[发明专利]一种基于聚类多重流形测度学习的高光谱影像降维方法

说明书

本发明提供了一种基于聚类多重流形测度学习的高光谱影像降维方法，在多重局部测度学习的基础上，引入流形学习。通过多重测度学习，将原本复杂的非线性数据分解称为多个相互关联数据，使得在训练过程中能够更好的把握数据结构中的细节部分，在有针对性的进行训练的同时，还在一定程度上避免了过拟合，能够很好的处理非线性数据。在上述基础上，利用数据标签信息的同时，还能够有效利用数据本身的结构信息，最大化的将有限的先验信息利用起来。在降维的同时，还使得最后求得的特征空间能够有效的将不同类区分开来，对影像后续的分类起到帮助。本发明的有益效果是：线性分线性数据都能进行处理，同时避免了分类计算中的过拟合，提高了分类精度。

技术领域

本发明涉及遥感图像处理技术领域，尤其涉及一种基于聚类多重流形测度学习的高光谱影像降维方法。

背景技术

高光谱遥感影像处理在信息探测方面有着重要的地位，是遥感领域的重要课题。高光谱图像包含数百个光谱波段，提供了详细的空间结构和光谱信息。因此，通过高光谱影像可以区分地表覆盖类别之间的细微差异，广泛应用于大气监测、植被监测、灾害预警等领域等。随着传感器的不断发展，数据的维数也在不断提高，然而数据维数的提高并没有使得影像对于地物的分类和识别能力也得到提高，反而会在影像的处理过程中带来一系列的问题，使得影像分类精度下降。为了解决上述问题，就有研究提出了高光谱影像降维技术。通过高光谱降维技术，可以有效的降低数据的复杂程度，消除数据的冗余信息，避免了休斯现象(F.L.Luo，2017)。

高光谱数据降维，指的是通过处在低维空间中的数据来有效的表示处在原始高维空间中的数据，在减少数据维数同时，还能最大程度地保存有效信息，去除冗余数据，有助于提高高光谱数据在后续处理中的表现力。本质上，降维学习通过假设高斯模型寻找高维特征空间的低维表示，并在新的特征空间中区分类内和类间样本。测度学习可以利用先验样本信息最小化同一类别的距离，最大化不同类别的距离，实现不同类别的分离，满足降维的要求。例如，大间隔最近邻(LMNN)(K.Q.Weinberger and L.K.Saul，2009)通过训练使样本点周围的最近邻与样本点属于同一类，而不同类的样本点相距较远。信息理论测度学习(ITML)(J.V.Davis,B.Kulis,P.Jain,S.Sra,and I.S.Dhillon，2007)通过最小化将马氏测度学习转换为解决Bregman优化问题两个多元高斯分布之间的微分相对熵。以上算法都是基于全局测度学习，当面对异构分布的数据时，不足以获得令人满意的结果。因此有研究提出了一些多重局部测度学习算法。例如，聚类多重测度学习(CMML)(B.Nguyen,F.J.Ferri,C.Morell,andB.DeBaets,2019)。但是全局测度学习方法和多局部测度学习方法都忽略了数据的结构特征，不能利用数据本身的结构信息。这意味着该算法没有充分利用训练样本提供的信息。而高光谱数据中先验样本的获取成本十分昂贵，所以说如何最大化的利用有限的样本信息十分重要。

为了解决上述问题，本发明方法在多重局部测度学习的基础上，引入流形学习。流形旨在找出数据中嵌入高维空间中的低维流形结构，能够很好的利用数据本身的结构信息。所以本发明方法在多重局部测度学习的基础上，引入流形学习，结合多重局部测度和流形学习的优势，更好地将类与类区分开来。

发明内容

为了解决上述问题，本发明提供了一种基于聚类多重流形测度学习的高光谱影像降维方法，具体步骤如下：

S1：对获取的高光谱遥感图像进行处理，得到若干个训练样本和训练样本的类别；

S2：根据高光谱遥感图像X中各波段的像元辐射值和所述若干个训练样本，使用k-means算法将高光谱遥感图像聚类为Q个簇，每个训练样本只属于一个簇，每一个簇作为一个单独的训练单元进行训练；

S3：对簇中训练样本x_i，i表示第i个训练样本，根据欧式距离选择最近的k个同类点视为邻近点，然后以训练样本为中心点联合其邻近点构建为一个流形S_i，中心点x_i的类别即为流形S_i的类别；