[發明專利]基于多流形學習算法的高光譜影像數據分類方法及系統

有效

• 申請號: 202011243735.9
• 申請日: 2020-11-10
• 公開（公告）號: CN112329654B
• 公開（公告）日: 2021-05-28
• 發明（設計）人: 丁玲;竇愛霞;王書民
• 申請（專利權）人: 中國地震局地震預測研究所
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/34;G06K9/62
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 王立普

本發明公開了一種基于多流形學習算法的高光譜影像數據分類方法及系統，涉及高光譜遙感領域，包括：對獲取的高光譜遙感影像進行圖像分割，得到已知類別對象數據集和未知類別對象數據集；采用光譜角度量方式的等距特征映射算法，確定已知類別對象數據集的第一低維流形數據集和第一本征維數；采用光譜角度量方式的等距特征映射算法，按照每個第一本征維數的數值，確定未知類別對象數據集對應的多個第二低維流形數據集；采用局部線性嵌入算法，計算每個未知類別對象數據集對應的相似度集；將最大相似度對應的第一低維流形數據集的類別確定為未知類別對象數據集的類別。本發明有效提高高光譜影像數據分類的準確度。

技術領域

本發明涉及高光譜遙感領域，特別是涉及一種基于多流形學習算法的高光譜影像數據分類方法及系統。

背景技術

在高光譜遙感數據領域，流形學習算法已被成功應用到非線性特征提取、分類、端元提取等方面。盡管許多流形學習算法對人工數據有非常好的結果，但真實的高光譜遙感數據結構通常比較復雜，不容易被準確表征。

隨著成像光譜儀空間分辨率的提高，同一地物內部的光譜異質性增強，圖像空域信息豐富，也使得基于像元的分類方法難以提取更加豐富的信息。而面向對象方法可以充分利用地物本身的信息，包括光譜信息、形狀信息、紋理信息、上下文聯系、繼承信息等，所以面向對象方法成為了近年來高光譜遙感數據處理的熱點。

目前，將流形學習算法作為高光譜遙感數據分類中一個降維預處理方法，主要以觀察低維空間中的類別可分性，從而認識流形學習算法對分類的作用及其高光譜遙感數據在流形域的數據特性。流形學習算法假設高光譜遙感數據采樣于低維統一流形，通過保持某些幾何結構找到潛在的低維流形幾何結構，其流形學習算法包括等距特征映射(ISOMAP)算法、局部線性嵌入(LLE)算法、拉普拉斯特征映射(LE)算法、局部切空間排列(LTSA)算法等。對于基于流形學習降維的分類算法往往首先需要將所有輸入數據集映射到一個單一的低維流形子空間，然后通過一些分類器(如k近鄰或SVM分類器)在該流形上進行分類。面向高光譜遙感數據分類也只是針對光譜特征空間進行單一流形的降維，且只利用像元的光譜信息，忽略了像元之間的空間相關性；另外真實的高光譜遙感數據集可能存在于多個不相同的低維流形中，一類高光譜遙感數據集位于一種流形，多類高光譜遙感數據集則可能分別位于不同的幾何流形上，若直接采用單一流形假設的算法不能有效地獲得每個數據子集的低維流形。

發明內容

本發明的目的是提供一種基于多流形學習算法的高光譜影像數據分類方法及系統，以提高高光譜影像數據分類的準確度。

為實現上述目的，本發明提供了如下方案：

一種基于多流形學習算法的高光譜影像數據分類方法，包括：

對獲取的高光譜遙感影像進行圖像分割，得到已知類別對象數據集和未知類別對象數據集；

采用光譜角度量方式的等距特征映射算法，對所述已知類別對象數據集進行降維處理，得到每個所述已知類別對象數據集的第一低維流形數據集以及每個所述第一低維流形數據集對應的第一本征維數；

采用光譜角度量方式的等距特征映射算法，按照每個所述第一本征維數的數值，對同一個所述未知類別對象數據集分別進行降維處理，循環操作，直至得到每個所述未知類別對象數據集對應的多個第二低維流形數據集；其中，一個所述未知類別對象數據集對應的所述第二低維流形數據集的總數與所述第一本征維數的總數相同；

采用局部線性嵌入算法，計算每個所述未知類別對象數據集對應的每個第二低維流形數據集分別與每個所述第一低維流形數據集的相似度，得到每個所述未知類別對象數據集對應的相似度集；其中，一個所述相似度集中元素的總數為所述第一低維流形數據集的總數；一個所述相似度集中的一個元素為同一個所述未知類別對象數據集對應的每個第二低維流形數據集分別與同一個所述第一低維流形數據集的相似度的和；