[發明專利]基于局部光譜角度量流形近鄰的高光譜遙感影像分類方法

在審

• 申請號: 201410023922.4
• 申請日: 2014-01-17
• 公開（公告）號: CN103729651A
• 公開（公告）日: 2014-04-16
• 發明（設計）人: 劉嘉敏;羅甫林;黃鴻;李連澤;劉軍委
• 申請（專利權）人: 重慶大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/66
• 代理公司: 重慶博凱知識產權代理有限公司 50212
• 代理人: 李海華

技術領域

本發明涉及高光譜遙感影像特征提取和分類方法的改進，具體涉及一種基于局部光譜角度量流形近鄰的高光譜遙感影像分類方法，屬于高光譜遙感影像特征提取和分類技術領域。

背景技術

科學研究者們于20世紀80年代初在多光譜遙感的基礎上提出了高光譜遙感。高光譜遙感影像的光譜分辨率高達10^-2λ數量級(屬于納米級)，波段范圍從可見光到短波紅外，光譜波段數多達數十個甚至數百個以上，高光譜分辨率高的特點使高光譜圖像數據相鄰波段間的間隔較窄，存在波段重疊區域，光譜通道不再離散而呈現出連續，因此高光譜遙感通常又被稱為成像光譜遙感。高光譜遙感不僅可以解決地物大類的識別問題，而且可以進行類內細分或精細光譜特征提取。高光譜遙感影像分類首先需要對待測數據進行特征提取，進行維數約簡，然后再對提取出來的特征進行分類。

一、特征提取方法介紹

高光譜遙感影像是由成像光譜儀獲取的，含有豐富的信息，給地物研究帶來了新的機遇。但由于高光譜遙感影像數據量大、數據間相關性強、冗余度大、維數高、信息隱含，傳統分類方法很易導致Hughes現象，即“維數災難”。因此，如何從高維數據中有效地提取出隱含特征，降低數據維數成為高光譜遙感影像在數據處理方面研究的重點。

1、傳統特征提取方法

在傳統的特征提取方法研究中，學者們提出了幾種經典的方法，主要有：主成分分析(Principal?Component?Analysis,PCA)、線性鑒別分析(Linear?Discriminant?Analysis,LDA)、多維尺度分析(Multidimensional?Scaling，MDS)、最小噪聲分離變換(Minimum?Noise?Fraction,MNF)、獨立成分分析(Independent?Component?Analysis,ICA)等，這些方法都是以數據屬于全局線性結構為前提，在某一優化準則條件下，尋找數據最接近的線性模型，它們都為線性維數約簡方法。這些方法物理模型明確、容易解釋、過程簡單并且拓展性好等優點，使用范圍廣，在數據特征提取的研究中占了主導地位。但高光譜遙感數據的結構十分復雜，并不是線性分布的，使用傳統維數約簡方法并不能取得較好的效果。

2、流形學習方法

流形學習主要思想是通過對樣本數據進行學習，從樣本數據的幾何結構中發現隱含信息，找出各數據的本質特征，得到高維數據中隱含的低維嵌入特征或數據映射關系，實現數據從高維空間到低維空間的維數約簡或數據的二維三維可視化顯示。高光譜遙感數據是非線性分布，通過流形學習方法可以很好地揭示出隱含的低維流形結構，有效地提取出各數據的鑒別特征，得到更好的結果。主要的流形學習方法有局部線性嵌入算法(LLE)、等距離映射算法(ISOMAP)、拉普拉斯特征映射算法（LE）、鄰域保持嵌入算法(NPE)和局部保持投影算法(LPP)。

2.1）LLE算法的主要思想是非線性結構數據在局部范圍呈現出線性結構，保持這種局部的線性結構關系，從高維數據中揭示出低維流形結構，進而提取出各數據的流形特征，實現維數約簡。其主要方法是在高維空間中各數據點用k個近鄰點線性表示，維數簡約后保持與每個對應近鄰點的權值不變，重構維數簡約后對應的數據點，使重構誤差最小，能夠有效地提取出非線性結構數據的流形特征。LLE算法通過對數據的局部重構，在低維空間中保持局部重構關系不變，提取出數據中隱含的低維流形特征，揭示出數據中的非線性結構關系，對高光譜遙感數據能夠有效地展示出數據的內在幾何結構。但LLE算法的近鄰選取，對結果影響較大。

2.2）ISOMAP通過測地距離來近似數據間的幾何結構關系，從高維空間投影到低維空間中，保持各數據點間的測地距離不變，即在高維空間中幾何位置相距較遠的點投影后也相距較遠，幾何位置相距較近的點投影后也相距較近。ISOMAP算法提出了測地距離的概念，在高維空間中測地距離更能夠真實反映數據點間的幾何結構關系，能更好地提取出非線性數據中內在低維流形，實現較好的維數約簡。但該算法的計算復雜度比較大，并且需要選取近鄰，對結果影響較大。