[发明专利]基于超像素和最大边界分布的高光谱数据降维方法

摘要

本发明公开了一种基于超像素和最大边界分布的高光谱数据降维方法，克服了现有技术因缺乏足够空域和谱域信息，波段间相关性大的缺点。本发明实现的步骤是(1)划分样本集合；(2)生成正则矩阵；(3)生成判别矩阵；(4)求解最优投影矩阵；(5)投影降维。本发明具有保持近邻样本空间和谱间一致性，减少冗余的波段的优点，可用于高光谱遥感影像的降维。

主权项

一种基于超像素和最大边界分布的高光谱数据降维方法，其特征在于，包括如下步骤：(1)划分样本集合：(1a)从高光谱数据样本集中随机选取40％的样本作为训练样本集；(1b)从训练样本集的每类中，按标记‑训练样本集比选取样本，组成标记样本集；(2)生成正则矩阵：(2a)采用超像素分割图像的方法，将训练样本集分割成500个超像素；(2b)按照下式，计算包含第q类标记样本的超像素的均值：xq=1NqΣm=1gΣn=1Nmxmn]]>其中，xq表示包含第q类标记样本的超像素的均值，Nq表示包含第q类标记样本的超像素中的所有像素的总数，q＝1,2,...,c，c表示标记样本集的类别总数，∑表示求和操作，表示包含第m个标记样本的超像素中的第n个像素，m＝1,2,...,g，g表示每类标记样本的总数，n＝1,2,...,Nm，Nm表示包含第m个标记样本的超像素中的所有像素的总数；(2c)按照下式，生成基于超像素的正则矩阵：R=Σq=1cΣm=1gΣn=1Nm(xmn-xq)(xmn-xq)T]]>其中，R表示基于超像素的正则矩阵，∑表示求和操作，q表示包含标记样本集的超像素的均值的索引值，q的取值范围为{1,2...,c}，c表示标记样本集的类别总数，m表示超像素中标记样本的索引值，m的取值范围为{1,2...,g}，g表示每类标记样本的总数，n表示超像素中像素的索引值，n的取值范围为{1,2...,Nm}，Nm表示包含第m个标记样本的超像素中的所有像素的总数，表示包含第m个标记样本的超像素中的第n个像素，xq表示包含第q类标记样本的超像素的均值，T表示转置符号；(3)生成判别矩阵：按照下式，生成基于最大边界分布准则的判别矩阵：Z=Σu=1g(Σk=1b(du-vk)(du-vk)T-Σh=1a(du-yh)(du-yh)T)]]>其中，Z表示基于最大边界分布准则的判别矩阵，∑表示求和操作，g表示每类标记样本的总数，u表示标记样本集中标记样本的索引值，b表示标记样本集中与du异类的标记样本的总数，k表示标记样本集中与du异类的标记样本的索引值，du表示每类标记样本中的第u个标记样本，vk表示标记样本集中与du异类的第k个标记样本，a表示标记样本集中与du同类的标记样本的总数,yh表示标记样本集中与du同类的第h个标记样本，T表示转置操作；(4)求解最优投影矩阵：采用特征值分解方法，求解最优投影矩阵；(5)投影降维：将最优投影矩阵和高光谱数据样本集的矩阵相乘，得到高光谱数据样本集的降维矩阵。