[發明專利]一種基于Tucker分解的光譜張量降維及分類方法

有效

• 申請號: 201611153408.8
• 申請日: 2016-12-14
• 公開（公告）號: CN106845517B
• 公開（公告）日: 2020-03-20
• 發明（設計）人: 彭進業;閆榮華;汶德勝;馮曉毅;胡永明;王珺
• 申請（專利權）人: 西北大學;中國科學院西安光學精密機械研究所;西北工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 西安恒泰知識產權代理事務所 61216
• 代理人: 王芳

本發明公開了一種基于Tucker分解的光譜張量降維及分類方法，該方法將影響地物光譜特征的因素作為類內因素，并將類內因素、類與像素光譜分別作為一種模式構建成一個3階張量，對其進行基于低秩張量分解的降維；對3階張量進行低秩張量分解得到核張量類空間矩陣U_class、類內因素空間矩陣U_within?class和像素光譜矩陣U_pixels；采用有監督分類器對無類別的測試高光譜圖像d進行分類。本發明在模型建立后即可對高光譜圖像進行分類，無需調整，而其他張量建模方法則需要反復設置、調整參數才能達到最佳分類效果；本發明將一類的所有像素光譜映射到同一系數向量上，從而將各種因素的影響減至最小，不但提高了分類精度，而且結果穩定。

技術領域

本發明屬于遙感圖像處理技術領域，具體涉及一種基于Tucker分解的光譜張量降維及分類方法。

背景技術

高光譜圖像提供了細致豐富的地物光譜特性描述，大大提高了對地物的分類能力，已廣泛應用于地質勘探與地球資源調查、城市遙感與規劃管理、環境與災害監測、精細農業、測繪及考古等方面。

然而，高光譜圖像由大量波段數據組成，這些波段構成高維特征空間，對其處理需要巨大的計算量，引發“數據災難”。針對這個問題，最為有效的方式就是降維。主分量分析(Principal Component Analysis,PCA)由于簡單有效是目前應用最廣泛的降維方法。但是PCA需要將高光譜圖像向量化，并且只是在高光譜圖像的光譜維上進行處理，忽略了高光譜圖像的空間信息。

為了充分利用高光譜圖像的空間信息，學者們提出了許多將高光譜圖像建模為張量的方法。高光譜圖像可是一組二維圖像，因此可以用多維數據表示，包括兩個空間維和一個光譜維。Letexier等人將高光譜圖像建模為三階張量其中I1和I2為像素位置，I3為波段數。使用張量分解模型對高光譜圖像進行空間和光譜聯合分析。其中使用Tucker3分解模型生成張量數據的低秩近似，稱為LRTA-(k1,k2,k3)方法。

基于張量的低秩近似，Nadine Renard等提出了先在高光譜數據的空間維上進行低秩近似，以降低空間維上的噪聲；然后在光譜維上使用PCA進行降維的方法。該方法改善了分類精度。但是該方法僅僅將高光譜立方體簡單建模為三階張量，沒有考慮到影響高光譜分類精度的真正原因：地物的光譜特征受到如光照、混合、大氣散射、大氣輻射等多種因素影響。

發明內容

針對現有技術中存在的缺陷，本發明提出了一種基于Tucker分解的光譜張量降維方法，包括以下步驟：

步驟1，隨機選取高光譜圖像中的像素光譜作為訓練集，所選取的像素光譜有L個波段、C類樣本，分別在C類樣本中的每類樣本中隨機選取W個像素光譜作為類內因素,其中C大于等于1的自然數，W為大于等于1的自然數；

步驟2，構建3階張量其中C為第一模式，W為第二模式，L為第三模式，其中L為大于等于1的自然數。

本發明還提供了一種高光譜圖像分類方法，該方法包括：

步驟一，權利要求1所述的降維方法；

步驟二，判斷待測試像素光譜d所屬類：

步驟21，設待測試像素光譜d的初始第一模式k＝1、初始第二模式w＝1；

步驟22，用w替換訓練集的像素光譜的基礎張量B的W，得到子張量

其中，