[發(fā)明專(zhuān)利]一種基于SIFT?LPP的高光譜遙感影像特征提取方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201611039115.7
• 申請(qǐng)日: 2016-11-21
• 公開(kāi)（公告）號(hào): CN106778494A
• 公開(kāi)（公告）日: 2017-05-31
• 發(fā)明（設(shè)計(jì)）人: 高紅民;陳玲慧;李臣明;楊耀;樊悅;謝科偉;周惠;黃昌運(yùn);李曉靜;張振
• 申請(qǐng)（專(zhuān)利權(quán)）人: 河海大學(xué)
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00;G06K9/46
• 代理公司: 南京蘇高專(zhuān)利商標(biāo)事務(wù)所(普通合伙)32204
• 代理人: 柏尚春

1.一種基于SIFT-LPP的高光譜遙感影像特征提取方法，其特征在于：包括以下步驟：

S1：找到影像的特征關(guān)鍵點(diǎn)m_i(x,y,σ)，σ為高斯正態(tài)分布的方差；

S2：以特征關(guān)鍵點(diǎn)m_i(x,y,σ)為中心，選取4*4大小的區(qū)域，構(gòu)建128維特征向量SIFT_i，并進(jìn)行歸一化處理，獲得向量d＝(d₁,d₂,…,d_n)^T，d_i∈R^N，i＝1,2,…,n；其中，n為維度；

S3：將向量d＝(d₁,d₂,…,d_n)^T通過(guò)矩陣W_PCA映射到PCA子空間，得到向量α＝(α₁,α₂,…,α_n)^T；

S4：構(gòu)造最近鄰圖G和相似矩陣S：將PCA子空間向量的數(shù)據(jù)點(diǎn)α_i相應(yīng)的n個(gè)節(jié)點(diǎn)圖用鄰圖G體現(xiàn)，然后在α_i相應(yīng)的節(jié)點(diǎn)i和α_j相應(yīng)的節(jié)點(diǎn)j處設(shè)立邊緣，其中α_i和α_j之間相差k個(gè)最近的樣本點(diǎn)，并利用式(1)計(jì)算出相似矩陣S中的元素S_ij；

S5：通過(guò)式(2)求解n個(gè)特征值和n個(gè)特征向量，將得到的特征向量構(gòu)成矩陣W_LPP，從而得到算法的映射矩陣W為W＝W_PCAW_LPP；

XLX^Tw＝λXDX^Tw(2)

式(2)中，X＝{x₁,x₂,…,x_n}，L＝D-S，λ為實(shí)數(shù)，w為映射矩陣W中的向量；

S6：對(duì)影像進(jìn)行SVM分類(lèi)，以平均分類(lèi)精度來(lái)驗(yàn)證算法的有效性。

2.根據(jù)權(quán)利要求1所述的基于SIFT-LPP的高光譜遙感影像特征提取方法，其特征在于：所述步驟S1中的特征關(guān)鍵點(diǎn)m_i(x,y,σ)通過(guò)以下步驟找到：

S1.1：對(duì)原始輸入的高光譜遙感影像I(x,y)進(jìn)行高斯濾波，生成的尺度空間函數(shù)L(x,y,σ)如式(3)所示：

$L(x,y,\mathrm{\σ})=G(x,y,\mathrm{\σ})\⊗I(x,y)---\left(3\right)$

式(3)中，G(x,y,σ)為高斯函數(shù)，如式(4)所示；

$G(x,y,\mathrm{\σ})=\frac{1}{2{\mathrm{\π\σ}}^2}{e}^{-(x^2+y^2)/2{\mathrm{\σ}}^2}---\left(4\right)$

S1.2：在尺度空間內(nèi)，構(gòu)建高斯函數(shù)差分的DOG函數(shù)D(x,y,σ)，如式(5)所示：

$\begin{array}{c}D(x,y,\mathrm{\σ})=\left(G\right(x,y,k\mathrm{\σ})-G(x,y,\mathrm{\σ}\left)\right)\⊗I(x,y,\mathrm{\σ})\\ =L(x,y,k\mathrm{\σ})-L(x,y,\mathrm{\σ})\end{array}---\left(5\right)$

式(5)中，k為一個(gè)實(shí)數(shù)；

S1.3：在生成的尺度空間內(nèi)，通過(guò)對(duì)比當(dāng)前尺度的圖像像素與相鄰的8個(gè)像素點(diǎn)以及上下不同尺度的圖像的各9個(gè)像素點(diǎn)的像素大小，選擇出局部的極值點(diǎn)作為特征關(guān)鍵點(diǎn)m_i(x,y,σ)。