[发明专利]一种高光谱图像超像素局部线性嵌入降维方法

说明书

本申请涉及图像处理技术领域，尤其涉及一种高光谱图像超像素局部线性嵌入降维方法。所述方法包括：获取高光谱图像数据并进行预处理；然后进行空‑谱协方差特征提取、分割；寻找样本近邻点；基于样本邻近关系，对高光谱图像数据进行降维得到初级降维结果；对超像素高光谱图像的数量、邻近点以及初级降维结果进行选择得到终级降维结果；用分类器对得到的高光谱图像降维结果进行分类。所述方法结合了高光谱图像的空‑谱协方差特征和超像素分割策略，充分利用了图像的空间信息，使降维后的特征更具判别性，促进高光谱图像的分类。

技术领域

本申请涉及图像处理技术领域，尤其涉及一种高光谱图像超像素局部线性嵌入降维方法。

背景技术

高光谱成像遥感技术起源于20世纪80年代，是一种集计算机信息处理、精密光学机械、高速信号处理和微弱信号检测于一体的前沿遥感技术。高光谱成像仪可以在可见光至热红外光谱段同时对地面物体成像，得到包含丰富的空间信息和光谱信息的高光谱图像，打破了传统的单波段遥感图像和多光谱遥感图像在精细表达、波段范围等方面的局限，为地物的高精度辨识提供了有力的工具。

高光谱图像包含成十上百个光谱波段，给地物的高精度辨识提供了丰富的光谱信息，但也带来了维数灾难的问题,即在训练样本数目一定的条件下，高光谱图像的分类准确率会随着特征数目的增加而出现先增后减的现象。如何减小高光谱图像的维度，并尽可能地保留其有用信息，提高高光谱图像的分类准确率成了近年来的研究热点。流形学习方法由于能够在降低数据维数的同时很好地挖掘高维数据潜在的非线性结构，有效地保留最重要的信息，广泛应用于高光谱图像的降维。其中，局部线性嵌入是最经典的流形学习方法。

但局部线性嵌入应用于高光谱图像的降维时存在着以下两个问题：把高光谱图像的像素看作是高维空间中孤立的点，忽略了图像的空间信息；利用光谱特征在欧氏距离尺度下寻找样本近邻点时，容易受到“异物同谱”现象的影响，得到畸形的流形局部特性。

发明内容

本申请提供了一种高光谱图像超像素局部线性嵌入降维方法，以解决高光谱图像降维时存在的不足，没有充分利用高光谱图像空间信息及相似性度量易受“异物同谱”现象的影响的问题。

一种高光谱图像超像素局部线性嵌入降维方法，所述方法包括：

获取高光谱图像数据；

对所述高光谱图像数据进行预处理；

提取处理后的所述高光谱图像数据的高光谱图像的空-谱协方差特征；

分割所述高光谱图像数据得到超像素高光谱图像的数量；

寻找所述高光谱图像数据的样本近邻点；

根据所述样本邻近点，得到所述样本的邻近关系；

基于所述样本邻近关系，对所述高光谱图像数据进行降维得到初级降维结果；

对所述超像素高光谱图像的数量、所述邻近点以及所述初级降维结果进行选择得到终级降维结果；

用分类器对得到的高光谱图像降维结果进行分类。

可选的，对所述高光谱图像数据进行预处理包括：删除低信噪比的、影响分类性能的光谱波段。

可选的，提取处理后的所述高光谱图像数据的高光谱图像的空-谱协方差特征包括：用局域协方差描述子提取高光谱图像的空-谱协方差特征。

可选的，分割所述高光谱图像数据得到超像素高光谱图像的数量包括：用超像素分割算法对高光谱图像进行分割。

可选的，寻找所述高光谱图像数据的样本近邻点包括：用空-谱协方差特征和Log-Euclidean距离尺度寻找样本近邻点。