[发明专利]基于小波核局部Fisher判别分析的高光谱影像分类方法

说明书

本发明提供一种基于小波核局部Fisher判别分析的高光谱影像分类方法，涉及高光谱图像技术领域。该方法首先读入高光谱数据作为样本数据，并对样本数据集进行归一化；采用小波核函数将数据从低维原始空间映射到高维特征空间；利用局部Fisher判别分析方法对样本数据进行特征提取；将降维后的数据集划分为训练数据和测试数据，将训练数据输入SVM分类器获得最优参数值；将测试数据输入分类器得到分类结果；对分类结果进行分析和精度评价。本发明提供的基于小波核局部Fisher判别分析的高光谱影像分类方法，获得了很好的分类效果，可应用于农业监测、环境管理、灾害评估、矿物填图等领域。

技术领域

本发明涉及高光谱图像的数据处理与应用技术领域，尤其涉及一种基于小波核局部Fisher判别分析的高光谱影像分类方法。

背景技术

高光谱遥感是指具有高光谱分辨率的遥感数据获取、处理、分析和应用的科学与技术，是21世纪遥感领域重要的研究方向之一。与多光谱遥感相比，高光谱遥感可以获取地物上百个连续谱段的信息，这些丰富的光谱信息可以增强对地物的区分能力。高光谱遥感在国防建设、图民经济等方面都发挥着重要作用，已广泛地应用于目标探测、地表分类、环境管理和矿物填图等领域。许多高光谱遥感应用的基础是影像分类，但由于高光谱数据存在维数高、训练样本少等问题，分类时易产生“维数灾难”现象。因此，高光谱遥感影像分类问题成为高光谱图像处理研究领域的关键问题之一

高光谱图像分类首先要解决的问题是特征提取，目前常用的特征提取方法主要有主成分分析(Principal Component Analysis,PCA)、线性判别分析(Linear DiscriminantAnalysis,LDA)和局部Fisher判别分析(Local Fisher Discriminant Analysis,LFDA)。PCA通过某种线性投影将高维数据投影到低维空间，并且仅仅损失了一些次要信息。但是，PCA是一种无监督特征提取方法，不能较好的利用数据类别信息。LDA是一种有监督特征提取方法，它将带有类别标签的高维数据投影到低维空间中，投影后保证在新的子空间中不同类别数据之间具有最小的类内距离和最大的类间距离。然而由于LDA投影时忽略了数据的局部特征，当样本数据在特定类别上含有多个局部均值时投影结果不理想。LFDA是对LDA的一种扩展，它的基本思想是最大化类间分离的同时保留类内精细复杂的局部结构。然而，PCA、LDA和LFDA这些方法只注重线性特征提取却忽略了高光谱遥感影像数据的非线性结构特征。

基于核的子空间特征提取方法是模式识别领域中的重要研究方向之一，其主要思想是通过核函数将原始空间数据投影到高维空间，使原始空间线性不可分的数据在高维空间线性可分，近几年在高光谱遥感影像分类中得到一定应用。

将数据映射到高维特征空间进行特征提取比原始空间有效。然而，不同的核函数会映射得到不同的高维特征空间，因此如何选择核函数是研究基于核的子空间特征提取方法的关键。

发明内容

本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于小波核局部Fisher判别分析的高光谱影像分类方法，实现对高光谱影像的分类。

为解决上述技术问题，本发明所采取的技术方案是：基于小波核局部Fisher判别分析的高光谱影像分类方法，包括以下步骤：

步骤1：读入高光谱遥感影像数据集；

步骤2：按波段对输入的高光谱遥感影像数据进行归一化处理，如下公式所示：

其中，1≤m≤M，1≤n≤N，1≤p≤B，M和N分别表示图像的高度和宽度，B表示图像的波段总数，x^p表示第p个波段的全部像素点，表示第p个波段中位于第m行、第n列的像素；

步骤3：采用小波核函数将数据从低维原始空间映射到高维特征空间，在特征空间利用局部Fisher判别分析方法对样本数据进行特征提取，具体方法为：