[发明专利]一种稀疏自适应半监督多流形学习的高光谱影像分类方法

说明书

技术领域

本发明涉及高光谱数据处理方法与应用技术领域，具体涉及一种稀疏自适应半监督多流形学习的高光谱影像分类方法。

背景技术

高光谱遥感技术自20世纪80年代以来快速发展，其影像记录了地物目标的连续光谱，包含的信息更丰富，具备了识别更多种类的地物目标以及更高精度进行目标分类的能力。但由于高光谱数据由大量波段构成高维特征空间，大多数算法的复杂度随维数呈指数关系增长，对其处理需要更大的计算量，且其波段间具有高度相关性和冗余性，同时存在维数很高，分类时易因Hughes现象而无法获得理想结果等问题。科学家通过研究发现：高光谱数据可被描述为在低维嵌入空间上的流形(Manifold)，即：高维空间的点是在少数独立变量的共同作用下在观测空间张成一个流形，如果能有效的发现其内在的主要变量，便能更好地了解高维数据的本质属性和特点。维数约减是解决以上问题的有效办法，能够降低数据的维数，得到高维数据有意义的低维表示，以便理解其内在的结构及后续处理。

迄今为止，在高维数据处理的研究领域中，国内外学者已经提出了一系列较为经典的降维算法，主要包括：主成分分析(Principal Component Analysis，PCA)、线性判别分析(Linear Discriminant Analysis，LDA)、独立成分分析(Independent Component Analysis，ICA)、非负矩阵因子(Non-negative Matrix Factorization，NMF)等。这些方法的思想就是根据一定的性能目标来寻找一线性或非线性的空间变换，把原始信号数据压缩到一个低维子空间，使数据在子空间中的分布更加紧凑，为数据的更好描述提供了手段，另外计算的复杂度也得到了大大降低。由于这些维数约简方法具有描述性强、计算代价小、易实现及可分性好的特点，因而在高维数据特征提取的研究中占据了主导地位。但高光谱遥感数据具有十分复杂的非线性结构，并不全是线性分布的，子空间方法并不能揭示出高光谱数据中的非线性特性，无法反映出数据点的可分性和非线性，因而使用子空间方法对高光谱遥感数据进行维数约简并不能取得较好的效果。针对这些问题，He等提出了局部保持投影(Local Preserving Projrction，LPP)和邻域保持嵌入算法(Neighborhood Preserving Embedding，NPE)等流形学习方法，其通过相似图保留样本的局部近邻结构，在一定程度上保持了原始数据的非线性流形，但是这两种算法依赖于人工预定义的相似图，要获得好的性能往往需要更多的训练样本，存在如近邻参数选择困难(如近邻数k、核宽σ)、噪声敏感等问题，分类效果受到限制。

稀疏保持投影(Sparsity Preserving Projections，SPP)是最近提出的一种基于稀疏表示理论的无监督降维算法。该算法不同于传统方法的图构建方式(如K-近邻)，其利用样本间的稀疏重构关系建图，是全局性的稀疏构图算法，并归结为L1范数最小化问题。SPP算法不仅利用稀疏表示的自然判别能力，而且无需人为地选择近邻参数值，一定程度上缓解了近邻参数选择的困难。在高光谱图像分类中，常面对的是大量的未标记数据以及相对较少的有标记数据。虽然SPP算法无需对训练样本进行标记，但是没有有效利用标记样本中所提供的鉴别信息。

但是，上述方法都是假设数据中只存在一个单一流形，在实际应用中，数据中存在多个不同的流形结构。Xiao等提出了一种多流形的面部表情识别，能够有效地揭示出不同面部表情的内在多流形特性，采用了遗传算法寻求各流形的最优嵌入维度，再由最小化重构误差分类器进行分类，在面部表情识别中取得的较好的识别效果。Li和yang等人在人脸识别中分别提出了非参数鉴别多流形和多流形鉴别分析，揭示了人脸数据中的多流形结构，并取得了很好的识别效果。Tong等人提出一种多流形投影算法应用于工业过程监测和故障诊断中，揭示出局部和全局流形特性，在工业监测和故障诊断中取得了较好的效果。Valencia-Aguirre等人提出基于多流形的非线性维数约简方法，并用于COIL-100数据的可视化研究，取得了较好的多流形结构的可视效果。王立志等在“多线性局部与全局保持嵌入在高光谱遥感影像分类中的应用”一文中发现高光谱遥感数据中存在多个不同的低维流形结构，采用了局部全局保持嵌入提取出了各流形的鉴别特征，在高光谱地物分类中取得了较好的分类效果。