[發明專利]高光譜分類中光譜域空間域聯合相關約束的特征抽取方法

有效

• 申請號: 201510465944.0
• 申請日: 2015-08-03
• 公開（公告）號: CN105139026B
• 公開（公告）日: 2019-02-12
• 發明（設計）人: 劉治;唐波;肖曉燕;聶明鈺;常軍;張偉
• 申請（專利權）人: 山東大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 趙妍

1.一種高光譜分類中光譜域空間域聯合相關約束的特征抽取方法，其特征在于，包括：

步驟(1)：采用主成分析方法對原始高光譜圖像數據進行降維去噪，并抽取原始高光譜圖像數據的主成分，得到主成分分析后的樣本及其標簽；

步驟(2)：根據主成分分析后的樣本的標簽，將樣本分裂成類內樣本和類外樣本；依據相關系數計算方法，分別對類內樣本和類外樣本進行構建光譜域相關性約束；

步驟(3)：選擇一個主成分分析后的樣本為中心樣本，得到對應其預設空間位置的鄰域樣本集合，求取中心樣本與其鄰域樣本集合內樣本的相關系數，并構建空間域相關性約束；

步驟(4)：采用光譜域相關性約束和空間域相關性約束直接結合的方法，構建光譜域和空間域混合相關性特征向量，最終獲得高光譜圖像的光譜域空間域聯合相關約束的特征向量；

所述步驟(4)中采用光譜域相關性約束和空間域相關性約束直接結合的方法，構建光譜域和空間域混合相關性特征向量為：

其中，是構建的光譜域空間域混合相關性特征向量，l是光譜域相關性約束項的個數；表示光譜域相關性約束；表示空間域相關性約束；α表示中心樣本對應其鄰域樣本集合的樣本數量，i＝1,2,...,N，N是樣本數，是主成分分析后第i個樣本。

2.如權利要求1所述的一種高光譜分類中光譜域空間域聯合相關約束的特征抽取方法，其特征在于，所述步驟(1)中采用主成分析方法抽取原始高光譜圖像數據的主成分的過程，包括：

步驟(1.1)：對給定的高光譜數據樣本集合，求取高光譜數據樣本集合中所有樣本的均值，并對所有樣本進行中心化；

步驟(1.2)：構建中心化后的樣本特征矩陣，并計算中心化后的樣本特征矩陣的協方差矩陣；

步驟(1.3)：對步驟(1.2)得到的協方差矩陣進行特征分解，得到一組降序排列的特征值及其對應的特征向量，選擇高光譜數據樣本的主成分；

步驟(1.4)：主成分選擇完成后，根據特征值對應的特征向量，得到主成分映射矩陣：對每個樣本進行主成分映射，得到主成分分析后的樣本，進而得到主成分析后的樣本集合。

3.如權利要求2所述的一種高光譜分類中光譜域空間域聯合相關約束的特征抽取方法，其特征在于，所述步驟(1.1)中求取高光譜數據樣本集合中所有樣本的均值的表達式為：

其中，是所有樣本的均值；X_i是第i個樣本。

4.如權利要求2所述的一種高光譜分類中光譜域空間域聯合相關約束的特征抽取方法，其特征在于，所述步驟(1.1)中對所有樣本進行中心化的表達式為：

其中，X_i是第i個樣本；是所有樣本的均值；X′_i是X_i中心化后的樣本特征向量。

5.如權利要求2所述的一種高光譜分類中光譜域空間域聯合相關約束的特征抽取方法，其特征在于，所述步驟(1.2)中計算中心化后的樣本特征矩陣的協方差矩陣為：

C＝X^T*X (3)

其中，X是中心化后的樣本特征矩陣；X^T是X的轉置矩陣；C∈R^m×m是中心化后的樣本特征矩陣的協方差矩陣；m是特征數。

6.如權利要求2所述的一種高光譜分類中光譜域空間域聯合相關約束的特征抽取方法，其特征在于，所述步驟(1.3)中主成分的選擇方法為：

其中，λ_i'為特征值，其呈降序排列，i'＝1,2，....，m^*；j＝1,2,…,m；m^*是保留的主成分的個數，m是樣本的特征數，且滿足m^*≤m，0.995的意義是所保留的主成分包含m個特征99.5％的信息。