[发明专利]基于空间正则化流形学习算法的高光谱遥感图像分类方法

说明书

本发明提供了一种基于空间正则化流形学习算法的高光谱遥感图像降维和分类方法，包括以下步骤：将高光谱遥感图像划分为多个子块；再在其中随机选择部分数据点作为连接数据；将连接数据和各子块数据合并后得到增强子块数据；对每个增强子块分别计算LLE算法和空间正则约束对应的图拉普拉斯矩阵，并得到复合的拉普拉斯矩阵，对该矩阵进行特征值分解，得到降维结果；对各个降维结果进行对齐，得到整个图像的降维结果；最后对降维数据进行分类。本发明在流形学习算法框架下有效结合数据空间信息，并采用图像分块和对齐的策略，以最大程度发挥空间正则约束的作用。所提出算法对多种高光谱遥感数据分类都表现出较好的适用性，能够明显提高高光谱遥感图像的分类精度。

技术领域

本发明属于遥感图像处理技术领域，具体涉及一种空间正则化的流形学习降维算法，并结合图像分块和降维结果对齐技术，最大程度发挥空间正则约束的作用，用于高光谱遥感图像降维和分类。

背景技术

高光谱遥感是具有高的光谱分辨率的遥感科学和技术，它具有“图谱合一”的特性，将代表地物性质的光谱和确定地物空间的图像结合在一起，能够获取地球表面丰富的光谱和空间信息，在地物精细分类方面具有重要应用。

高光谱数据量大，存在数据冗余和维数灾难问题，降维是解决这个问题的有效方法。降维不仅能够减少运算量，而且能够找出高维数据中隐藏的低维结构，提高数据分类的精度。流形学习作为一类非线性降维算法，能够有效挖掘数据的非线性结构。由于高光谱遥感数据存在固有的非线性特性，线性降维可能丢失数据某些重要的非线性信息，因此，基于流形学习的非线性降维具有重要的研究意义，已经成功应用于高光谱遥感图像分类。

大量研究表明，高光谱遥感图像空间信息的利用能够有效降低分类结果中的椒盐现象，提高分类精度。对于结合空间信息的流形学习算法，目前研究主要集中在结合空间特征的相似性度量方法上。例如目前有研究者将数据点的空间坐标信息作为其空间特征，如果两个数据点在空间上接近，那么其相似性程度增加；也有研究者利用以数据点为中心的空间邻域的平均光谱作为其空间特征，并由热核函数来计算数据点之间空间特征的相似性；还有研究者提出了空间相关距离，将两个数据点的相似性转换为两个数据点集的相似性，其中数据点集是以数据点为中心的空间邻域数据构成的点集。在半监督分类领域，有研究者提出空间正则约束，约束空间位置上接近的数据点具有相似的分类结果。由于半监督分类算法计算复杂度高，只能在图像中选择一部分数据参与计算，如果所选择的数据在空间上比较分散，那么一个数据点的空间邻域内存在较少其他数据点，空间正则约束的作用就会受限。

发明内容

本发明将空间正则约束应用于流形学习算法中，提出空间正则化的流形学习算法，以约束空间位置上接近的数据点具有相似的降维结果。

实现本发明上述目的所采用的技术方案为：

一种基于空间正则化流形学习算法的高光谱遥感图像降维和分类方法，该算法结合图像分块和降维结果对齐技术，最大程度发挥空间正则约束的作用，从而进行高光谱遥感图像降维和分类，具体包括以下步骤：

(1)、将高光谱遥感图像X分成n个不重叠的子块X_i,i＝1,...,n；

其中X表示高光谱遥感数据，包含N个数据点，每个数据点的维数是D；X_i表示第i个子块内数据点的集合，每个子块的大小是m×m，也就是每个子块内包含m²个数据点；

(2)、在高光谱遥感图像X中随机选择一部分数据点作为连接数据X_t，其中X_t包含p个数据点；

(3)、将连接数据X_t合并到每个子块X_i中，生成n个增强子块A_i＝[X_t,X_i],i＝1,...,n，每个增强子块A_i包含(m²+p)个数据点；