[发明专利]基于高维特征选择与多级融合的遥感图像分类方法

权利要求书

1.一种基于高维特征选择与多级融合的遥感图像分类方法，其特征在于，包括以下步骤：

步骤1：在分析遥感图像特殊成像机理的基础上，提取遥感图像的各种高维异构特征，包括遥感图像形状、光谱、纹理特征；

步骤2：针对提取得到的高维异构特征集，采用类信息子集特征选择算法SISFS对每种高维异构特征进行特征选择，得到对应的一组最优低维特征子集；

步骤3：针对提取得到的高维异构特征集，利用鉴别相关分析算法DCA将每两类高维异构特征进行融合，得到对应的低维融合特征；具体过程如下：

第一，对任意一组高维异构特征集X，设其维数为p×n，首先针对高维异构特征集X中每个目标类别的所有训练样本的特征，计算其平均特征向量接着计算整个高维异构特征集X的平均向量

其中，x_ji∈X表示第j类目标的第i个样本的特征向量，第j类目标样本有n_j个，n表示所有训练样本的个数，J表示目标类别数；

第二，针对X，求其类间散布矩阵S_bx，S_bx的定义如下：

其中，

第三，对S_bx进行对角化：

其中，P是正交特征向量组成的矩阵，是非负特征值组成的对角矩阵；

第四，求X的低维变换结果；首先，从矩阵P中选取前r个非零特征值对应的特征向量，组成矩阵Q，可以得到然后，使用类间散布矩阵S_bx的前r个最重要的特征向量通过映射：Q→Φ_bxQ，得到(Φ_bxQ)^TS_bx(Φ_bxQ)＝Λ_r×r；接着，令W_bx＝Φ_bxQΛ^-1/2，则有最后，通过即可将高维异构特征集X的维数从p×n减小到r×n，具体操作为：其中X'为X的低维变换结果，其维数为r×n；

第五，针对任意两组不同类型的高维异构特征集X1和X2，按照第一至第四步，可以得到高维异构特征集X1和X2的低维变换结果：

第六，为使得同一目标类的不同类型的特征之间具有更强的相关性，首先，对低维变换后的结果X1'和X2'计算它们的协方差矩阵然后，对使用奇异值分解来对角化，可以得到：这里U和V无具体的物理含义；U和V为奇异值分解的结果，代表非方矩阵对应的奇异向量，其重要程度由对应奇异值大小决定；接着，令其中，∑是主对角元素不为零的对角矩阵，则有最后，进一步对X1'和X2'进行变换：

第七，将和进行融合：

Fus₁₂即为最终的DCA融合特征向量；步骤4：将每个最优低维特征子集和低维融合特征分别输入到SVM分类器，对遥感图像进行初始分类；

步骤5：设计基于SVM加权的决策级融合分类器，对每个SVM分类器分类结果进行融合，实现遥感图像分类。