样本y_j,j＝1,2,…,m，用其结构信息和剩余所有样本的结构信息做比较，计算该样本局部结构信息和剩余所有样本局部结构信息之间的相似度，相似度计算公式如下：

其中是测地距离，代表对列向量x中的每一行进行开根操作。计算每两个样本之间的相似度就可以得到一个相似度矩阵SD，而该矩阵为对称矩阵即SD(j,q)＝SD(q,j)，代表了测试样本y_j和样本q之间的结构相似度。

4e)根据步骤4d)中得到的相似度矩阵SD，对于每个测试样本，选择其前K个最相似的样本作为其非局部近邻。以测试样本y_j为例，选择相似度矩阵SD中的第j列，其每个元素代表着测试样本y_j和每个样本的相似度，选择其中除本身外(本身和本身的相似度最大)，数值最大的前K个样本，作为测试样本y_j的非局部近邻，则得到了测试样本y_j的非局部近邻集合C_j，以此类推，得到每个测试样本的非局部近邻集合

4f)与此同时，根据相似度值的大小，分别给与K个非局部近邻不同的权重，从而使更相似的近邻拥有更高的权重，相对而言，降低相似度较低近邻的权重，从而提高非局部空间约束的合理性和自适应性，权重计算公式如下(其中γ是高斯核参数)：

步骤5，根据步骤3和步骤4中计算出的每个样本的语义表示，以及其相应的局部、非局部近邻集合，构建降噪马尔可夫场模型，其中局部近邻集合作为局部空间约束，非局部近邻集合作为非局部空间约束加入到模型中。利用迭代条件模式法(ICM)最小化每个局部能量，即每个样本所在势团的能量，达到最小化全局能量的目的，计算出每个测试样本的降噪语义表示。

5a)以测试样本y_j为例，将测试样本y_j的V个语义表示以及其局部、非局部近邻集合中所有样本的语义表示输入到降噪马尔可夫场局部能量函数中。测试样本y_j所在势团的能量为：

其中，公式(3)右侧第一项为自约束项，第二项为局部空间约束项，第三项为非局部空间约束项，注，在此公式中所有约束项都是多种语义情况下的约束。利用梯度下降法最小化该函数，得到测试样本y_j的一阶降噪语义表示以此类推，遍历所有测试样本，可以得到所有测试样本的一阶降噪语义表示，而训练样本的语义表示保持不变，故可以得到所有样本的一阶降噪语义表示集

5b)由于迭代条件模式法(ICM)是一个逐渐求优的过程，一次的迭代无法完成全局能量最小化，达不到最终的收敛结果，将步骤5a)中得到的一阶降噪语义表示集输入到降噪马尔可夫场模型中继续进行迭代求优。设置最大迭代次数T_max，以测试样本y_j为例，其一阶降噪语义表示以及其局部、非局部近邻集合中样本的一阶降噪语义表示输入到降噪马尔可夫场局部能量函数中，最小化该能量函数就可以得到测试样本y_j的二阶降噪语义表示以此类推，遍历所有测试样本，注，在求任意阶降噪语义表示时，所有训练样本的语义表示都保持不变，仍然为一个0-1编码列向量，进而得到所有样本的二阶降噪语义表示由于多种语义融合已经在本例的步骤5a)中完成，此时能量函数不再需要进行多种语义的融合，所以局部能函数简化为：

公式(4)右侧三项的意义同公式(3)，但已经不需要进行多种语义融合，故每一项都是单个语义情况下的约束。从公式中可以看出，根据测试样本y_j以及其局部、非局部近邻样本的第t阶降噪语义表示，最小化该函数可以得到测试样本y_j的第(t+1)阶降噪语义表示。而上述的根据一阶降噪语义表示可以得到二阶降噪语义表示这是t＝1时的特例。循环迭代该过程，直到t＝T_max-1，可以得到测试样本y_j的第T_max阶降噪语义表示

对每个测试样本重复此过程，即可以得到每个测试样本的第T_max阶降噪语义表示，进而得到全部样本的第T_max阶降噪语义表示

步骤6，本发明中样本的语义表示就是该样本属于每个类别的概率所构成的列向量，故根据步骤5得到的第T_max阶降噪语义表示对于测试样本y_j选择其语义表示向量中最大值所在的位置，就是测试样本y_j的类别标号以此类推，得到所有测试样本的类别标号

本发明中提出了一种基于局部和非局部多特征语义高光谱图像分类方法，在方法中构建了一种新型马尔可夫场，称为降噪马尔可夫场。该模型通过迭代条件模式法(ICM)最小化马尔可夫场的全局能量，可以将多特征语义在局部、非局部的空间约束下进行合理的融合，对于所有测试样本都得到一个较为全面的、噪声较低的语义表示，进而得到所有测试样本的预测类标。该方法充分的利用了两方面的信息，多特征信息可以对高光谱图像进行较为全面的表述，局部、非局部空间约束可以对高光谱图像像元相互之间的关系进行充分的挖掘。最终，相比于传统的分类方法，本发明提出的基于局部和非局部多特征语义高光谱图像分类方法提升了分类结果的精度、鲁棒性和空间一致性。

本发明的效果可以通过以下仿真实验进一步说明：

实施例6：

基于局部和非局部多特征语义高光谱图像分类方法同实施例1-5。

1.仿真条件:

仿真实验采用美国宇航局NASA喷气推进实验室的空载可见光/红外成像光谱仪AVIRIS于1992年6月在印第安纳西北部获取的Indian Pine图像，如图2a所示，图像大小为145×145，共220个波段，去除噪声以及大气和水域吸收的波段还有200个波段，参见图2b，人工标记后，共16类地物信息。

仿真实验在CPU为Intel Core(TM)i5-4200H、主频2.80GHz，内存为12G的WINDOWS7***上用MATLAB 2014a软件进行。

表1给出了Indian Pine图像中16类数据。

表1 Indian Pine图像中的16类数据

类别	类别名称	样本个数	训练样本个数
				1	苜蓿	46	3
2	玉米-未耕犁	1428	72
				3	玉米-灌溉	830	42
4	玉米	237	12
				5	牧草	483	25
6	树木	730	37
				7	切割的牧草	28	2
8	干草料堆	478	24
				9	荞麦	20	1
10	大豆-未耕犁	972	49
				11	大豆-灌溉	2455	123
12	黄豆	593	30
				13	小麦	205	11
14	树林	1265	64
				15	建筑物-草-树	386	20
16	石头-钢筋	93	5

2.仿真内容及分析：

使用本发明与现有三种方法对高光谱图像Indian Pine进行分类，现有三种方法分别是：基于融合核的支持矢量机(SVM+CK)，支持矢量机结合马尔可夫场(SVM+MRF)，联合稀疏表示(SOMP)。本发明中提出的基于局部和非局部多特征语义高光谱图像分类方法，利用多特征语义表示及空间约束对高光谱图像进行分类，缩写为NE-MFAS，为了验证本发明方法的有效性，仿真实验中加入了两种在本发明框架中的简化版方法MFAS和MFS，其中使用MFAS方法是在实施例6的步骤(4)中只构造了局部近邻集合，不利用非局部近邻集合的信息，来验证非局部近邻集合信息对分类结果的影响，分类结果参见图3e。使用MFS方法在实施例6的步骤(4)中不但不利用非局部近邻集合信息，在构造局部近邻集合时也不利用超像素的信息，只选择方形窗口作为其局部近邻集合，来验证超像素约束对分类结果的影响，分类结果参见图3d。其中支持矢量机(SVM)方法的惩罚因子核参数通过5倍交叉验证确定，SOMP方法的稀疏参数设置为30，空域尺度参数设置为7×7。本发明所用到的超像素个数L设置为75，局部窗口W_local大小为7×7，非局部结构窗口W_nonlocal的大小为21×21，非局部近邻个数K为30，高斯核参数γ为0.05，最大迭代次数T_max设置为3。训练样本的选取方式如下，从16类数据中随机选取5％的像素点作为训练样本，其余的95％作为测试样本。

如图3中所示各方法的分类结果图，均在训练样本完全一致的情况下得到，其中图3a-3c分别是三种现有方法SVM+CK，SVM+MRF，SOMP的分类结果图，可以看出这三种分类方法在大部分区域表现尚可。其中SOMP的分类结果图，参见图3c，离散噪声点较多，空间一致性较差。而SVM+MRF的分类结果图，参见图3b，相比于图3c几乎没有离散噪声点，但存在着大量的过平滑现象，且分类结果图边缘腐蚀较为严重。SVM+CK的分类结果图，参见图3a，相比于图3b和3c，结果是最优的，但还是存在着部分离散噪声点以及大量的边缘腐蚀。图3d-3f分别对应着MFS，MFAS，NE-MFAS的分类结果图。与图3a-3c进行对比，可以看出本发明提出的方法在局部区域连贯性，边缘保持，以及小样本区域的表现都比现有方法更好。其中MFS的分类结果图，参见图3d，相比于传统的三种方法，MFS已经几乎不存在离散噪声点且大部分区域的空间一致性都较好，但有一定的边缘腐蚀现象。MFAS是比MFS多加入了超像素的约束信息，参见图3e，相比于图3d，MFAS的分类结果图在边缘保持方面有了很大的改善，几乎不存在边缘腐蚀现象，但在部分小样本类别区域，如图像右侧黄色矩形区域，几乎无法正确分类。而对MFAS加入了非局部空间约束后，本发明NE-MFAS的分类结果图，参见图3f，相比于图3d和3e，在保持很好的空间一致性的同时，对小样本类别区域，如图像右侧黄色矩形区域，几乎全部正确分类。

通过图3d到3f的变化，可以发现本发明中提出的的超像素约束的自适应局部空间约束可以很好的保持图像的边缘信息，增强空间一致性，而本发明提出的非局部空间约束可以进一步的提高分类精度的上限，尤其在提升样本相对较少的类别分类精度上，有着很好的表现。

实施例7：

基于局部和非局部多特征语义高光谱图像分类方法同实施例1-6，仿真的条件和内容同实施例6。实施例6中所述分类结果图之间的区别只能通过肉眼观察判断，在此通过分类精度对比分析，从数据上体现本发明方法相比于其他方法的优势。所有实验均进行10次取平均值，注每次实验训练样本都是随机选取得到，也就是说一次实验和另一次实验的训练样本不是完全相同的。

表2给出现有三种方法、两种本发明简化版方法和本发明方法的实验精度对比：

表2 Indian Pine图像上三种方法与本发明实验精度结果

方法	分类精度(％)
		SVM+CK	91.59±0.94
SVM+MRF	84.91±1.43
		SOMP	87.55±1.24
本发明简化版1(MFS)	96.87±0.79
		本发明简化版2(MFAS)	97.24±0.64
本发明(NE-MFAS)	98.20±0.58

从表2可以看出，本发明的方法在10次重复实验所得结果的均值远高于现有的三种方法，而标准差要低于现有的三种方法，可以说明本发明方法不论在分类精度还是鲁棒性上表现都是最优，一方面是由于本发明的方法充分结合了多特征所包含的大量判别信息，另一方面在挖掘空间信息方面要远远优于其他三种基于空间信息的方法。从MFS到MFAS，分类精度提升了0.5％，说明超像素约束对空间信息的提取起到了积极的作用，相比于传统的方形窗口，本发明所设计的自适应局部近邻集合可以剔除部分产生负作用的近邻点，提取到更加丰富的局部空间信息，包括边缘和结构信息。从MFAS到NE-MFAS，分类精度提升了1％，说明了非局部近邻中蕴含了大量有价值的信息，而提取这些信息可以进一步的提高分类精度的上限。本发明的分类精度在5％的少量样本情况下，分类精度达到了98.20％，且标准差只有0.58％，优于现有的大部分方法。

综上所述，本发明公开的一种基于局部和非局部多特征语义高光谱图像分类方法。主要解决现有的高光谱图像分类方法正确率低，鲁棒性差，空间一致性弱的问题。其步骤包括：对原始的高光谱图像分别利用多种特征提取方法提取不同的特征；将高光谱图像的每一个像素点用多个特征向量表示，选出有标记训练集和测试集；将有标签训练集输入到概率支持矢量机中，把测试集中每一个像素点的多个特征映射到语义空间，得到每一个测试样本的多个语义表示；利用降噪马尔可夫场模型同时引入空间信息和多语义信息，最小化该马尔可夫场的能量，得到每个测试样本的降噪语义表示，进而得到整个测试集的类别信息。本发明利用支持矢量机得到的语义表示和马尔可夫场模型的完美契合，充分的结合了多特征信息以及局部、非局部空域上下文信息，最终能够对高光谱图像进行更加准确地分类。与两个本发明方法简化版的对比，验证了本发明方法的有效性。与现有的三种方法对比，说明了本发明方法在小样本情况下，具有高精确度，高鲁棒性，以及优秀的空间一致性。可用于军事探测、地图绘制、植被调查、矿物检测等方面。

本实施方式中没有详细叙述的部分属本行业的公知的常用手段，这里不一一叙述。以上例举仅仅是对本发明的举例说明，并不构成对本发明的保护范围的限制，凡是与本发明相同或相似的设计均属于本发明的保护范围之内。

Claims (5)

1.一种基于局部和非局部多特征语义高光谱图像分类方法，其特征在于，包括有如下步骤：

(1)输入图像，提取图像的多种特征：输入高光谱图像M是高光谱图像中所有像素点的总个数，h_q为一个列向量，代表像素点q在每个波段的反射值所构成的向量；对高光谱图像分别提取多种特征，包括有：原始光谱特征、Gabor纹理特征、差分形态学特征；该高光谱图像包含c类像素点，其中有N个有标记像素点，m个无标记像素点，图像的每个像素点为一个样本，每个样本由V个特征向量构成，分别代表该样本在不同特征描述子下的表述，V是特征类别的个数；

(2)高光谱图像数据集分为训练集和测试集：用N个有标记像素点作为训练样本构成训练集其对应的类别标记集为用m个无标记像素点作为测试样本构成测试集其中，x_i表示训练集的第i个样本，y_j表示测试集的第j个样本，l_i是第i个训练样本所属的类别标号，D_v表示第v类特征的维数，R表示实数域；

(3)利用概率支持矢量机(SVM)将所有样本的多种特征映射成相应的语义表示：分别利用训练集中所有样本的V个特征向量以及其对应的类别标记集构建V个概率支撑矢量机分类器，该分类器的核函数为径向高斯核，核参数以及惩罚参数由多倍交叉验证得到；将测试集中所有样本的V个特征向量分别输入到构建的V个对应分类器中，得到在不同特征描述子表述下，每个测试样本y_j,j＝1,2,…,m属于每个类别的概率，作为每个测试样本的语义表示对于训练集中的每个样本x_i,i＝1,2,…,N，它属于本身类别l_i的概率为1，而属于其他类别的概率为0，得到多种特征对应的多种语义表示其中的第l_i行为1，其它行为0；从而得到该高光谱图像中所有样本的多种语义表示

(4)构造测试集中所有样本的局部以及非局部近邻集合：对于测试集中的每个样本y_j,j＝1,2,…,m，构造其局部自适应近邻集合B_j和非局部相似结构近邻集合C_j；

(5)构建降噪马尔可夫场模型，进行测试样本的多种语义表示融合以及语义表示的降噪处理：对每个测试样本y_j,j＝1,2,…,m分别进行如下操作，将y_j所对应的语义表示局部自适应近邻集合B_j中所有样本的语义表示和非局部相似结构近邻集合C_j中所有样本的语义表示均输入到局部能量函数中，最小化该能量函数，得到测试样本y_j的一阶降噪语义表示与此同时保持训练集中样本的语义表示不变，得到该高光谱图像所有样本的一阶降噪语义表示

(6)对高光谱图像所有样本的一阶降噪语义表示进一步迭代优化：设定最大迭代次数T_max，t为当前迭代代数，对每个测试样本进行如下操作：将测试样本y_j，以及集合B_j和集合C_j中所有样本的第t阶降噪语义表示作为降噪马尔可夫场局部能量函数的输入，最小化该能量函数，得到测试样本y_j的第(t+1)阶语义表示与此同时继续保持训练集中样本的语义表示不变，进而得到该高光谱图像所有样本的第(t+1)阶降噪语义表示重复迭代过程，直到t＝T_max-1停止，得到该高光谱图像所有样本的第T_max阶降噪语义表示，也就是最终的语义表示(7)利用最终的语义表示求得测试集中所有样本的类别：对于测试集中的每个样本y_j,j＝1,2,…,m，其最终的语义表示为即测试样本y_j属于每个类别的概率所组成的列向量，选择该向量中最大值元素所在位置的标号作为y_j的类别从而得到测试集类别预测集合完成该高光谱图像的分类任务。

2.根据权利要求1所述的基于局部和非局部多特征语义高光谱图像分类方法，其特征在于，步骤(1)中所述的多种特征中的Gabor纹理特征和差分形态学特征分别表述如下：

Gabor纹理特征：用该高光谱图像主成分分析处理后的前3维主成分作为基准图像，分别进行16个方向，5个尺度的Gabor变换，每个基准图像各得到80维的纹理特征，堆叠在一起得到总维数为240维的Gabor纹理特征；

差分形态学特征：用该高光谱图像主成分分析处理后的前3维主成分作为基准图像，分别进行5个尺度的开操作并相互做差和5个尺度的闭操作并相互做差，每个基准图像各得到8维的差分特征，堆叠在一起得到总维数为24维的差分形态学特征。

3.根据权利要求1所述的基于局部和非局部多特征语义高光谱图像分类方法，其特征在于，步骤(4)中所述的局部与非局部近邻集合构造方法如下：

4a)对该高光谱图像进行主成分分析，提取第一主成分作为基准图像，设置超像素个数LP，进行基于熵率的超像素图像分割，得到LP个超像素块

4b)设置局部窗口参数W_local，对于测试集中的样本y_j，位于以样本y_j为中心的方形窗口W_local×W_local中，又和样本y_j属于同一个超像素块P_u的所有样本构成样本y_j的局部自适应近邻集合B_j；

4c)设置非局部结构窗口参数W_nonlocal，以及非局部近邻个数K，分别对原始高光谱图像中的每个样本h_q,q＝1,2,…,M在其邻域W_nonlocal×W_nonlocal中进行均值池化，得到所有样本的结构信息对于测试集中的每个样本y_j,j＝1,2,…,m，用其结构信息和剩余所有样本的结构信息做比较，计算样本结构信息之间的远近程度：

${\mathrm{SGD}}_{jq}=g(\stackrel{\‾}{h_j},\stackrel{\‾}{h_q})$

其中是测地距离，代表对向量x中的每一行进行开根操作，SGD_jq的值就代表了测试样本y_j和样本q之间结构信息的远近程度；寻找和测试样本y_j最相似的K个样本，也就是SGD值最小的前K个样本，构成测试样本y_j的非局部相似结构近邻集合C_j，与此同时，根据SGD值的大小，分别给予K个非局部近邻不同的权重，权重计算公式如下：

${\mathrm{\ω}}_{jh}=\exp \left(\frac{-\left|{\mathrm{SGD}}_{jh}\right|}{\mathrm{\γ}}\right),h\∈C_j$

式中，ω_jh代表样本y_j的非局部相似结构近邻h的权重大小，γ是高斯核参数。

4.根据权利要求1所述的基于局部和非局部多特征语义高光谱图像分类方法，其特征在于，其中步骤(5)所述的计算测试样本y_j的降噪语义表示所采用的一阶局部能量函数为：

$E\left(\stackrel{\‾}{s_j^{\left(1\right)}};\left(B_j,C_j\right)\right)=\underset{v=\left(1,\mathrm{...},V\right)}{\Σ}g\left(\stackrel{\‾}{s_j^{\left(1\right)}},s_j^v\right)+\underset{r\∈B_j}{\Σ}\underset{v=\left(1,\mathrm{...},V\right)}{\Σ}g\left(\stackrel{\‾}{s_j^{\left(1\right)}},s_r^v\right)+\underset{h\∈C_j}{\Σ}\underset{v=\left(1,\mathrm{...},V\right)}{\Σ}g\left(\stackrel{\‾}{s_j^{\left(1\right)}},{\mathrm{\ω}}_{jh}\·s_h^v\right)$

使用梯度下降法最小化该能量函数，其梯度为：

$\begin{array}{c}\frac{\∂E\left(\stackrel{\‾}{s_j^{\left(1\right)}};\left(B_j,C_j\right)\right)}{\∂\stackrel{\‾}{s_{j,k}^{\left(1\right)}}}=\frac{1}{\left|V\right|}\underset{v=\left(1,\mathrm{...},V\right)}{\Σ}f\left(\stackrel{\‾}{s_{j,k}^{\left(1\right)}},s_{j,k}^v\right)+\frac{1}{\left|V\right|}\underset{r\∈B_j}{\Σ}\underset{v=\left(1,\mathrm{...},V\right)}{\Σ}f\left(\stackrel{\‾}{s_{j,k}^{\left(1\right)}},s_{r,k}^v\right)\\ +\frac{1}{\left|V\right|}\underset{h\∈C_j}{\Σ}\underset{v=\left(1,\mathrm{...},V\right)}{\Σ}f\left(\stackrel{\‾}{s_{j,k}^{\left(1\right)}},{\mathrm{\ω}}_{jh}\·s_{h,k}^v\right)\end{array}$

其中代表的第k个元素，且：

$f(x,y)=\frac{\∂g(x,y)}{\∂x}=-\frac{\sqrt{y}}{2\sqrt{x}\sqrt{1-{\left(\sqrt{x}\sqrt{y}\right)}^2}}$

5.根据权利要求1所述的基于局部和非局部多特征语义高光谱图像分类方法，其特征在于，其中步骤(6)中对测试样本y_j的一阶降噪语义表示进一步迭代优化中，第(t+1)阶局部能量函数为：

$E(\stackrel{\‾}{s_j^{(t+1)}};(B_j,C_j))=g(\stackrel{\‾}{s_j^{(t+1)}},\stackrel{\‾}{s_j^{\left(t\right)}})+\underset{r\∈B_j}{\Σ}g(\stackrel{\‾}{s_j^{(t+1)}},\stackrel{\‾}{s_r^{\left(t\right)}})+\underset{h\∈C_j}{\Σ}g(\stackrel{\‾}{s_j^{(t+1)}},{\mathrm{\ω}}_{jh}\·\stackrel{\‾}{s_h^{\left(t\right)}})$