[发明专利]一种基于快速嵌入式谱分析的高光谱图像稀疏特征选择方法

权利要求书

1.一种基于快速嵌入式谱分析的高光谱图像稀疏特征选择方法，其特征在于，包括以下步骤：

步骤1：获取光谱特征维度均为d的高光谱图像，像素点样本总数为n，表示样本矩阵，其中x_i表示所有光谱波段同一个像素点的灰度值，x_i的每一个元素值为数据对应的像素点样本的特征的值，n个像素点样本的类别标签向量为其中y_i＝1,2,...,c表示第i个像素点样本的类别，c为像素点样本的类别总数；

步骤2：基于步骤1中建立的像素点样本表示和像素点样本的标签向量，采用二分K均值算法获取锚点矩阵；

步骤3：基于步骤2中获得的锚点矩阵构造自适应K近邻图；

步骤4：基于步骤2中得到的K近邻图构建最优化模型并进行求解，最终得到被选择特征的序号。

2.如权利要求1所述的一种基于快速嵌入式谱分析的高光谱图像稀疏特征选择方法，其特征在于，所述步骤2中包括以下子步骤：

步骤2.1：首先定义一个聚类中心矩阵聚类中心矩阵的每一列表示像素点样本的一个聚类中心，随机初始化这个矩阵；

步骤2.2：计算其中

计算Δe＝e₁-e₂，选择Δe最小的n₁个值对应的样本组成集合V，构造索引矩阵其中指示向量g的计算方法为：如果Δe的第i个元素属于集合V，那么g_i＝1，否则g_i＝0；

步骤2.3：设置锚点数为p，计算指示向量g指示的两类的所有样本的均值作为锚点；如果锚点数达到p停止，否则对于所有子类重复步骤2.1-2.3，直到锚点数达到p，即满足要求，得到锚点矩阵每一列为一个锚点。

3.如权利要求1所述的一种基于快速嵌入式谱分析的高光谱图像稀疏特征选择方法，其特征在于，所述步骤3中包括以下子步骤：

步骤3.1：构建距离矩阵表示第i个样本与其最近的第j个锚点的欧式距离平方；

步骤3.2：对于每一个样本点x_i的分配s个近邻，s为近邻数，将分配问题转化为求解如下最小化问题；

其中中b_ij定义第i个样本与第j个锚点之间的相似度，b_i表示B的第i行元素组成的列；该问题的最优解为：

步骤3.3：获得自适应图的拉普拉斯矩阵：相似度矩阵A是一个双随机的对称矩阵矩阵，即行和和列和都为1；拉普拉斯矩阵为此时基于锚点的自适应近邻图构建完成。

4.如权利要求1所述的一种基于快速嵌入式谱分析的高光谱图像稀疏特征选择方法，其特征在于，所述步骤4中，包括以下步骤：

步骤4.1：基于l_2,0约束的谱分析特征选择的最优模型表示为：

其中α是正则项参数，

步骤4.2：对最优模型进行求解，包括以下子步骤：

步骤4.2.1：F没有约束直接求导可得：

令则有

步骤4.2.2：已知F的表达式，目标函数可以转化为

其中，定义是一个索引向量，是行提取矩阵，将W的非零行提取出来；

步骤4.2.3：判断与m的相对大小，在或条件下分别求解最优模型，

步骤4.2.4：计算||ωⁱ||₂,(i＝1,2,…,d)，如果设置m＜k，则选择m个最大值的索引作为所选特征；如果取m＝k，选择W不全为0的所有行的索引，作为最终选择则的特征的索引。

5.如权利要求4所述的一种基于快速嵌入式谱分析的高光谱图像稀疏特征选择方法，其特征在于，所述步骤4.2.3中，

若时：

(1)将矩阵对角元素按照大到小的顺序排序，提取矩阵最大的k个对角元素的索引组成索引向量

(2)由索引向量计算行提取矩阵定义运算

(3)由行提取矩阵计算按顺序取前m个最大特征值对应的特征向量，组成其中

(4)得到判断与m的相对大小；

若时：

(1)初始化W₀，t＝0；

(2)计算

(3)由大到小的顺序提取矩阵Γ_t最大的k个对角元素的索引组成索引向量

(4)由索引向量计算行提取矩阵定义运算

(5)由行提取矩阵计算按顺序取Γ_t前m个最大特征值对应的特征向量，组成

(6)更新内循环直到收敛，选择最终的W_t作为投影矩阵W。