[发明专利]基于稀疏保持流形嵌入的高光谱遥感影像分类方法

说明书

技术领域

本发明涉及高光谱遥感影像特征提取和分类方法的改进，具体涉及一种基于稀疏保持流形嵌入的高光谱遥感影像分类方法，属于高光谱遥感影像特征提取和分类技术领域。

背景技术

科学研究者们于20世纪80年代初在多光谱遥感的基础上提出了高光谱遥感。高光谱遥感影像的光谱分辨率高达10^-2λ数量级(属于纳米级)，波段范围从可见光到短波红外，光谱波段数多达数十个甚至数百个以上，高光谱分辨率高的特点使高光谱图像数据相邻波段间的间隔较窄，存在波段重叠区域，光谱通道不再离散而呈现出连续，因此高光谱遥感通常又被称为成像光谱遥感。高光谱遥感不仅可以解决地物大类的识别问题，而且可以进行类内细分或精细光谱特征提取。高光谱遥感影像分类首先需要对待测数据进行特征提取，实现维数约简，然后再对提取出来的特征进行分类。

一、特征提取方法介绍

高光谱遥感影像是由成像光谱仪获取的，含有丰富的信息，给地物研究带来了新的机遇。但由于高光谱遥感影像数据量大、数据间相关性强、冗余度大、维数高、信息隐含，传统分类方法很易导致Hughes现象，即“维数灾难”。因此，如何从高维数据中有效地提取出隐含特征，降低数据维数成为高光谱遥感影像在数据处理方面研究的重点。

1、稀疏表示方法

现有研究发现高光谱遥感影像在高维空间中呈现出稀疏分布，由于稀疏表示能够较好地反映各数据在全局结构中的相似性，能够有效地提取出各数据的鉴别特征，现稀疏表示在高光谱遥感分类中已有一些应用，并有较好的效果。

稀疏表示(SR)是以压缩感知理论为基础，最初主要在生理视觉研究、语音处理、信号处理中得到广泛应用，近年被成功地引入到模式识别领域。稀疏表示的主要思想是在一个训练样本足够大的空间内，对于某一个样本，可以近似地由训练样本中同类样本子空间线性表示；当某个样本用整个样本空间表示时，其表示系数是稀疏的，即绝大多数的系数为零，只存在少数反映此样本内在特性的系数为非零。稀疏表示能从全局结构中揭示出反映某样本内在特性的信息，且能反映出数据间的相似关系，受局部空间分布和噪声影响较小，在高光谱遥感影像特征提取的应用中具有较好的优势。

稀疏系数矩阵S是对各数据点由其余数据线性表示得到的系数值，某个数据点的稀疏系数只有少数能够反映该数据在全局结构中内在特性的系数为非零，其余系数全为零，即某个数据点不为零的稀疏系数对应的数据点几乎属于同类数据，非同类数据间的稀疏系数几乎全部为零，这表明稀疏表示能够较好地揭示出各数据在全局结构中的内在特性；两个数据间的稀疏系数值若为非零，则表示两个数据间具有一定的内在关联性，其值越大表示两个数据间的内在关联性越强。现有的主要算法有稀疏主元分析(SPCA)和稀疏保持投影(SPP)。

1.1)SPCA是主成分分析为基础发展的。主成分分析主要算法思想是消除各主成分之间的相关性，使各主成分的方差在该主成分中达到最大值，但是每个主成分都是由所有数据线性组合得到，大部分单位特征向量不为零，以至于对主成分解释困难。为能很好地解释各主成分，并突出主要的成分，应使大部分单位特征向量都为零，稀疏表示正具有此特点，能够使反映数据特征的几个单位特征向量为非零，其余大部分单位特征向量为零，因而学者们结合弹性网络思想提出了稀疏主成分分析。SPCA算法消除了数据间的相关性，并且数据尽可能的稀疏，各主成分能够得到更好的解释，使主要的部分更加突出，提取出的特征更能反映数据的内在性质，更能有效地实现数据的降维。但SPCA算法的参数设置比较困难，这对算法的性能有很大的影响。

1.2)SPP算法是以稀疏理论为基础，对数据进行重构，使其重构误差最小化来得到投影矩阵，它是一种全局线性维数约简方法。SPP算法在重构时，其重构系数是稀疏的，这能够从全局数据中提取出反映各数据内在特征的信息，并使该数据的内在特性得到保持。SPP算法通过稀疏表示得到重构系数，不需要人为的设置参数，减少了参数选择的影响，在模式识别方面具有较好的优势；同时，SPP算法具有投影矩阵，能够很好地处理新样本。SPP算法已在人脸识别中得到广泛的应用，并对受姿态和光照变换的人脸有较好的效果，但在高光谱遥感数据分类中应用还相对较少。

2、图嵌入方法