[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

技術領域

本發明屬于遙感圖像處理技術領域，涉及基于區域相似性低秩表示方法，具體是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，用于高光譜遙感圖像的數據降維和分類。

背景技術

高光譜遙感技術利用成像光譜儀對地表物成像，形成由連續波段圖像組成三維數據，已經被廣泛地應用于目標識別，精細農業，資源勘探，環境監測等領域。高光譜遙感技術獲取的圖像包含了豐富的空間、輻射和光譜三重信息，一方面，大量的信息為像元分類提供了大量的依據，但另一方面，數據量大，導致高光譜圖像處理計算復雜度很高，也給數據的存儲、傳遞和顯示帶來了挑戰；高光譜圖像的波段多，而且相鄰波段之間的波長差異往往只在納米數量級，它們之間的相關系數一般都非常高，因此，在鄰近波段之間存在大量的冗余信息，也會降低高光譜圖像的分類精度。為了有效地減少運算量，降低計算復雜度以及改善分類效率、提高分類精度，因此高光譜圖像的降維在高光譜圖像分類應用中具有非常重要的作用。

目前，已經有許多針對高光譜圖像的維數約簡方法被提出，可以分為線性方法和非線性方法。線性方法最經典的是主成分分析方法(Principal?component?analysis，PCA)，線性判別分析(Linear?discriminant?analysis，LDA)，并在高光譜圖像上得到了有效地應用。然而，PCA和LDA的全局的線性數據限制了這些方法在非高斯分布數據上的有效性，由于PCA和LDA等方法是將三維的圖像拉伸轉換為二維的圖像，丟失了圖像的空間結構信息，因此也沒有利用到高光譜圖像數據的空間信息。非線性方法主要有基于核的方法，以及近年來的流形學習方法。流形學習方法可以通過構建局部線性重構的方法描述數據的局部幾何結構，比如等距特征映射(Isometric?feature?mapping，ISOMAP)，局部保留映射(Locality?preserving?projections，LPP)等。但是由于高光譜數據的大數據量，因此無法構造出ISOMAP等流形學習中相似性矩陣，限制了很多流形學習的降維方法在高光譜圖像上的應用，而且丟失了數據的全局信息。

目前高光譜圖像降維方法主要存在的問題是：僅利用高光譜圖像的譜段信息，并沒有有效地利用高光譜圖像的空間信息；要處理的數據量很大，降維后的圖像不能很好地保留原高光譜圖像數據提供的所有有用信息。

發明內容

本發明的目的在于針對現有技術的不足，提出一種利用高光譜圖像的空間信息，有效地提高高光譜圖像分類的正確率的基于區域相似性低秩表示降維的高光譜圖像分類方法。

本發明是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做平均，每一個圖像塊得到一個新樣本點m＝1，...，M，由新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。