[发明专利]一种基于光谱特征空间权化的光谱特征指数提取方法

说明书

技术领域

本发明涉及一种基于光谱特征空间权化的光谱特征指数提取方法，属于高光谱数据处理方法与应用技术领域，适用于高光谱数据特征提取的理论方法和应用技术研究。

背景技术

高光谱遥感数据具有图谱合一的特点，连续的光谱特征为直接地物识别提供了有效的技术支撑。目前，光谱特征提取方法主要包括两大类，一类是基于光谱特征参量提取的方法，主要包括提取光谱吸收特征位置、深度、宽度、面积、斜率等以及归一化光谱吸收特征指数等；另一类是基于光谱特征变换的方法，主要包括主成分变换、投影追踪、最小噪声分量分离等。其中，基于光谱特征参量提取的方法只是利用了单一的光谱特征参量，提取的特征容易受到外界因素的影响，并且地物光谱主要特征/单一光谱特征会存在一定的相似性，从而导致提取特征的不稳定和匹配不唯一性，最终使得识别精度下降；基于光谱特征变换的方法在一定程度上增强了目标光谱特征之间的差异性，但是改变了原始光谱特征的物理含义，使得在识别中很难实现有效地匹配识别，从而导致识别精度的下降。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于光谱特征空间权化的光谱特征指数提取方法，它是一种综合利用多个光谱特征、稳定的基于光谱特征空间权化的光谱特征指数提取方法。

本发明的技术解决方案为：一种利用优化算法实现不同贡献特征的权重优化的稳定光谱特征指数提取方法，该方法首选利用多光谱特征参量构建原始特征空间，基于可分性与贡献的准则构建特征权化判别准则，再利用基于随机搜索的智能优化方法进行不同特征权重的优化，最后基于特征加权等技术方法实现稳定、多光谱特征联合提取，从而在综合利用高光谱数据丰富的光谱特征的同时提高特征提取的稳定性以及地物识别的准确性。

本发明一种基于光谱特征空间权化的光谱特征指数提取方法，其步骤如下：

步骤(1)读入高光谱分辨率图像数据；

步骤(2)根据应用需求以及地物之间的可分性，确定组成原始光谱特征空间的光谱特征；

步骤(3)初始化感兴趣类别各个光谱特征权重；

步骤(4)基于类别可分性最大化的准则，构建感兴趣类别的类内离散度矩阵和类间离散度矩阵；

步骤(5)计算得到光谱特征空间权化的感兴趣类别特征空间变换矩阵，构建光谱特征空间权化的适应度函数；

步骤(6)采用基于速度压缩的进化策略，计算步骤(5)的适应度函数值，不断更新感兴趣类别各个光谱特征权重；

步骤(7)进行迭代终止条件判断，若满足迭代终止条件则获得最终感兴趣类别各个光谱特征权重，若不满足迭代终止条件，返回步骤(5)；

步骤(8)利用步骤(7)得到的优化后的感兴趣类别各个光谱特征权重，进行光谱特征指数的提取。

其中，步骤(1)中所述的读入高光谱数据为：X＝[x₁,x₂,...,x_n]^T，n为像元数。

其中，步骤(2)中所述的确定组成原始光谱特征空间的光谱特征的构建方法包括三大类：第一类方法选择光谱特征参量，主要是利用前十个吸收强度大的光谱特征；第二类方法选择变换后的光谱特征，主要是利用消除相关性的主成分分析特征、具有非线性区分能力的核线性判别分析特征；第三类是上述两种方法组合得到的光谱特征，即前十个吸收强度大的光谱特征与主成分分析特征、核线性判别分析特征组成的光谱特征。

其中，步骤(3)所述的初始化感兴趣类别各个光谱特征权重，采用随机初始化的方法确定。

其中，步骤(4)所述的基于类别可分性最大化的准则，构建感兴趣类别的类内离散度矩阵和类间离散度矩阵，其具体实现方法如下：

其中和分别为感兴趣类别i权化特征空间的类内离散度矩阵与类间离散度矩阵，为类别i的第t个样本，1≤t≤N_i，N_i为类别i的总样本数，C为类别数目，μ_i和μ_j分别为类别i与类别j的均值向量，Pⁱ为感兴趣类别i的变换矩阵。

其中，步骤(5)所述的计算得到光谱特征空间权化的感兴趣类别特征空间变换矩阵，构建光谱特征空间权化的适应度函数，其具体实现方法如下：

假设针对感兴趣类别i进行特征权化采用的变换矩阵为Pⁱ，Pⁱ为对角阵，并且对角线元素为特征权重，如下：