[發(fā)明專利]基于稀疏保持流形嵌入的高光譜遙感影像分類方法

有效

• 申請?zhí)枺?/td>: 201410024004.3
• 申請日: 2014-01-17
• 公開（公告）號: CN103729652A
• 公開（公告）日: 2014-04-16
• 發(fā)明（設(shè)計）人: 劉嘉敏;羅甫林;黃鴻;韓耀順;劉亦哲
• 申請（專利權(quán)）人: 重慶大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 重慶博凱知識產(chǎn)權(quán)代理有限公司 50212
• 代理人: 李海華

技術(shù)領(lǐng)域

本發(fā)明涉及高光譜遙感影像特征提取和分類方法的改進，具體涉及一種基于稀疏保持流形嵌入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(shù)領(lǐng)域。

背景技術(shù)

科學(xué)研究者們于20世紀(jì)80年代初在多光譜遙感的基礎(chǔ)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(shù)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(shù)多達數(shù)十個甚至數(shù)百個以上，高光譜分辨率高的特點使高光譜圖像數(shù)據(jù)相鄰波段間的間隔較窄，存在波段重疊區(qū)域，光譜通道不再離散而呈現(xiàn)出連續(xù)，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(nèi)細(xì)分或精細(xì)光譜特征提取。高光譜遙感影像分類首先需要對待測數(shù)據(jù)進行特征提取，實現(xiàn)維數(shù)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(shù)據(jù)量大、數(shù)據(jù)間相關(guān)性強、冗余度大、維數(shù)高、信息隱含，傳統(tǒng)分類方法很易導(dǎo)致Hughes現(xiàn)象，即“維數(shù)災(zāi)難”。因此，如何從高維數(shù)據(jù)中有效地提取出隱含特征，降低數(shù)據(jù)維數(shù)成為高光譜遙感影像在數(shù)據(jù)處理方面研究的重點。

1、稀疏表示方法

現(xiàn)有研究發(fā)現(xiàn)高光譜遙感影像在高維空間中呈現(xiàn)出稀疏分布，由于稀疏表示能夠較好地反映各數(shù)據(jù)在全局結(jié)構(gòu)中的相似性，能夠有效地提取出各數(shù)據(jù)的鑒別特征，現(xiàn)稀疏表示在高光譜遙感分類中已有一些應(yīng)用，并有較好的效果。

稀疏表示(SR)是以壓縮感知理論為基礎(chǔ)，最初主要在生理視覺研究、語音處理、信號處理中得到廣泛應(yīng)用，近年被成功地引入到模式識別領(lǐng)域。稀疏表示的主要思想是在一個訓(xùn)練樣本足夠大的空間內(nèi)，對于某一個樣本，可以近似地由訓(xùn)練樣本中同類樣本子空間線性表示；當(dāng)某個樣本用整個樣本空間表示時，其表示系數(shù)是稀疏的，即絕大多數(shù)的系數(shù)為零，只存在少數(shù)反映此樣本內(nèi)在特性的系數(shù)為非零。稀疏表示能從全局結(jié)構(gòu)中揭示出反映某樣本內(nèi)在特性的信息，且能反映出數(shù)據(jù)間的相似關(guān)系，受局部空間分布和噪聲影響較小，在高光譜遙感影像特征提取的應(yīng)用中具有較好的優(yōu)勢。

稀疏系數(shù)矩陣S是對各數(shù)據(jù)點由其余數(shù)據(jù)線性表示得到的系數(shù)值，某個數(shù)據(jù)點的稀疏系數(shù)只有少數(shù)能夠反映該數(shù)據(jù)在全局結(jié)構(gòu)中內(nèi)在特性的系數(shù)為非零，其余系數(shù)全為零，即某個數(shù)據(jù)點不為零的稀疏系數(shù)對應(yīng)的數(shù)據(jù)點幾乎屬于同類數(shù)據(jù)，非同類數(shù)據(jù)間的稀疏系數(shù)幾乎全部為零，這表明稀疏表示能夠較好地揭示出各數(shù)據(jù)在全局結(jié)構(gòu)中的內(nèi)在特性；兩個數(shù)據(jù)間的稀疏系數(shù)值若為非零，則表示兩個數(shù)據(jù)間具有一定的內(nèi)在關(guān)聯(lián)性，其值越大表示兩個數(shù)據(jù)間的內(nèi)在關(guān)聯(lián)性越強?，F(xiàn)有的主要算法有稀疏主元分析(SPCA)和稀疏保持投影(SPP)。

1.1)SPCA是主成分分析為基礎(chǔ)發(fā)展的。主成分分析主要算法思想是消除各主成分之間的相關(guān)性，使各主成分的方差在該主成分中達到最大值，但是每個主成分都是由所有數(shù)據(jù)線性組合得到，大部分單位特征向量不為零，以至于對主成分解釋困難。為能很好地解釋各主成分，并突出主要的成分，應(yīng)使大部分單位特征向量都為零，稀疏表示正具有此特點，能夠使反映數(shù)據(jù)特征的幾個單位特征向量為非零，其余大部分單位特征向量為零，因而學(xué)者們結(jié)合彈性網(wǎng)絡(luò)思想提出了稀疏主成分分析。SPCA算法消除了數(shù)據(jù)間的相關(guān)性，并且數(shù)據(jù)盡可能的稀疏，各主成分能夠得到更好的解釋，使主要的部分更加突出，提取出的特征更能反映數(shù)據(jù)的內(nèi)在性質(zhì)，更能有效地實現(xiàn)數(shù)據(jù)的降維。但SPCA算法的參數(shù)設(shè)置比較困難，這對算法的性能有很大的影響。

1.2)SPP算法是以稀疏理論為基礎(chǔ)，對數(shù)據(jù)進行重構(gòu)，使其重構(gòu)誤差最小化來得到投影矩陣，它是一種全局線性維數(shù)約簡方法。SPP算法在重構(gòu)時，其重構(gòu)系數(shù)是稀疏的，這能夠從全局?jǐn)?shù)據(jù)中提取出反映各數(shù)據(jù)內(nèi)在特征的信息，并使該數(shù)據(jù)的內(nèi)在特性得到保持。SPP算法通過稀疏表示得到重構(gòu)系數(shù)，不需要人為的設(shè)置參數(shù)，減少了參數(shù)選擇的影響，在模式識別方面具有較好的優(yōu)勢；同時，SPP算法具有投影矩陣，能夠很好地處理新樣本。SPP算法已在人臉識別中得到廣泛的應(yīng)用，并對受姿態(tài)和光照變換的人臉有較好的效果，但在高光譜遙感數(shù)據(jù)分類中應(yīng)用還相對較少。

2、圖嵌入方法