[发明专利]一种高光谱遥感数据非线性降维方法

权利要求书

1.一种高光谱遥感数据非线性降维方法，其特征在于该方法按以下步骤进行：

一、先将高光谱遥感数据进行坏带去除；

二、将经步骤一处理后的高光谱遥感数据进行低通滤波；

三、将经步骤二处理后的高光谱遥感数据看做一个三维矩阵，三维矩阵中同一空间位置不同波段位置形成的向量称为像素向量；按从上至下、从左至右的顺序从高光谱遥感数据中选取像素向量，且把像素向量排列成行向量，得到N行D列的二维矩阵，其中N为高光谱数据的个数，D为高光谱数据的维数；

四、将步骤三得到的二维矩阵的像素向量映射到D维的特征空间中，即将步骤三得到的二维矩阵中的每一个像素向量映射到D维空间中的一个点，从而在这个特征空间中形成数据点云，该数据点云是由一个个分立的数据点构成的；

五、运用黎曼流行学习中的自适应选择领域点的方法，将相邻的点互相之间连接起来，构成邻接，在每一个数据点都建立了邻接后，用一张无向图来表示所有的邻接关系，这张无向图即为邻接图，有了该点云及邻接图，就完成了在高光谱数据中的重构流形；根据该点云及邻接图，计算重构出来的流形上任意两点之间的测地距离；

六、对流形上的每一个数据点运行Dijkstra算法，找到该数据点到其他数据点的测地距离的最大值，再找到最小的最大值对应的数据点作为流形的原点；

七、在原点的邻域内选择n个数据点，其中n为高光谱遥感数据降维后的维度k的4～6倍；再利用这n个数据点做PCA变换，变换后的前k个主分量的特征向量即视为局部黎曼法坐标的一组基；

九、根据步骤八所得到的最短路径，运用黎曼流形学习算法将所有数据点映射到原点的切空间中，映射完后的数据集中有N个点，每个点为k维，将这些点组织成N行k列的二维矩阵，完成高光谱遥感数据非线性降维。

2.根据权利要求1所述的一种高光谱遥感数据非线性降维方法，其特征在于步骤一中所述的坏带去除的具体的操作是将高光谱遥感数据中为零值的波段直接删除。

3.根据权利要求1或2所述的一种高光谱遥感数据非线性降维方法，其特征在于步骤五中流形上任意两点之间的测地距离是运用Dijkstra算法通过在邻接图中找最短路径获得的。

4.根据权利要求3所述的一种高光谱遥感数据非线性降维方法，其特征在于步骤七中n为k的5倍。