[发明专利]面向高分遥感图像的大尺度半监督特征选择方法

权利要求书

1.一种面向高分遥感图像的大尺度半监督特征选择方法，其特征在于，它包括以下步骤：

步骤一：采集遥感图像数据，对遥感图像数据进行预处理；将预处理后的遥感图像分割成n个样本，对每个样本进行特征提取，获得样本数据；再将样本数据中的每个特征归一化处理后，获得归一化后的数据X；

步骤二：针对归一化后的数据X中的每一个特征构建基于损失函数和无标记样本的概率分布矩阵{y_jk}的度量函数；

步骤三：对步骤二中获得的度量函数的三个参数依次循环优化，获得相应特征对应的度量值；

步骤四：根据所述的度量值，对特征进行排序，获得遥感图像数据的特征子集，该特征子集作为大尺度半监督特征选择方法选择获得的数据；

步骤一中，设定归一化后的数据X为：

X＝(x₁,...,x_n)^T∈R^n×m，

其中m为对每个样本进行特征提取获得的特征数量，x_j∈R^m为归一化后的数据X中对应于第j个样本的特征，j＝1,2,3,……，n；

样本总数n＝nl+nu，其中nl为标记样本数，nu为无标记样本数；

x_j的标记类别为y_j，y_j∈{1,...,c}，c为类别数；

步骤二中：由第i个特征f_i的目标函数Q_i计算其所表征的内在数据特性，i＝1,2,3,……，m；

其中||·||_F是Frobenius范数，w_i∈R^1×c为f_i的权重系数，b_i∈R^1×c为回归偏置，y_jk∈[0,1]为第j个无标记样本属于第k个类别的概率，r为需要调整的自适应参数，为f_i的标记部分，1_nl∈R^nl×1为包含nl个元素1的列向量，Y_l∈R^nl×c为标记数据的标记矩阵，f_ij为f_i的第j个元素；t_k∈R^1×c是类别指示向量，它的第k类别的第k个元素是1，剩余元素为0；

目标函数Q_i中第一项为标记数据的损失函数，第二项为无标记数据的损失函数，由概率作为其权重。

2.根据权利要求1所述的面向高分遥感图像的大尺度半监督特征选择方法，其特征在于，步骤三中：获得相应特征对应的度量值的具体过程为：

固定模型参数中权重系数w_i和回归偏置b_i，求解类别概率y_jk：

由于标记数据的损失函数为常量，则目标函数Q_i简化为：

令则式(2)变形为：

由于公式(3)与样本无关，则有：

其中y_j·表示Y_u的第j行，且

取r＞1，则公式(4)的拉格朗日函数为：

其中β为拉格朗日乘数；

令公式(5)关于y_jk的导数为0，则有：

将约束c_k＝1,y_jk＝1代入公式(6)，获得类别概率y_jk的封闭形式解：

再固定类别概率求解权重系数w_i和回归偏置b_i，通过变形以及对目标函数Q_i求关于b_i的导数，有：

其中代表对Y中每个元素进行能量上的操作，S∈R^nu×nu为对角矩阵，它的第i个对角元素q为标量，

所述目标函数Q_i作为相应特征对应的度量值。

3.根据权利要求2所述的面向高分遥感图像的大尺度半监督特征选择方法，其特征在于，步骤四中：获得遥感图像数据的特征子集的方法为：

根据目标函数Q_i的度量值，对相应的特征进行排序，获得遥感图像数据的特征子集。