[发明专利]一种基于空谱局部性低秩超图学习的高光谱图像分类方法

摘要

本发明公开了一种基于空谱局部性低秩超图学习的高光谱图像分类方法，属于图像信息处理技术领域。本发明方法包括以下步骤：输入高光谱数据集，组成光谱特征矩阵X；设置相关参数，融入空谱局部性约束，构建空谱局部性约束的低秩表示模型；设置相关参数，使用交替方向乘子算法开始迭代求解；根据低秩表示模型中系数矩阵Z构建空谱局部性低秩超图；设置相关参数，建立半监督超图学习模型；设置相关参数，迭代求解半监督超图模型，输出光谱特征数据集X的分类结果矩阵F^*。本发明设计了半监督超图学习算法应用于最后的高光谱图像分类。相对于其他较为先进的方法，本发明的分类效果更好，并且对噪声和图像退化的鲁棒性更高。

主权项

1.一种基于空谱局部性低秩超图学习的高光谱图像分类方法，其特征在于，对高光谱数据进行空谱局部性约束的低秩表示，从而构建超图模型，运用半监督超图学习模型实现高光谱图像分类，包括以下步骤：步骤1、输入高光谱数据集，组成光谱特征矩阵X∈R^d×n，d为光谱维数，n为图像的像素数；步骤2、融入空谱局部性约束，构建空谱局部性约束的低秩表示模型：其中，λ＞0为正则化参数，β是约束的强度系数；步骤3、使用交替方向乘子算法迭代求解，得到稀疏系数矩阵Z；步骤4、根据步骤3模型中所得的重建系数矩阵Z构建空谱局部性低秩超图G＝(V,E,ω)，超图的顶点对应图像的一个像素点，z_i中非零大系数的样本为x_i的邻近样本，与x_i组成一条超边，其权重的计算为：步骤5、根据步骤4中所建立的空谱局部性低秩超图，进行半监督超图学习，学习模型为：其中，γ是正则化参数，L是正则化之后的超图的拉普拉斯算子矩阵；步骤6、设置相关参数，迭代求解步骤5中模型，输出光谱特征数据集X的分类结果矩阵F^*。