[发明专利]面向高分遥感图像的大尺度半监督特征选择方法

摘要

面向高分遥感图像的大尺度半监督特征选择方法，属于半监督特征选择技术领域，本发明是为了解决现有高分遥感图像监督特征选择方法中，需要大量训练数据的标记，当无标记对象的数量远远大于带标记的数据时，影响被选择的特征的合理性的问题。它首先采集遥感图像数据，处理后获得归一化后的数据x；再构建基于损失函数和无标记样本的概率分布矩阵{yjk}的度量函数；对度量函数的三个参数依次循环优化，获得相应特征对应的度量值；根据所述的度量值，对特征进行排序，获得遥感图像数据的特征子集，该特征子集作为大尺度半监督特征选择方法选择获得的数据。本发明用于遥感图像的特征选择。

主权项

1.一种面向高分遥感图像的大尺度半监督特征选择方法，其特征在于，它包括以下步骤：步骤一：采集遥感图像数据，对遥感图像数据进行预处理；将预处理后的遥感图像分割成n个样本，对每个样本进行特征提取，获得样本数据；再将样本数据中的每个特征归一化处理后，获得归一化后的数据X；步骤二：针对归一化后的数据X中的每一个特征构建基于损失函数和无标记样本的概率分布矩阵{yjk}的度量函数；步骤三：对步骤二中获得的度量函数的三个参数依次循环优化，获得相应特征对应的度量值；步骤四：根据所述的度量值，对特征进行排序，获得遥感图像数据的特征子集，该特征子集作为大尺度半监督特征选择方法选择获得的数据；步骤一中，设定归一化后的数据X为：X＝(x1,...,xn)T∈Rn×m，其中m为对每个样本进行特征提取获得的特征数量，xj∈Rm为归一化后的数据X中对应于第j个样本的特征，j＝1,2,3,……，n；样本总数n＝nl+nu，其中nl为标记样本数，nu为无标记样本数；xj的标记类别为yj，yj∈{1,...,c}，c为类别数；步骤二中：由第i个特征fi的目标函数Qi计算其所表征的内在数据特性，i＝1,2,3,……，m；其中||·||_F是Frobenius范数，w_i∈R^1×c为f_i的权重系数，b_i∈R^1×c为回归偏置，y_jk∈[0,1]为第j个无标记样本属于第k个类别的概率，r为需要调整的自适应参数，为f_i的标记部分，1_nl∈R^nl×1为包含nl个元素1的列向量，Y_l∈R^nl×c为标记数据的标记矩阵，f_ij为f_i的第j个元素；t_k∈R^1×c是类别指示向量，它的第k类别的第k个元素是1，剩余元素为0；目标函数Q_i中第一项为标记数据的损失函数，第二项为无标记数据的损失函数，由概率作为其权重。