[发明专利]基于超像素和最大边界分布的高光谱数据降维方法

权利要求书

1.一种基于超像素和最大边界分布的高光谱数据降维方法，其特征在于，包括如下步骤：

(1)划分样本集合：

(1a)从高光谱数据样本集中随机选取40％的样本作为训练样本集；

(1b)从训练样本集的每类中，按标记-训练样本集比选取样本，组成标记样本集；

(2)生成正则矩阵：

(2a)采用超像素分割图像的方法，将训练样本集分割成500个超像素；

(2b)按照下式，计算包含第q类标记样本的超像素的均值：

xq=1NqΣm=1gΣn=1Nmxmn]]>

其中，x_q表示包含第q类标记样本的超像素的均值，N_q表示包含第q类标记样本的超像素中的所有像素的总数，q＝1,2,...,c，c表示标记样本集的类别总数，∑表示求和操作，表示包含第m个标记样本的超像素中的第n个像素，m＝1,2,...,g，g表示每类标记样本的总数，n＝1,2,...,N_m，N_m表示包含第m个标记样本的超像素中的所有像素的总数；

(2c)按照下式，生成基于超像素的正则矩阵：

R=Σq=1cΣm=1gΣn=1Nm(xmn-xq)(xmn-xq)T]]>

其中，R表示基于超像素的正则矩阵，∑表示求和操作，q表示包含标记样本集的超像素的均值的索引值，q的取值范围为{1,2...,c}，c表示标记样本集的类别总数，m表示超像素中标记样本的索引值，m的取值范围为{1,2...,g}，g表示每类标记样本的总数，n表示超像素中像素的索引值，n的取值范围为{1,2...,N_m}，N_m表示包含第m个标记样本的超像素中的所有像素的总数，表示包含第m个标记样本的超像素中的第n个像素，x_q表示包含第q类标记样本的超像素的均值，T表示转置符号；

(3)生成判别矩阵：

按照下式，生成基于最大边界分布准则的判别矩阵：

Z=Σu=1g(Σk=1b(du-vk)(du-vk)T-Σh=1a(du-yh)(du-yh)T)]]>

其中，Z表示基于最大边界分布准则的判别矩阵，∑表示求和操作，g表示每类标记样本的总数，u表示标记样本集中标记样本的索引值，b表示标记样本集中与d_u异类的标记样本的总数，k表示标记样本集中与d_u异类的标记样本的索引值，d_u表示每类标记样本中的第u个标记样本，v_k表示标记样本集中与d_u异类的第k个标记样本，a表示标记样本集中与d_u同类的标记样本的总数,y_h表示标记样本集中与d_u同类的第h个标记样本，T表示转置操作；

(4)求解最优投影矩阵：

采用特征值分解方法，求解最优投影矩阵；

(5)投影降维：

将最优投影矩阵和高光谱数据样本集的矩阵相乘，得到高光谱数据样本集的降维矩阵。

2.根据权利要求1所述的基于超像素和最大边界分布的高光谱数据降维方法，其特征在于：步骤(1b)所述的标记-训练样本集比是在1/120～1/10范围内选取。