CN110533118B - 基于多核学习的遥感图像稀疏表达分类方法 - Google Patents
基于多核学习的遥感图像稀疏表达分类方法 Download PDFInfo
- Publication number
- CN110533118B CN110533118B CN201910833071.2A CN201910833071A CN110533118B CN 110533118 B CN110533118 B CN 110533118B CN 201910833071 A CN201910833071 A CN 201910833071A CN 110533118 B CN110533118 B CN 110533118B
- Authority
- CN
- China
- Prior art keywords
- core
- remote sensing
- sparse
- kernel
- sensing image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/513—Sparse representations
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于多核学***坦、数据不规则等问题,提高对空‑谱特征中蕴含丰富且复杂非线性结构信息的表达能力。主要步骤包括:(1)对遥感图像进行空‑谱特征提取操作,提取遥感图像的形态学特征;(2)结合遥感图像数据分布特点根据不同准则选取一组基核函数并构建多核稀疏表示模型;(3)利用一组训练数据通过两步交替优化策略学习得到基核函数的最优线性组合;(4)根据训练得到的基核函数最优线性组合将未标注像元映射到集成核特征空间,并利用基于稀疏表达方法进行分类。本发明能充分挖掘遥感图像空‑谱特征中蕴含丰富的非线性结构特征,可用于不同遥感图像场景下土地覆盖精细化解译任务。
Description
技术领域
本发明涉及一种基于多核学习的遥感图像稀疏表达分类方法,可应用于复杂遥感图像场景下地表覆盖精细化解译任务中,本发明属于高维信息处理与模式识别技术领域。
背景技术
随着地理国情监测与第三次全国土地调查应用对全面细化和完善土地利用基础数据的迫切需求,传统遥感图像处理技术难以实现对地观测应用中对复杂场景更为精细的地物解译与分析。近年来,随着稀疏表达新技术的出现,基于稀疏表达的遥感图像处理技术在方法上和性能上取得突破的进展,为其研究提供了新的契机。然而,在复杂的遥感图像分类场景中,面向各向异性分布、高维特征和多类数据以及包含异质信息的遥感图像,现有基于稀疏表达的遥感图像分类方法通常难以对地表覆盖实现精确的分类与识别。
发明内容
发明目的:鉴于遥感图像空-谱特征中通常蕴含丰富的非线性判别信息,单一核方法与单一组合模式核方法通常无法有效地挖掘空-谱特征中蕴含的丰富非线性结构信息。借助多核学习技术,从训练样本中学习得到一组基核函数的最优线性组合,提升地物在集成核特征空间的可分性。
技术方案:一种基于多核学习的遥感图像稀疏表达分类方法,包括多核学习分类模型训练步骤和分类模型预测步骤:
(1)所述多核稀疏表达分类模型训练步骤具体包括:
步骤1.1对原始遥感图像进行空-谱特征信息提取操作。采用拓展形态学轮廓特征(EMPs)验证多核稀疏表达分类模型对面向各向异性分布、高维特征和多类数据以及包含异质信息遥感图像的捕获能力,具体为:利用主成分分析算法获取遥感图像前p-主分量图像,并利用不同尺寸结构化元素定义的形态学开闭算子对各主分量图像进行滤波操作,并通过特征堆列方式得到拓展形态学特征。
步骤1.2从原始遥感图像中选取部分标注像元构建训练数据,根据训练数据总重构误差最小准则,将多核学习嵌入到稀疏表示模型构建多核稀疏表达模型,具体为:结合场景数据分布特点根据不同准则(不同核类型、不同核距离度量或不同核尺度)选取一组基核函数(其中M表示基核函数的数目),利用该组核函数/>通过线性组合形式将形态学特征映射到集成核特征空间,并通过最小化一组训练数据学习得到基核函数的最优线性组合以增强多核字典在多核特征空间中的稀疏表达能力,即同时学习稀疏编码系数矩阵X和核权重系数β,多核稀疏表示模型具体实现公式如下:
其中,X为训练数据Y在集成核特征空间的编码系数矩阵,Km(D,Y)为训练数据Y在第m个基核空间中的特征表示,βm表示与基核Km关联的核权重参数,Gm为训练字典D同第m个基核关联的核格拉姆矩阵。S(X)表示稀疏诱导正则化项,可以采用与/>其中⊙表示矩阵元素级相乘,/>可以将字典原子在稀疏重建过程中不同作用信息嵌入到多核稀疏表示学习模型中,λ为正则化参数。
步骤1.3根据标注图层,每类选取预设数量的像元构建训练数据,通过两步交替优化策略训练多核稀疏表达模型,即训练得到多核稀疏表达模型各基核最优权重系数。具体为:由于步骤1.2中定义的多核稀疏表达模型存在两个待求解变量,即稀疏编码系数矩阵X和基核权重系数β,对选定的训练数据Y难以直接优化其解该模型,在每次迭代中,固定X和β中的一个变量优化另一个变量,直到满足相应的收敛条件或最大的迭代数目。首先需要从标注图层中每类选取相同数目像元构建训练数据并根据随机初始化得到的基核权重系数β初始化/>和多核格拉姆矩阵/>其后主要交替执行如下步骤:
①固定基核权重系数β,更新编码系数矩阵X。具体为:利用先前一次迭代更新的核权重系数β,在更新的集成多核特征空间对训练数据进行稀疏表示,则多核稀疏表示问题转化成如下稀疏求解问题:
由于编码系数矩阵X对应的是训练数据Y中各个像元相关联编码系数的组合,可以分离地优化每个编码系数αi,即上述问题可转化为如下一系列等价稀疏优化问题:
其中,S(αi)对应与/>相应地上述目标函数在集成多核特征空间可以由稀疏优化求解得到,将/>串联可得到编码系数矩阵X。
②固定编码系数矩阵X,更新基核权重系数β。具体为:固定当前迭代计算得到编码系数矩阵X,则多核稀疏表达问题可以转化成如下优化问题:
上述目标函数可以通过标准约束二次规划问题求解,得到基核权重系数β。
③判断迭代次数是否达到预设数目(或核权重系数趋于稳定),如果是,则输出最后一次迭代得到的基核权重系数β作为最优基核权重;如果否,则返回步骤①,继续执行编码系数矩阵X更新与基核权重系数β更新。
(2)所述多核稀疏表达分类模型预测步骤具体包括:
步骤2.1根据标注图层每类选取预设数目像元构建字典集,利用训练得到最优基核权重系数β,将未标注像元映射到多核特征空间并构建多核字典,即计算多核空间表示向量K(D,y)和多核格拉姆矩阵G;
步骤2.2在多核诱导空间中,对任意未标注像元y借助多核稀疏表示模型求解其对应编码系数向量α,具体公式如下:
步骤2.3根据多核字典对应标注信息和编码系数向量α,在多核特征空间中利用类最小重构误差准则得到像元地物类别,其后获得最终的场景分类效果图。
有效效果:与现有技术相比,本发明提供的一种基于多核学习的遥感图像稀疏表达分类方法,实施过程中借助于多核学习框架,利用两步优化学习策略,可以从遥感图像中学习得到不同基核函数的重要程度,以构建最合适的集成核特征空间,实现对遥感图像不同非线性结构特性蕴含稀疏特征的有效捕获,本发明提出的方法在不同遥感图像场景土地覆盖精细化解译任务中能取得优异性能表现。
附图说明
图1是基于多核学习的遥感图像稀疏表达分类方法的流程图;
图2是本发明的多核稀疏表示模型训练过程的流程图;
图3是本发明的多核稀疏表示模型分类过程的流程图。
具体实施方式
下面结合具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
基于多核学习的遥感图像稀疏表达分类方法的流程图如图1所示。需要输入遥感图像和对应标注图层,标注图层主要用于训练阶段训练样本的选择和分类阶段各字典原子类别确定。具体流程如下:首先,利用主成分分析算法获取遥感图像前p-主分量图像,并利用不同尺寸结构化元素定义的形态学开闭算子对各主分量图像进行滤波操作,并通过特征堆列方式得到拓展形态学轮廓特征(EMPs),具体实施细节请参考Benediktsson J A和Palmason J A等人于2005年发表在IEEE Transactions on Geoscience and RemoteSensing上的论文Benediktsson J A,PalmasonJ A,and Sveinsson J R.Classificationof hyperspectral data from urban areas based on extended morphologicalprofiles[J].IEEE Transactions on Geoscience and Remote Sensing,2005,42(3):480-491。然后,基于不同样本分布、不同核距离度量和不同核尺度等准则选取一种准则构建一组基核函数利用该组核函数/>通过线性组合形式将形态学轮廓特征映射到集成核特征空间,并通过最小化训练数据总重构误差构建多核稀疏表示模型,该模型需同时优化稀疏编码系数和核权重参数。其后,利用一组训练数据通过两步交替优化策略学习得到基核函数的最优核权重系数,具体实施细节如图2所示,具体实施操作如下:每类选取相同数目的像元构建训练样本集/>(其中P为训练样本总数目)且每类选取相同数目像元构建字典集D,根据选取的基核函数/>计算各像元yi在不同基核空间下的表示/>并根据最新的核权重向量β将像元yi映射到多核特征空间得到对应多核向量K(D,yi),并根据由多核格拉姆矩阵得到的多核字典G(即字典D在多核空间的表示)对像元yi关联的多核向量K(D,yi)进行稀疏表达,得到像元yi编码系数向量αi,将训练样本Y中各像元的编码系数向量/>串联即可得到当前编码系数矩阵X。固定编码系数矩阵X,更新核权重系数β,利用新学习得到的β,将训练样本更新到新的多核特征空间,并在新核特征空间更新编码系数矩阵X,直至满足停止准则,将最后一次迭代学习得到的核权重系数作为最优核权重输出。最后,利用学习得到的最优核权重将未标注样本映射到多核特征空间,并对各未标注像元进行稀疏表达分类,具体实施细节如图3所示,对一组未标注的像元先将各像元通过选取的基核函数/>映射到各自基核函数空间,并利用在训练阶段学习得到的最优核权重参数,将像元yi映射到其对应的多核空间K(D,yi),在集成的多核空间中对K(D,yi)进行稀疏表达得到像元yi关联的编码系数αi。并根据字典原子标签信息和对应αi编码信息,按照最小类重建误差准则确定像元yi地物类别。直至全部未标注像元地物类别确定,输出分类专题地图,完成图像分类任务。
Claims (5)
1.一种基于多核学习的遥感图像稀疏表达分类方法,其特征在于,包括多核学习分类模型训练步骤和多核学习分类模型预测步骤:
(1)所述多核学习分类模型训练步骤具体包括:
步骤1.1对原始遥感图像进行空-谱特征信息提取操作;
步骤1.2从原始遥感图像中选取部分标注像元构建训练数据,根据训练数据总重构误差最小准则,将多核学习嵌入到稀疏表示模型构建多核稀疏表达模型;
步骤1.3根据标注图层,每类选取预设数量的像元构建训练数据,通过两步交替优化策略训练多核稀疏表达模型,即训练得到多核稀疏表达模型各基核最优权重系数;
(2)所述多核学习分类模型预测步骤具体包括:
步骤2.1根据标注图层每类选取预设数目像元构建字典集,利用训练得到最优基核权重系数β,将未标注像元映射到多核特征空间并构建多核字典,即计算多核空间表示向量K(D,y)和多核格拉姆矩阵G;
步骤2.2在多核诱导空间中,对任意未标注像元y借助多核稀疏表示模型求解其对应编码系数向量α;
步骤2.3根据多核字典对应标注信息和编码系数向量α,在多核特征空间中利用类最小重构误差准则得到像元地物类别,其后获得最终的场景分类效果图。
2.如权利要求1所述的基于多核学习的遥感图像稀疏表达分类方法,其特征在于,对原始遥感图像进行空-谱特征信息提取操作,得到形态学特征,具体为:利用主成分分析算法获取遥感图像前p-主分量图像,并利用不同尺寸结构化元素定义的形态学开闭算子对各主分量图像进行滤波操作,并通过特征堆列方式得到拓展形态学特征。
3.如权利要求1所述的基于多核学习的遥感图像稀疏表达分类方法,其特征在于,所述步骤1.2的具体内容为:结合场景数据分布特点根据不同准则选取一组基核函数利用该组基核函数/>通过线性组合形式将形态学特征映射到集成核特征空间,并通过最小化一组训练数据学习得到基核函数的最优线性组合以增强多核字典在多核特征空间中的稀疏表达能力,即同时学习稀疏编码系数矩阵X和核权重系数β,多核稀疏表示模型具体实现公式如下:
其中,M表示基核函数的数目,X为训练数据Y在集成核特征空间的编码系数矩阵,Km(D,Y)为训练数据Y在第m个基核空间中的特征表示,βm表示与基核Km关联的核权重参数,Gm为训练字典D同第m个基核关联的核格拉姆矩阵;S(X)表示稀疏诱导正则化项,采用与其中⊙表示矩阵元素级相乘,/>将字典原子在稀疏重建过程中不同作用信息嵌入到多核稀疏表示学习模型中,λ为正则化参数。
4.如权利要求1所述的基于多核学习的遥感图像稀疏表达分类方法,其特征在于,所述步骤1.3的具体内容为:由于步骤1.2中定义的多核稀疏表达模型存在两个待求解变量,即稀疏编码系数矩阵X和基核权重系数β,对选定的训练数据Y难以直接优化其解该模型,在每次迭代中,固定X和β中的一个变量优化另一个变量,直到满足相应的收敛条件或最大的迭代数目;首先需要从标注图层中每类选取相同数目像元构建训练数据并根据随机初始化得到的基核权重系数β初始化/>和多核格拉姆矩阵/>其后主要交替执行如下步骤:
①固定基核权重系数β,更新编码系数矩阵X;具体为:利用先前一次迭代更新的核权重系数β,在更新的集成多核特征空间对训练数据进行稀疏表示,则多核稀疏表示问题转化成如下稀疏求解问题:
由于编码系数矩阵X对应的是训练数据Y中各个像元相关联编码系数的组合,能分离地优化每个编码系数αi,即上述问题能转化为如下一系列等价稀疏优化问题:
其中,S(αi)对应与/>相应地上述函数在集成多核特征空间由稀疏优化求解得到,将/>串联得到编码系数矩阵X;
②固定编码系数矩阵X,更新基核权重系数β;具体为:固定当前迭代计算得到编码系数矩阵X,则多核稀疏表达问题转化成如下优化问题:
上述函数通过标准约束二次规划问题求解,得到基核权重系数β;
③判断迭代次数是否达到预设数目或核权重系数趋于稳定,如果是,则输出最后一次迭代得到的基核权重系数β作为最优基核权重;如果否,则返回步骤①,继续执行编码系数矩阵X更新与基核权重系数β更新。
5.如权利要求1所述的基于多核学习的遥感图像稀疏表达分类方法,其特征在于,所述步骤2.2在多核诱导空间中,对任意未标注像元y借助多核稀疏表示模型求解其对应编码系数向量α,具体公式如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910833071.2A CN110533118B (zh) | 2019-09-04 | 2019-09-04 | 基于多核学习的遥感图像稀疏表达分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910833071.2A CN110533118B (zh) | 2019-09-04 | 2019-09-04 | 基于多核学习的遥感图像稀疏表达分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110533118A CN110533118A (zh) | 2019-12-03 |
CN110533118B true CN110533118B (zh) | 2023-07-25 |
Family
ID=68666863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910833071.2A Active CN110533118B (zh) | 2019-09-04 | 2019-09-04 | 基于多核学习的遥感图像稀疏表达分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110533118B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310864B (zh) * | 2020-03-30 | 2023-04-18 | 安徽工业大学 | 一种基于分组稀疏的多核学习图像分类方法 |
CN112232438B (zh) * | 2020-11-05 | 2023-09-01 | 华东理工大学 | 面向高维图像表示多核子空间学习框架 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109815357A (zh) * | 2019-01-28 | 2019-05-28 | 辽宁工程技术大学 | 一种基于非线性降维及稀疏表示的遥感图像检索方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130191104A1 (en) * | 2012-01-19 | 2013-07-25 | Vladimir Ceperic | System, method and computer program product for modeling electronic circuits |
-
2019
- 2019-09-04 CN CN201910833071.2A patent/CN110533118B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109815357A (zh) * | 2019-01-28 | 2019-05-28 | 辽宁工程技术大学 | 一种基于非线性降维及稀疏表示的遥感图像检索方法 |
Non-Patent Citations (1)
Title |
---|
高光谱遥感影像稀疏表示与字典学习分类研究;甘乐;《中国博士学位论文全文数据库基础科学辑》;20190215(第02期);第50-73页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110533118A (zh) | 2019-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110428428B (zh) | 一种图像语义分割方法、电子设备和可读存储介质 | |
CN111563902B (zh) | 一种基于三维卷积神经网络的肺叶分割方法及*** | |
CN107067405B (zh) | 基于尺度优选的遥感影像分割方法 | |
CN112347970B (zh) | 一种基于图卷积神经网络的遥感影像地物识别方法 | |
CN106874862B (zh) | 基于子模技术和半监督学习的人群计数方法 | |
CN112766155A (zh) | 一种基于深度学习的海水养殖区提取方法 | |
CN110533118B (zh) | 基于多核学习的遥感图像稀疏表达分类方法 | |
Ling et al. | Learning-based superresolution land cover mapping | |
CN115205672A (zh) | 一种基于多尺度区域注意力的遥感建筑物语义分割方法及*** | |
CN115049841A (zh) | 基于深度无监督多步对抗域自适应的高分辨sar图像地物要素提取方法 | |
CN114724155A (zh) | 基于深度卷积神经网络的场景文本检测方法、***及设备 | |
CN114612664A (zh) | 一种基于双边分割网络的细胞核分割方法 | |
CN113837134A (zh) | 一种基于面向对象的深度学习模型和迁移学习的湿地植被识别方法 | |
CN112001293A (zh) | 结合多尺度信息和编解码网络的遥感影像地物分类方法 | |
CN113435254A (zh) | 一种基于哨兵二号影像的耕地深度学习提取方法 | |
CN115861409A (zh) | 大豆叶面积测算方法、***、计算机设备及存储介质 | |
CN114998373A (zh) | 基于多尺度损失函数的改进型U-Net云图分割方法 | |
CN111079807A (zh) | 一种地物分类方法及装置 | |
CN112560719B (zh) | 基于多尺度卷积-多核池化的高分辨率影像水体提取方法 | |
CN114565833A (zh) | 基于轮廓引导和结构注意的全卷积网络建筑物提取方法 | |
CN117727046A (zh) | 新型山洪前端仪器仪表读数自动识别方法及*** | |
CN116503677B (zh) | 一种湿地分类信息提取方法、***、电子设备及存储介质 | |
CN116129280B (zh) | 一种遥感影像雪检测的方法 | |
CN112784806A (zh) | 一种基于全卷积神经网络的含锂伟晶岩脉提取方法 | |
CN116310832A (zh) | 遥感图像处理方法、装置、设备、介质及产品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |