[发明专利]一种基于邻域选取约束的高光谱图像分类方法

权利要求书

1.一种基于邻域选取约束的高光谱图像分类方法，其特征在于：包括以下步骤：

S1.读入高光谱图像数据；

S2.根据高光谱数据选取训练样本，构建字典D；

S3.确定待处理测试样本的自适应邻域集A；

所述步骤S3包括:

S301.针对高光谱数据进行主成分分析变换，并提取第一主成分分量PC1：

将三维高光谱数据平铺展开为二维数据S，将S减去所对应的均值向量S，得到中心化向量Y；

计算Y的协方差矩阵COV＝E{YY^T}，E{·}表示数学期望，上标T表示矩阵转置；

通过求解得到协方差矩阵COV所对应的特征值矩阵W和特征向量矩阵Λ，满足COV＝ΛWΛ^T；

找到特征值矩阵W中最大特征值，其所对应的特征向量为w₁；进行矩阵投影得到PC1，有PC1＝w₁^TY；

S302.利用PC1，寻找每个待处理测试样本的自适应邻域集合A并保存：

A1、针对待处理的某一测试像元x，依据PC1给出m个邻域尺度h所构成的尺度集合H和N个不同的方向θ_n，n＝1,2,…,N：

H＝{h₁,h₂,…,h_m}，h₁＜h₂…＜h_m；

其中，h∈H，m为正整数，表示尺度个数；

A2、计算不同方向所对应的尺度估计值y(x,θ_n)_h：

为卷积运算，为局部多项式自适应核，h∈H；

计算y(x,θ_n)_h对应的置信区间C(x,θ_n)_h：

C(x,θ_n)_h＝[y(x,θ_n)_h-βσ(x,θ_n)_h,y(x,θ_n)_h+βσ(x,θ_n)_h]；

其中，β0为阈值，σ(x,θ_n)_h为标准偏差；

A3、确定每个方向所对应的最佳邻域尺度：

确定θ_n方向所对应的最佳邻域尺度h⁺(x,θ_n)

h⁺(x,θ_n)＝h_v，

其中h_v∈H，h⁺(x,θ_n)∈H；

A4、确定自适应邻域集合A，并保存该邻域集合的位置索引信息：

以像元x为中心，在一维平面内将最佳邻域尺度h⁺(x,θ_n)作为不同方向对应的长度进行延伸，将不同方向的终点进行连接，最终构成一个多边形；多边形所覆盖的像元集合为像元x的自适应邻域A，并保存该邻域集合的位置索引信息；

S4.确定待处理测试样本的多尺度方形邻域集B＝{B₁,B₂,…,B_e,…B_M}；

S5.确定待处理测试样本的最终邻域集C，构建该测试样本所对应的最终邻域测试集合J；

所述步骤S5包括以下子步骤：

S501.利用A和B来确定最终的邻域集合C：

在多尺度方形邻域集B的基础上，引入自适应邻域A的约束，确定多尺度最终邻域集合C：

C＝{C₁,C₂,…,C_e,…C_M}；

具体操作为C中不同尺度的邻域为A与不同尺度下B集合中重叠的像素索引位置，如下式：

C₁＝A∩B₁,C₂＝A∩B₂,...,C_M＝A∩B_M；

这里的集合C包含着M个不同尺度的最终邻域集合；

S502.分别统计不同尺度最终邻域中包含的像元的个数，构建该测试样本所对应的最终邻域测试集合J:

对C中不同尺度邻域内所分别包含的像元数目各自统计，得到最终邻域像元数目集合NC,NC＝{NC₁,NC₂,…,NC_e,…NC_M}，NC_e对应着C_e的邻域集合内的所包含的像元数目；

利用高光谱图像所对应的最终邻域中所有的像元的光谱向量构建该测试样本在不同尺度下最终邻域测试集合矩阵J：

J＝{J₁,J₂,…,J_e,…J_M}，

J_e表示用最终邻域C_e下的所有像元所构成的矩阵；

S6.求解对应的系数矩阵集合Ψ；

S7.重构样本,计算不同尺度最终邻域对应的重构残差集合R；

S8.通过重构残差集合R最终确定高光谱像元类别。