[發(fā)明專利]基于局部一致性的遙感影像半監(jiān)督投影降維方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201210366079.0
• 申請(qǐng)日: 2012-09-27
• 公開（公告）號(hào): CN102902984A
• 公開（公告）日: 2013-01-30
• 發(fā)明（設(shè)計(jì)）人: 楊淑媛;焦李成;徐雯暉;劉芳;緱水平;侯彪;王爽;楊麗霞;鄧曉政;王秀秀
• 申請(qǐng)（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62
• 代理公司: 陜西電子工業(yè)專利中心 61205
• 代理人: 田文英;王品華

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，更進(jìn)一步涉及信息提取和模式識(shí)別技術(shù)領(lǐng)域中的一種基于局部一致性的遙感影像半監(jiān)督投影降維方法。本發(fā)明可用于在高光譜遙感影像技術(shù)領(lǐng)域中進(jìn)行地物分類，通過波段降維方法減少冗余波段，提高遙感影像的分類精度，利用高光譜圖像對(duì)復(fù)雜地貌地物進(jìn)行分析，判定出不同類別的地物。

背景技術(shù)

目前在高光譜遙感影像領(lǐng)域中，對(duì)高光譜數(shù)據(jù)進(jìn)行降維處理的方法通常分為兩類：特征提取和特征選擇的方法。特征提取方法利用原始數(shù)據(jù)提取其特征參數(shù)，通過數(shù)學(xué)變換壓縮波段，將數(shù)據(jù)投影到低維空間，常見的方法有主成分分析和線性判別分析。特征選擇方法是在原始數(shù)據(jù)眾多波段中選擇感興趣的若干波段或選擇信息量大和相關(guān)性小的若干波段。

Yu等人在文獻(xiàn)“J.Yu?and?Q.Tian，Semantic?Subspace?Projection?and?Its?Applications?in?Image?Retrieval，IEEE?Transactions?on?Circuits?and?Systems?for?Video?Technology，vol.18，no.4，April.2008.”中提出了一種語(yǔ)義子空間投影的降維方法對(duì)圖像進(jìn)行降維處理。該方法首先根據(jù)圖像數(shù)據(jù)集的監(jiān)督信息和K近鄰局部幾何信息，構(gòu)造同類近鄰結(jié)構(gòu)；在投影后的子空間中，約束來自不同語(yǔ)義類的樣本分離，而來自相同語(yǔ)義近鄰結(jié)構(gòu)的樣本聚集，找到一個(gè)最優(yōu)投影。該方法存在的不足是，由于該方法為有監(jiān)督的線性降維方法，需要利用大量的監(jiān)督信息，而對(duì)于高光譜圖像數(shù)據(jù)，其類別信息的獲取是耗時(shí)耗力且非常困難的，從而導(dǎo)致該方法在小樣本學(xué)習(xí)情況下因缺少監(jiān)督信息而降低了地物分類識(shí)別率。

河海大學(xué)在其申請(qǐng)的專利文件“基于條件互信息的遙感高光譜圖像波段選擇方法”(申請(qǐng)?zhí)枺?01010152915.6申請(qǐng)日2010-04-21公開號(hào)：101853392A)中公開了一種利用條件互信息對(duì)遙感高光譜圖像波段選擇的方法。該方法首先利用待分類樣本給定類別條件下各波段之間的條件互信息進(jìn)行波段分組；然后，用支持向量機(jī)和遺傳算法相結(jié)合的搜索算法對(duì)得到的分組波段進(jìn)行搜索計(jì)算；最后，找到最優(yōu)波段組合。該方法存在的不足是，該專利申請(qǐng)的方法由于波段相關(guān)性和數(shù)據(jù)信息量不可兼得，在最大信息量的條件下，會(huì)導(dǎo)致波段間相關(guān)性大，影響分類識(shí)別率。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服上述已有技術(shù)的不足，提出一種基于局部一致性的遙感影像半監(jiān)督投影降維方法。本發(fā)明可在小樣本學(xué)習(xí)情況下，利用少量的監(jiān)督信息，減少高光譜遙感影像冗余波段，同時(shí)，保持了圖像局部的一致性，提高高光譜遙感影像地物分類的識(shí)別率。

本發(fā)明實(shí)現(xiàn)的具體步驟如下：

(1)劃分遙感影像數(shù)據(jù)集

將待處理的高光譜數(shù)據(jù)集作為測(cè)試集，按訓(xùn)練-測(cè)試樣本比選取帶標(biāo)簽樣本組成有監(jiān)督信息的訓(xùn)練集。

(2)生成矩陣

2a)采用語(yǔ)義相似矩陣公式生成測(cè)試集的標(biāo)簽矩陣；

2b)采用近鄰方法生成測(cè)試集的近鄰矩陣；

2c)采用局部一致性約束方法生成測(cè)試集的局部一致性矩陣。

(3)融合標(biāo)簽矩陣和近鄰矩陣：采用點(diǎn)積方法融合標(biāo)簽矩陣和近鄰矩陣。

(4)生成近鄰均值向量：采用局部近鄰均值向量公式生成近鄰均值向量。

(5)生成散度矩陣

5a)采用相異散度矩陣公式生成測(cè)試集的相異散度矩陣；

5b)采用相似散度矩陣公式生成測(cè)試集的相似散度矩陣；

5c)采用局部一致性散度矩陣公式生成測(cè)試集的局部一致性散度矩陣。

(6)求解最優(yōu)投影矩陣：采用特征值分解方法求解最優(yōu)投影矩陣。

(7)投影降維：將最優(yōu)投影矩陣和測(cè)試樣本集矩陣相乘，得到測(cè)試樣本集矩陣的降維矩陣。

與現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點(diǎn)：

第一，由于本發(fā)明采用了半監(jiān)督學(xué)習(xí)的方法，克服了現(xiàn)有技術(shù)因缺乏足夠監(jiān)督信息而無法精確分類地物的困難，使得本發(fā)明具有了利用少量監(jiān)督信息就可以獲得很高的識(shí)別率的優(yōu)點(diǎn)。

第二，由于本發(fā)明采用了局部一致性約束，克服了現(xiàn)有技術(shù)無法在空間上約束近鄰樣本一致性的困難，使得本發(fā)明具有保持相似地物一致性，提高分類識(shí)別率的優(yōu)點(diǎn)。

附圖說明

圖1為本發(fā)明的流程圖；

圖2為采用本發(fā)明與現(xiàn)有技術(shù)降維得到的地物識(shí)別精度對(duì)比圖；

圖3為采用本發(fā)明降維得到的地物平均精度圖。

具體實(shí)施方式

參照?qǐng)D1，對(duì)本發(fā)明做進(jìn)一步的詳細(xì)描述。