[发明专利]基于流形学习线性化的高光谱图像特征提取方法

摘要

一种基于流形学习线性化的高光谱图像特征提取方法，属于高光谱图像数据处理与应用技术领域。本发明针对流形学习方法无泛化能力的不足，提出了一种改进的流形学习线性化方法。所述方法包括如下步骤一、计算初步降维结果和拉普拉斯矩阵；二、构建矩阵方程组常数项矩阵和系数矩阵；三、计算特征转换矩阵；四、通过特征转换矩阵计算最终降维结果。本发明针对LPP、NPE和LLTSA线性化流形学习方法中全局线性映射的假设在很多时候不成立的不足，在原有的代价函数中加入了偏离原流形学习方法结果的惩罚项，并且舍去了原目标函数中的约束项，将最优特征转换矩阵的求解转换为一个矩阵方程组的求解问题。该方法适用于高光谱图像的特征提取。

主权项

一种基于流形学习线性化的高光谱图像特征提取方法，其特征在于所述高光谱图像特征提取方法步骤如下：一、给定高光谱数据集X，通过流形学习方法获得初步降维结果YL和拉普拉斯矩阵L，其中X是D×N维矩阵，D是数据维数，N是样本个数，YL是d×N维矩阵，L是N×N维矩阵，d是降维维数；二、构建矩阵方程组常数项矩阵B和系数矩阵C：1)构建D×d维的矩阵方程组常数项矩阵B：B＝αXYLT，其中，α是一个为正数的惩罚系数；2)构建D×D维的矩阵方程组系数矩阵C：C＝X(αI+L)XT，其中，I是N×N维的单位矩阵；三、计算特征转换矩阵：1)对矩阵方程组系数矩阵C进行求逆得到矩阵H：H＝C‑1；2)通过矩阵H和矩阵方程组常数项矩阵B相乘得特征转换矩阵V：V＝HB；四、通过特征转换矩阵计算最终降维结果：Y＝VTX，其中，Y是最终的降维结果。