[发明专利]基于奇异值分解和邻域空间信息的高光谱影像分类方法

说明书

本发明公开一种基于奇异值分解和邻域空间信息的高光谱影像分类方法，步骤是：输入每一类的训练样本矩阵，并对训练样本矩阵进行奇异值分解，得到第j类训练样本对应的右奇异矩阵；对于训练样本矩阵中的数据，利用最小二乘方法计算其对应每一类别的残差，并比较该数据对应每个类别的残差大小，将其划分到最小残差对应的类别中；如此重复，得到每一个训练样本的类别，与其原有类别做对比，通过迭代比较，得到使训练样本的分类正确率最高的参数，再对测试样本矩阵中每个数据进行分类，输出分类结果矩阵。此种分类方法可提高分类精度，缩短分类时间，提升高光谱影像分类的自动化水平。

技术领域

本发明属于图像处理技术领域，特别涉及一种基于奇异值分解和邻域空间信息的高光谱影像分类方法。

背景技术

大多数高光谱影像监督分类方法需要足够多的训练样本来支持分类结果，如线性判别分析、朴素贝叶斯、神经网络等。样本获取往往需要耗费大量的时间和金钱。支持向量机方法在小样本的情况下也能获得较高的分类精度，但是支持向量机需要选择适合的核函数及其相应的参数，不同的参数对分类结果往往影响较大，而通过交叉验证等手段获得合适的参数往往需要消耗大量的训练时间。

发明内容

本发明的目的，在于提供一种基于奇异值分解和邻域空间信息的高光谱影像分类方法，其可提高分类精度，缩短分类时间，提升高光谱影像分类的自动化水平。

为了达成上述目的，本发明的解决方案是：

一种基于奇异值分解和邻域空间信息的高光谱影像分类方法，包括如下步骤：

步骤1，输入每一类的m×n训练样本矩阵其中，m为训练样本个数，n为高光谱向量维数，j表示其对应类别；同时输入l×n测试样本矩阵D_l×n，l为测试样本数量；

步骤2，利用公式A_m×n＝U_m×rS_r×rV_r×n对训练样本矩阵进行奇异值分解，其中，U_m×r和V_r×n分别为左、右奇异矩阵，S_r×r为对角线元素为奇异值的奇异值矩阵；设定初始值r，r为整数，其取值范围为0＜r≤min(m，n)，根据r的取值，从而计算得到第j类训练样本的

步骤3，对于第i个训练样本矩阵中的数据a_i×n，利用步骤2得到的对应每个类别的采用最小二乘方法计算其对应每一类别的残差I_n×n为单位矩阵；比较该数据a_i×n对应每个类别的残差大小，将其划分到最小残差对应的类别中；

步骤4，重复步骤3，得到每一个训练样本的类别，与其原有类别做对比，计算当前r对应得到训练样本的分类正确率，保留目前使正确率达到最大的r_max及各类然后将r加1，重复步骤2-4，在r的取值范围内，得到训练样本的分类正确率最高的r_max及各类从而完成训练过程并转至步骤5；

步骤5，对测试样本矩阵D_i×n中第i个数据d_i×n进行分类，1≤i≤l，其中e^j表示在每个类别中的残差；

步骤6，重复步骤5，对测试样本矩阵D_l×n中的每一条数据都进行分类，输出分类结果矩阵R_l×1。

上述步骤2中，r的取值为5，6，…，20，初始值为5。