[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

说明书

本发明涉及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，首先采用二分K‑均值方法快速选择锚点，基于锚点构建自适应近邻图加快构图速度减少时间复杂度。其次，采用谱分析对数据结构进行快速分析，并引入F范数正则项以保持数据的流形结构，尽可能保持子空间的类信息。最后引入l_2,0范数约束，约束投影矩阵的行稀疏性，加强子空间的稀疏约束有助于获得类信息最丰富的特征子集。因此，本发明能够更好地实现高光谱图像波段选择，从而降低高光谱数据存储难度、提高数据处理速度、提取更加有效的波段。

技术领域

本发明属于模式识别领域，特别涉及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。

背景技术

特征选择技术是模式识别领域的一个重要的研究课题，已经被广泛应用于高光谱图像波段选择、人脸识别等实际应用场景中。随着高光谱技术的发展，高光谱成像已经广泛应用于地物分类，如何对高维度的高光谱图像进行特征选择，保留数据的物理意义的同时减少数据冗余、提取数据的关键特征，具有重大的实际意义。特征选择旨在从高维特征中获得满足实际的任务需求的、信息最丰富、最具代表性特征的特征子集。此外，它不仅减少数据冗余，消除噪声，同时还保留了原始数据的物理意义。特征选择方法作为减少数据存储空间、提高模型泛化能力的有效手段。

陈彤，陈秀宏(《特征自表达和图正则化的鲁棒无监督特征选择》，智能系统学报:1-8[2021-09-03].http://kns.cnki.net/kcms/detail/23.1538.TP.20210622.0900.002.html.)中基于图学习和谱分析进行嵌入式特征选择，并采用投影矩阵的l_2,1范数作为正则化项。这一类方法能够生成伪标签，探索数据与挖掘数据结构之间的潜在关联，提高特征选择的性能。大多数方法使用投影矩阵的l_2,1范数作为正则化来实现稀疏性。使用l_2,1范数的原因是它的优化问题是一个凸问题。与非凸问题相比，凸问题可以更容易地得到最优解。然而，在无监督的嵌入式模型中，l_2,1范数的稀疏能力有限，并且这些模型的稀疏性对参数很敏感。除此之外，大多数方法的被选择特征的序号不能直接获得。

发明内容

本发明解决的技术问题是：针对已经提出的嵌入式特征选择方法的模型稀疏性不强并且对参数敏感问题，本发明提出了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。

本发明的技术方案是：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(像素点类别可以是图像内包含的物体的类别，例如：如果是对地高光谱图像，那么类别可以为草地、农田、住宅等)；

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。

本发明进一步的技术方案是：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