[发明专利]一种基于全局与局部保持的高光谱图像半监督降维方法

说明书

本发明涉及一种基于全局与局部保持的高光谱图像半监督降维方法，所述的方法包括以下步骤：步骤S1.设高维空间R^D中存在数据集X＝{x₁，x₂，…，x_l，x_l+1，…，x_l+u},其中前l个样本X_l为有类标样本，类别标签为c，各类样本数为N_i，i＝(1，2，…，c)，后u个样本X_u是无类标样本；步骤S2.通过半监督全局分布算法构造半监督全局目标函数；步骤S3.基于半监督局部保持投影算法，给出改进后的半监督局部目标函数；步骤S4.结合S2中的全局目标函数和S3中的局部目标函数，构造半监督IPCA‑IWSSFE整体目标函数及求解低维子空间Y＝W^TX。其优点表现在：通过对高光谱图像进行全局与局部保持的半监督降维，即考虑的数据的局部特性，又能保证数据的全局特性，从而提高了图像的分类精度。

技术领域

本发明涉及高光谱图像的降维技术领域，具体地说，是一种基于全局与局部保持的高光谱图像半监督降维方法，适用于处理具有波段多且冗余、光谱分辨率高、波段宽度窄、数据量庞大、维数高的高光谱图像，大大降低了计算的复杂程度，减少了冗余信息所造成的判别误差，提高了分类精度，并且大大节省了这些图像的存储空间。

背景技术

高光谱遥感图像的空间分辨率高，地物光谱曲线连续，具有较强的地物分类和识别能力，在地质勘查、医疗检测、生命科学、司法鉴别、军事侦察、环境监测、精细农业等领域得到了广泛的应用。高光谱图像是由成像光谱仪获取的遥感图像，随着成像光谱仪空间和谱间分辨率指标的提高，同时具有二维空间和一维光谱信息的高光谱遥感图像数据量呈指数增加。数据量的急剧膨胀不但给数据存储与传输带来了巨大的困难，同时也加剧了数据处理过程的复杂性，降低了数据处理效率，甚至会出现维数灾难问题。降维可以为高维数据寻找一个包含样本重要信息的低维表示方法，是高光谱图像分类预处理的重要环节。降维不仅可以保存数据的有用信息，并且能够大大减少数据量，而且可以有效避免维数灾难，使数据表示更加简单清晰，有利于后续分类。

在过去的几十年里，有很多降维的方法已经被提出来。根据数据的结构，传统的降维方法分为全局性降维方法与局部性降维方法。全局性降维方法有主成分分析法(Principal component analysis,PCA)、线性判别分析(Linear discriminant analysis,LDA)等。此类方法从全局统计信息角度出发对数据进行挖掘，它能够在最大程度保持全局分布信息方差不变的情况下，获得对图像数据的最佳描述。局部性降维方法主要以局部流形学习算法为代表，如局部保持投影(locality preserving projection,LPP)、局部敏感判别分析(Locality Sensitive Discriminant Analysis,LSDA)等，其特点是从局部线性出发，通过邻域图揭示数据的局部近邻结构关系，在低维嵌入时保持数据的局部几何结构。局部流形学习以能够有效揭示出高维数据中的低维本质特征，对特征信息的局部保持性更强而著称，但又存在着获取全局分布特征信息的性能较差的缺陷。