[发明专利]一种高光谱遥感数据非线性降维方法

说明书

技术领域

本发明涉及到高光谱遥感数据的降维方法。

背景技术

高光谱遥感是成像技术和光谱技术的有机结合，它在获取地物空间信息的同时获取其光谱信息，是遥感技术的一大飞跃。高光谱遥感能够获取目标丰富的光谱信息，但是以较高的数据维数作为代价的。高光谱遥感许多应用中不可避免的环节就是数据降维，众多线性降维方法是目前解决该问题的基本途径。但高光谱数据中的双向反射分布特性、二次散射特性、目标非均匀性及物体本身反射的非线性等固有的非线性特征，利用传统的高光谱数据线性降维方法对非线性特征保留较少，并且在保持分类性能的前提下，线性降维后得到的维数依然较高，达不到好的光谱分类效果。这两点使得使用线性降维作为预处理的分类器一直困扰于小样本问题与原光谱的特征保留问题。因此，非线性降维方法的研究势在必行。

发明内容

本发明是要解决现有的高光谱数据线性降维方法对非线性特征保留较少且线性降维后得到的维数依然较高的技术问题，而提供一种高光谱遥感数据非线性降维方法。

本发明的一种高光谱遥感数据非线性降维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；

在高光谱成像过程中，存在由于水吸收或其它原因形成的某些波段全为零值波段，从而形成坏带，去除坏带，以免后续数据处理时存在奇异性，满足后续算法的需求。

二、将经步骤一处理后的高光谱遥感数据进行低通滤波；

流形学习对于噪声较为敏感，为使基于流形学习的降维方法等顺利进行，需进行降噪处理，对高光谱数据进行适当的低通滤波，以减少噪声的干扰。

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；

把像素向量排列成行向量就是将像素向量按行排列，即第一个像素向量排在第一行，第二个像素向量排在第二行，以此类推，最终形成一个二维矩阵，它的行数是高光谱数据像素向量的个数N，列数是每个像素向量包含的波段数D，该数据的原始维度即为这个二维矩阵的列数D。

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；

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；

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；

流形的原点被定义为：该点到所有其他数据点的测地距离的最大值，是所有数据点中最小的。通过对每一个数据点运行Dijkstra算法，并用最小化最大值的方法即可找到满足上述条件的原点；

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；

当n约为估计维度k的4～6倍时，降维所取得的效果较好。这个局部黎曼法坐标所张成的线性空间，也正是原点的切空间，切空间的基由k个向量组成。

八、运用Dijkstra算法在邻接图上找到每个点到原点的最短路径；

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，即将高光谱遥感数据从D维降至k维。

本发明针对高光谱数据的高数据维和数据本身蕴含的非线性特性，利用基于黎曼流形学习的高光谱数据非线性降维方法，将高光谱数据中的像素样本用更小的维数来表示，同时还保持住原光谱更多的信息，高光谱数据维数减少后可满足后续应用的需要。

具体实施方式

具体实施方式一：本实施方式的一种高光谱遥感数据非线性降维方法按以下步骤进行：