[发明专利]基于鉴别和鲁棒多特征提取的高光谱图像分类方法

说明书

本发明提出一种基于鉴别和鲁棒多特征提取的高光谱图像分类方法，针对高光谱图像中不同类型的空谱特征，本方法将其投影到一个共同的低秩、鉴别子空间，并保留不同特征的重要性。本方法运行包括两个阶段，首先，根据不同特征的重要性，分别赋予它们不同的权重；然后，学习一个具有鲁棒和鉴别特性的低维子空间；接着，将不同的特征投影至低维子空间中；最后，使用支持向量机对新的特征进行分类。本发明通过特征降维，不仅能够对噪声鲁棒，抵御高光谱图像中的噪声干扰，同时可以保留不同特征的重要性，同时利用已有的标签，使获得的特征具有鉴别特性，有效提高了分类的效果。

技术领域

本发明属于图像处理领域，尤其是基于鉴别和鲁棒多特征提取的高光谱图像分类方法。

背景技术

高光谱遥感图像具有非常高的光谱分辨率，在地质勘探、地球资源调查和精准农业等方面得到越来越多的应用。高光谱图像拥有非常高的光谱维度，直接对高光谱图像的像素进行分类容易产生Hughes现象，因而，特征提取的方法被应用到高光谱图像中。

随着高光谱图像处理技术的发展，用于提取不同种类高光谱图像特征的算法也应运而生，如纹理特征，盖博特征等。借助多种特征，高光谱图像的分类效果能够得到进一步的提升。但是，这样仍存在一些问题：(1)不同特征对于分类的重要性往往有所差异，但这常常被忽略；(2)光谱图像通常会受噪声干扰，因而多种特征的使用会带来更多的噪声。

针对于噪声问题，低秩技术是一类非常有效的抵抗噪声方法，但是，低秩理论仅用于原有数据的恢复，而不能用于特征的降维，因而对于高光谱图像特征维度过大的问题，低秩方法也缺少有效的处理手段。

发明内容

本发明所解决的技术问题在于提供一种基于鉴别和鲁棒多特征提取的高光谱图像分类方法，在进行多种特征的特征提取操作时，本发明方法能够保留不同特征各自的重要性，在一定程度上能够抵御高光谱图像中的噪声，同时，利用已有的标签，使获得的特征具有鉴别特性。

实现本发明目的的技术解决方案为：

基于鉴别和鲁棒多特征提取的高光谱图像分类方法，包括以下步骤：

步骤1：根据i种高光谱图像特征对于高光谱图像分类的重要性，分别为i种高光谱图像特征赋予最优权重，得到权重η＝[η⁽¹⁾，η⁽²⁾，...，η^(v)]，其中，η⁽ⁱ⁾是第i种特征的权重，η是总体的权重向量，v为正整数，i∈[1，v]；

步骤2：对要学习的低维特征施加低秩约束，并对低维特征赋予鉴别特性；同时，将i种特征投影到同一低维子空间中，并保留i种特征各自的最优权重，建立目标函数学习一个具有鲁棒和鉴别特性的低维子空间，通过计算得到投影矩阵；

步骤3：将原高光谱图像数据投影到学习的低维子空间中，得到新的低维特征；

步骤4：使用支持向量机对新的低维特征进行分类。

进一步的，本发明的基于鉴别和鲁棒多特征提取的高光谱图像分类方法，步骤1具体包括：

步骤1-1：对输入的高光谱图像数据进行重构，获得K近邻图，构建邻接矩阵W，获得近邻像素点间的关系；

步骤1-2：根据邻接矩阵W构建低秩表示系数函数；

步骤1-3：根据低秩表示系数函数学习i种特征的最优权重参数。

进一步的，本发明的基于鉴别和鲁棒多特征提取的高光谱图像分类方法，步骤1-1具体为：基于欧几里得距离，获取高光谱图像数据的像素间的相似性，并选取每一个像素的K邻域像素，构建邻接矩阵W，邻接矩阵W只保留近邻像素点之间的数值，其余部分置零。

进一步的，本发明的基于鉴别和鲁棒多特征提取的高光谱图像分类方法，步骤1-2中的低秩表示系数函数为：