[发明专利]一种用于遥感数据处理的流形降维方法

说明书

本发明公开了一种用于遥感数据处理的流形降维方法，该方法包括以下步骤：获取遥感影像数据，预处理和规范化遥感影像数据，采样图像的像素点，建立邻域邻接图；计算高维空间点的分布条件概率计算高维近邻距离矩阵;计算高维下的联合概率分布，计算低维下的联合概率分布；计算目标函数，将目标函数转化成一个新的目标函数，计算近似的低维坐标。通过该方法，分析了不同数据之间的距离分布；用简单的计算来表示了遥感影像数据集的特征；加快了对距离矩阵的计算速度和抑制噪声；修改了目标函数；保持了局部结构，揭示了全局结构中类别之间的差异，效果优于原来的t‑SNE算法。

技术领域

本发明涉及遥感数据降维技术领域，具体来说，涉及一种用于遥感数据处理的流形降维方法。

背景技术

在数据日益丰富的社会，遥感大数据走进了人们的视野，由于时空信息的复杂性，遥感大数据在环境监测、气候变化、灾害评估等领域得到了广泛的应用，但同时也带来了许多具有挑战性的问题。

由于遥感大数据呈现出海量、高维、异构的特点，因此，现有的许多数据处理方法都不足以处理数据采集，特别是具有高维特征的数据处理方法。这是由于高维特征增加了遥感时空数据分析的复杂性，并在不同程度上可能导致“维数灾难”。值得一提的是，在过去的二十年中，遥感信息提取中，为了弱化时空冗余，简化计算，出现了线性学习法或流形学习法等多种降维方法。降维的目的是寻求一种变换，它可以将高维空间中的原始数据转换为低维空间，同时保持和增强数据的内在结构。这样，高维数据中的冗余信息就被去除，以显式地表示低维空间中的内在结构。线性学习法，如主成分分析(PCA)和线性判别分析(LDA)，侧重于全局分布，计算速度快，意义明确，而忽略了局部结构。相对而言，非线性降维(流形学习法)是通过保留基于各种距离公式的局部邻域结构来降低时空维数。典型的方法包括ISOMAP(等距映射)、LLE(局部线性嵌入)、LE(拉普拉斯特征映射)、LTSA(局部切线空间对齐)、HLLE(Hessian本征映射)和MVU(最大方差展开)。然而，非线性降维的计算非常复杂，只能应用于数据泛化能力差的小样本数据。为了削弱“不等距离”约束，出现了SNE(随机邻域嵌入)算法，但该算法存在“拥挤问题”。

发明内容

针对相关技术中的上述技术问题，本发明提出一种用于遥感数据处理的流形降维方法，能够克服现有技术的上述不足。

为实现上述技术目的，本发明的技术方案是这样实现的：

一种用于遥感数据处理的流形降维方法，该方法包括以下步骤：

S1：获取遥感影像数据，预处理和规范化遥感影像数据，采用均匀采样的方式，采样图像的像素点，建立邻域邻接图；

S2：基于欧几里得距离，计算高维空间点的分布条件概率计算高维近邻距离矩阵，描述高维空间中的流形，其中，计算公式为

P_j|i为对应行列的条件概率值，x_i、x_j表示高维空间中的点，σ_i表示与x_i近邻点距离的标准差，||x_i-x_j||²和||x_i-x_k||²为空间中对象之间的欧式距离；

S3：计算高维下的联合概率分布，描述高维分布，采用随机矩阵初始化低维坐标，计算低维下的联合概率分布；

S4：采用所述步骤S3中的两个联合概率分布计算目标函数，利用拉格朗日公式将目标函数转化成一个新的目标函数，基于选择的迭代公式，通过迭代计算近似的低维坐标。

进一步的，所述步骤S1中，通过均匀采样的方式，将原始的遥感影像数据256×256像素大小的RGB图片改为16×16的单通道图片，其中，RGB图片表示三通道图片。