[发明专利]一种多核机器学习融合多尺度特征的高光谱地物分类方法

权利要求书

1.一种多核机器学习融合多尺度特征的高光谱地物分类方法，其特征在于，包括以下步骤：

1)获取高光谱图像，再使用非均匀采样滤波核在每一波段上对高光谱图像进行二维空间非均匀滤波采样，再将采样得到的二维矩阵拉伸变换为一维向量，其中，每一个维度均采样拉伸为一个一维向量，从而将原始的高光谱数据集由一个三维矩阵变换为二维矩阵，其中，二维矩阵中的行表示像元，列表示波段维度，最后使用PCA对二维矩阵进行降维，以提取主成分波段，得高光谱图像的特征；

2)提取目标的多尺度特征，在多核学习框架式中对目标的多尺度特征与多尺度核进行有机融合，再进行加权映射，得融合核矩阵，然后通过训练决策函数得到最优的多尺度核分类器，最后利用优化的多尺度核分类器对图像进行分类，完成多核机器学习融合多尺度特征的高光谱地物分类。

2.根据权利要求1所述的多核机器学习融合多尺度特征的高光谱地物分类方法，其特征在于，获取高光谱图像的具体过程为：构建基于非均匀采样的多尺度空间，其中，在中央凹范围内均匀采样，且采样率最高为1，采样率由外围到中心点距离的2倍递减。

3.根据权利要求1所述的多核机器学习融合多尺度特征的高光谱地物分类方法，其特征在于，非均匀采样滤波核的表达式为：

其中，高光谱图像的大小为N×N，N为2的整数次幂，δ表示中央凹范围的半径，当位于δ内时为均匀采样，利用离散小波方法的采样滤波方式实现非均匀采样，其中，离散小波变换的相平面格点分布为非均匀，每次采样都从视点中央向周围扩展，对于固定的尺度参数m，采样率为1/b₀a₀^m，令：

1/b₀a₀^m＝c(x) (2)

m为整数，则有

滤波核中同一同心圆域中具有相同的m值，即二进制小波滤波器的带宽相同，中心区m＝0，且带宽最窄，由中心向外带宽渐增。

4.根据权利要求1所述的多核机器学习融合多尺度特征的高光谱地物分类方法，其特征在于，基于PCA进行高光谱图像特征降维的具体过程为：

使用PCA对高光谱图像特征进行白化，计算样本的相关系数矩阵的特征值及特征向量，再按降序将特征值进行排序，并调整特征向量；计算各特征值的贡献率，根据预设的提取率，以提取主成分特征向量，并在提取的主成分特征向量上对样本进行投影，以提取图像的特征。

5.根据权利要求1所述的多核机器学习融合多尺度特征的高光谱地物分类方法，其特征在于，所述基核为高斯径向基核，将高斯径向基核的多尺度化表示为：

对各个尺度特征使用多个高斯径向核进行加权组合，使得每个尺度均基于多个尺度核映射，然后对多个尺度的合成核进行多核融合，即

其中，M表示每个尺度特征使用的尺度基核的数目，N表示尺度特征的数目，l表示训练样本的数目，f(x)为最终的决策函数。

6.根据权利要求1所述的多核机器学习融合多尺度特征的高光谱地物分类方法，其特征在于，采用基于梯度下降方法优化得到的核函数的权系数。