[发明专利]一种基于正交指数局保投影的高光谱图像特征提取方法

说明书

本发明公开了一种基于正交指数局保投影的高光谱图像特征提取方法。本发明如下：一、将被提取高光谱数据集分为拟定样本集和扩展样本集。二、根据训练样本集构建k近邻域图。三、分别构建类内权重矩阵集合和类间权重矩阵。四、构建目标函数。五、归一化相似度矩阵。六、计算两个归一化相似度矩阵的矩阵指数。七、确认投影矩阵。八、获取正交投影矩阵。九、训练SVM模型，并验证正交投影矩阵是否可靠。十、利用正交投影矩阵将具有高维度的扩展样本集映射到维数为d的低维空间中。将降维后的扩展样本集放入训练好的SVM模型中进行分类识别。本发明引入了矩阵指数来获取更丰富有效的样本信息，有效地解决了“小样本”问题。

技术领域

本发明属于高光谱遥感图像分类技术领域，具体涉及一种基于正交指数局保投影的高光谱图像特征提取方法。

背景技术

与多光谱相比，高光谱遥感图像具有“图谱合一”的特点，如实时性、地物信息丰富和覆盖面积广等，目前已经成功应用于监测环境、探寻矿物质、军事监视、海洋检测、精细农业等众多领域。

如何准确地识别高光谱图像中的地物类别，目前研究者提出了很多方法，但仍有诸多问题需要完善，如数据冗余、标记的样本数量少、特征维数和光谱信息重复性高等。这些问题往往会造成训练得到的分类模型很不理想，并且容易产生“Hughes现象”。提高高光谱图像的分类精度，关键在于对其分类之前先进行特征提取。特征提取不仅能减少数据维度，去除大量冗余信息，而且能保留有效信息，从而提高分类精度。

主成分分析(PCA)和局部保留投影(LPP)是最常用的特征提取方法，PCA用更少维数的向量来概括图像最重要的特征，从而取代原始特征维数。不同于PCA考虑的是数据的全局特征信息，LPP则考虑局部特征结构，它是一种流形学习方法，其本质上是通过保留局部结构来寻找原始数据的非线性特征。PCA和LPP都是无监督的降维方法，前者只考虑了全局结构，后者只考虑了局部结构。之后有研究者在LPP的基础上又提出了一种有监督的降维算法—判别局保投影法(DLPP)，其充分利用了样本的全局标签信息和局部特征信息。但高光谱图像分类问题中依旧存在小样本问题。

发明内容

本发明的目的在于提供一种基于正交指数局保投影的高光谱图像特征提取方法。

本发明的具体步骤如下：

步骤一、将被提取高光谱数据集分为拟定样本集和扩展样本集。通过实地检测，确认拟定样本集中各样本点的类别。将拟定样本集分为训练样本集和测试样本集。训练样本集内共有C个类别。确定参数t的值为1。设定维度d。设定SVM模型中参数c和g的范围和步长。

步骤二、根据训练样本集X＝(x₁,x₂,...,x_M)构建k近邻域图。

步骤三、分别构建类内权重矩阵集合W和类间权重矩阵B。类内权重矩阵集合W的第i行第j列为W_ij，其表达式如式(1)所示；类间权重矩阵B的第i行第j列为B_ij，其表达式如式(2)所示。i＝1,2,…,M，j＝1,2,…,M。

式(1)和(2)中，||x_i-x_j||²为(x_i-x_j)的二范数；为的二范数；为高光谱图像样本集X的第i个样本x_i所在类别内所有样本的均值；为高光谱图像样本集X的第j个样本x_j所在类别内所有样本的均值。

步骤四、构建目标函数a如式(3)所示：