[發明專利]基于區域相似性低秩表示降維的高光譜圖像分類方法

有效

• 申請號: 201310331362.4
• 申請日: 2013-07-22
• 公開（公告）號: CN103425995B
• 公開（公告）日: 2017-03-01
• 發明（設計）人: 張向榮;焦李成;賀予迪;侯彪;王爽;吳家驥;馬文萍;馬晶晶
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46
• 代理公司: 陜西電子工業專利中心61205
• 代理人: 程曉霞,王品華

1.一種基于區域相似性低秩表示降維的高光譜圖像分類方法，包括如下步驟：

步驟1：輸入高光譜圖像X，該高光譜圖像X包含c類像素點，所有類別像素點共有N個像素點，圖像的每一個像素點為一個樣本，每個樣本用一個特征向量x_i，i＝1，...，N進行表示，R表示實數域，樣本的特征維數為H；

步驟2：根據均值漂移方法將高光譜圖像X分割成M塊，得到預分割后的高光譜圖像X_G，對分割后的每一個圖像塊里的所有樣本點的特征向量求平均，每一個圖像塊得到一個新的樣本點m＝1，...，M，由新的樣本點得到新的樣本集Xnew=[Xnew1,Xnew2,...,XnewM];]]>

步驟3：對均值漂移預分割后的高光譜圖像X_G構造相似性矩陣U；

步驟4：使用低秩表示方法計算新的樣本集X_new的低秩系數矩陣Z，采用非精確增廣拉格朗日乘子法獲得低秩系數矩陣Z；

步驟5：根據相似性矩陣U和低秩系數矩陣Z，構造基于新的樣本集X_new的特征值方程f，設置降維后的維數d，并學習出降維映射矩陣A；

步驟6：將原始高光譜圖像X通過降維映射矩陣A映射到低維空間R^d中，得到降維后的樣本集x′_i是降維后的樣本集X′的第i個樣本；

步驟7：在降維后的樣本集X′中每類選取t個樣本作為訓練樣本集X_p，其余的樣本作為測試樣本集X_q，將訓練樣本集X_p輸入到支撐矢量機SVM中進行訓練，學習出一個分類器，然后將測試樣本集X_q輸入到這個分類器中，得到測試樣本X_q的分類標簽向量Y，標簽向量Y是高光譜圖像X分類的結果。

2.根據權利要求1所述的基于區域相似性低秩表示降維的高光譜圖像分類方法，其中步驟3所述的構造使用均值漂移預分割后的高光譜圖像X_G構造相似性矩陣U，是通過從高光譜圖像X數據集中隨機選取n個樣本點構成隨機樣本集X_U，然后構造一個n×n的零矩陣U，當樣本點x_l和x_k，l，k＝1，...，n屬于步驟2中預分割后高光譜圖像X_G中的同一個區域時，U_l，k＝1；當樣本點x_l和x_k分別屬于不同區域時，U_l，k＝0。

3.根據權利要求2所述的基于區域相似性低秩表示降維的高光譜圖像分類方法，其中步驟5所述的根據相似性矩陣U和低秩系數矩陣Z，構造基于新的樣本集X_new的特征值方程f，設置降維后的維數d，并學習出降維映射矩陣A，按如下步驟進行：

5a)令矩陣Z_β＝Z+Z^T-Z^TZ，Z^T表示Z的轉置；

5b)對相似性矩陣U的每一行進行求和，得到一個列向量Q，對Q進行對角化，得到對角矩陣D，然后計算拉格朗日算子L＝D-U；

5c)構造基于高光譜圖像預分割后新的樣本集X_new和隨機樣本集X_U的特征值方程e＝1，...，d，其中，a_e是第e個特征向量，γ_e為第e個特征值，d是降維后的維數；

5d)求解出該基于高光譜圖像預分割后新的樣本集X_new和隨機樣本集X_U的特征值方程的d個最大特征值γ_１，γ_２，...，γ_d及其對應的特征向量a₁，a₂，…a_d；

5e)由上述特征向量a₁，a₂，…a_d構造出高光譜圖像X的降維映射矩陣A＝[a₁，a₂，…a_d]∈R^H×d。