[发明专利]一种稀疏自适应半监督多流形学习的高光谱影像分类方法

摘要

本发明提供一种稀疏自适应半监督多流形学习的高光谱影像分类方法，其提出了半监督稀疏多流形学习维数约简算法和最近邻多流形分类算法，该方法仅通过对数据样本中的少量数据点进行标注，并结合部分未标注数据点来进行学习，能很好地揭示出蕴藏在高维数据的内在属性以及多流形结构，提取出具有更好鉴别性能的低维嵌入特征，从而改善分类效果，提高对高光谱遥感影像中地物类别的分类精度，因此能够有效的解决稀疏流形聚类与嵌入算法的“样本外学习”和遥感图像标记类别标签困难的问题；同时，在PaviaU数据集上的实验结果表明，与现有技术中所常用的识别方法相比，本发明方法具有更好的分类效果。

主权项

一种稀疏自适应半监督多流形学习的高光谱影像分类方法，其特征在于，包括如下步骤：1)读入高光谱遥感影像数据；2)将高光谱遥感影像中每一个数据点根据其光谱波段生成一个光谱数据向量，从而由各个数据点的光谱数据向量组成整幅高光谱遥感影像的光谱数据矩阵；3)从高光谱遥感影像中选取部分数据点作为样本数据点，由各个样本数据点的光谱数据向量组成样本数据矩阵，并根据先验知识从样本数据矩阵中选取部分样本数据点的光谱数据向量进行已知地物类别的标注，生成相应的样本类别标签；4)利用样本数据矩阵分别对其中每个样本数据点的光谱数据向量在仿射空间中构建稀疏优化模型，并优化求解得到每个样本数据点对应的仿射空间表示向量，从而得到样本数据矩阵对应的仿射空间表示矩阵；5)根据样本数据矩阵中标注有样本类别标签的样本数据点进行半监督多流形划分，构建所有样本数据点的多流形稀疏相似图；6)根据仿射空间表示矩阵和样本数据矩阵中标记的样本类别标签，利用半监督方法确定多流形稀疏相似图中各样本数据点之间的相似权重值，且根据多流形稀疏相似图中不同流形结构的划分关系，得到各个流形的半监督相似权重矩阵，进而由各个流形的半监督相似权重矩阵组成多流形稀疏相似图的半监督相似权重对角矩阵；其中，多流形稀疏相似图Gs中任一个样本数据点的光谱数据向量xi与另一个样本数据点的光谱数据向量xj的相似权重值ws,ij按下式进行计算：其中，i,j∈{1,2,…,n}且j≠i，n表示从高光谱遥感影像中选取作为样本数据点的数量；β为平衡参数，且β＞1；ci,j表示仿射空间表示矩阵中光谱数据向量xi对应于光谱数据向量xi的表示系数，di,j表示光谱数据向量xi与xj之间的欧式距离；t[ci]和t[di]分别表示光谱数据向量xi对应的表示系数贡献值和欧氏距离贡献值，且有：t[ci]=1Pi,ci,j≠0Σj=1nci,j,t[di]=1Pi,ci,j≠0Σj=1ndi,j|ci,j≠0;j≠i;]]>其中，表示仿射空间表示矩阵中光谱数据向量xi的仿射空间表示向量ci包含的非零表示系数的个数；表示取非零的表示系数ci,j所对应的光谱数据向量xi与xj之间的欧式距离di,j进行求和；7)构建低维嵌入目标优化函数，利用多流形稀疏相似图的半监督相似权重对角矩阵通过稀疏多流形嵌入算法计算得到各流形的投影矩阵，进而得到每个流形中各个样本数据点相对于其投影矩阵所投影的低维嵌入特征；8)对高光谱遥感影像中的测试数据点，分别利用各流形的投影矩阵对测试数据点的光谱数据向量进行投影，得到测试数据点的光谱数据向量分别在各流形的投影矩阵下的低维嵌入特征；9)利用测试数据点在各流形的投影矩阵下的低维嵌入特征，分别计算测试数据点与每个流形中各样本数据点之间的低维嵌入特征最小距离，得到测试数据点相对于各流形的低维嵌入特征最小距离值；然后，以各个低维嵌入特征最小距离值中的最小值所对应的流形的地物类别作为测试数据点所属的地物类别；由此，分别确定高光谱遥感影像中各个测试数据点所属的类别，得到高光谱遥感影像中的地物类别的分类结果。