[发明专利]基于多流形学习算法的高光谱影像数据分类方法及系统

说明书

本发明公开了一种基于多流形学习算法的高光谱影像数据分类方法及系统，涉及高光谱遥感领域，包括：对获取的高光谱遥感影像进行图像分割，得到已知类别对象数据集和未知类别对象数据集；采用光谱角度量方式的等距特征映射算法，确定已知类别对象数据集的第一低维流形数据集和第一本征维数；采用光谱角度量方式的等距特征映射算法，按照每个第一本征维数的数值，确定未知类别对象数据集对应的多个第二低维流形数据集；采用局部线性嵌入算法，计算每个未知类别对象数据集对应的相似度集；将最大相似度对应的第一低维流形数据集的类别确定为未知类别对象数据集的类别。本发明有效提高高光谱影像数据分类的准确度。

技术领域

本发明涉及高光谱遥感领域，特别是涉及一种基于多流形学习算法的高光谱影像数据分类方法及系统。

背景技术

在高光谱遥感数据领域，流形学习算法已被成功应用到非线性特征提取、分类、端元提取等方面。尽管许多流形学习算法对人工数据有非常好的结果，但真实的高光谱遥感数据结构通常比较复杂，不容易被准确表征。

随着成像光谱仪空间分辨率的提高，同一地物内部的光谱异质性增强，图像空域信息丰富，也使得基于像元的分类方法难以提取更加丰富的信息。而面向对象方法可以充分利用地物本身的信息，包括光谱信息、形状信息、纹理信息、上下文联系、继承信息等，所以面向对象方法成为了近年来高光谱遥感数据处理的热点。

目前，将流形学习算法作为高光谱遥感数据分类中一个降维预处理方法，主要以观察低维空间中的类别可分性，从而认识流形学习算法对分类的作用及其高光谱遥感数据在流形域的数据特性。流形学习算法假设高光谱遥感数据采样于低维统一流形，通过保持某些几何结构找到潜在的低维流形几何结构，其流形学习算法包括等距特征映射(ISOMAP)算法、局部线性嵌入(LLE)算法、拉普拉斯特征映射(LE)算法、局部切空间排列(LTSA)算法等。对于基于流形学习降维的分类算法往往首先需要将所有输入数据集映射到一个单一的低维流形子空间，然后通过一些分类器(如k近邻或SVM分类器)在该流形上进行分类。面向高光谱遥感数据分类也只是针对光谱特征空间进行单一流形的降维，且只利用像元的光谱信息，忽略了像元之间的空间相关性；另外真实的高光谱遥感数据集可能存在于多个不相同的低维流形中，一类高光谱遥感数据集位于一种流形，多类高光谱遥感数据集则可能分别位于不同的几何流形上，若直接采用单一流形假设的算法不能有效地获得每个数据子集的低维流形。

发明内容

本发明的目的是提供一种基于多流形学习算法的高光谱影像数据分类方法及系统，以提高高光谱影像数据分类的准确度。

为实现上述目的，本发明提供了如下方案：

一种基于多流形学习算法的高光谱影像数据分类方法，包括：

对获取的高光谱遥感影像进行图像分割，得到已知类别对象数据集和未知类别对象数据集；

采用光谱角度量方式的等距特征映射算法，对所述已知类别对象数据集进行降维处理，得到每个所述已知类别对象数据集的第一低维流形数据集以及每个所述第一低维流形数据集对应的第一本征维数；

采用光谱角度量方式的等距特征映射算法，按照每个所述第一本征维数的数值，对同一个所述未知类别对象数据集分别进行降维处理，循环操作，直至得到每个所述未知类别对象数据集对应的多个第二低维流形数据集；其中，一个所述未知类别对象数据集对应的所述第二低维流形数据集的总数与所述第一本征维数的总数相同；

采用局部线性嵌入算法，计算每个所述未知类别对象数据集对应的每个第二低维流形数据集分别与每个所述第一低维流形数据集的相似度，得到每个所述未知类别对象数据集对应的相似度集；其中，一个所述相似度集中元素的总数为所述第一低维流形数据集的总数；一个所述相似度集中的一个元素为同一个所述未知类别对象数据集对应的每个第二低维流形数据集分别与同一个所述第一低维流形数据集的相似度的和；