[发明专利]一种基于正交指数局保投影的高光谱图像特征提取方法

摘要

本发明公开了一种基于正交指数局保投影的高光谱图像特征提取方法。本发明如下：一、将被提取高光谱数据集分为拟定样本集和扩展样本集。二、根据训练样本集构建k近邻域图。三、分别构建类内权重矩阵集合和类间权重矩阵。四、构建目标函数。五、归一化相似度矩阵。六、计算两个归一化相似度矩阵的矩阵指数。七、确认投影矩阵。八、获取正交投影矩阵。九、训练SVM模型，并验证正交投影矩阵是否可靠。十、利用正交投影矩阵将具有高维度的扩展样本集映射到维数为d的低维空间中。将降维后的扩展样本集放入训练好的SVM模型中进行分类识别。本发明引入了矩阵指数来获取更丰富有效的样本信息，有效地解决了“小样本”问题。

主权项

1.一种基于正交指数局保投影的高光谱图像特征提取方法，其特征在于：步骤一、将被提取高光谱数据集分为拟定样本集和扩展样本集；通过实地检测，确认拟定样本集中各样本点的类别；将拟定样本集分为训练样本集和测试样本集；训练样本集内共有C个类别；确定参数t的值为1；设定维度d；设定SVM模型中参数c和g的范围和步长；步骤二、根据训练样本集X＝(x₁,x₂,…,x_M)构建k近邻域图；步骤三、分别构建类内权重矩阵集合W和类间权重矩阵B；类内权重矩阵集合W的第i行第j列为W_ij，其表达式如式(1)所示；类间权重矩阵B的第i行第j列为B_ij，其表达式如式(2)所示；i＝1,2,…,M，j＝1,2,…,M；式(1)和(2)中，||x_i‑x_j||²为(x_i‑x_j)的二范数；为的二范数；为高光谱图像样本集X的第i个样本x_i所在类别内所有样本的均值；为高光谱图像样本集X的第j个样本x_j所在类别内所有样本的均值；步骤四、构建目标函数a如式(3)所示：式(3)中，为矩阵中所有元素的最小值；S_L为第一相似度矩阵，其表达式为S_L＝XLX^T；S_H为第二相似度矩阵，其表达式为X^T为训练样本集X的转置矩阵；为训练样本集的转置矩阵；L＝D‑W，H＝E‑B，两者均为拉普拉斯矩阵；D及E均为对角矩阵，矩阵D的第i行第i列的元素等于类内权重矩阵集合W内第i列所有元素之和；矩阵E的第i行第i列的元素等于类间权重矩阵B内第i列所有元素之和；为第s个类别各样本的均值，s＝1,2,…,C；步骤五、归一化相似度矩阵S_L和S_H；步骤六、建立矩阵指数的表达式如(4)所示；式(4)中：exp(Z)称为矩阵Z的矩阵指数；根据式(4)，分别求出S_L和S_H的矩阵指数exp(S_L)和exp(S_H)；步骤七、确认投影矩阵A；投影矩阵A＝(a₁,a₂,...,a_d)由矩阵exp(S_H)^‑1exp(S_L)按其特征值从大到小排序后的前d个值所对应的特征向量(a₁,a₂,...,a_d)构成；步骤八、获取正交投影矩阵P＝(p₁,p₂,...,p_d)；正交投影矩阵P中，p₁＝a₁，p₂,p₃,...,p_d的表达式如式(5)所示；式(5)中，h＝2,3,…,d；之后，进入步骤九；步骤九、训练SVM模型，并验证正交投影矩阵P是否可靠；9‑1.利用正交投影矩阵P将具有高维度的训练样本集映射到维数为d的低维空间中；并用降维后的训练样本集训练SVM模型，通过5折交叉验证法及网格参数寻优法确定SVM模型的最佳参数c和g，得到训练好的SVM模型；9‑2.利用正交投影矩阵P将具有高维度的测试样本集映射到维数为d的低维空间中；将降维后的测试样本集放入训练好的SVM模型中进行分类识别；9‑3.通过对比“步骤8‑2的分类结果”与“步骤一获取的测试样本集中各样本点的类别”，得到分类精度；若所得分类精度小于阈值，则修改参数t和维度d的值，并重复执行步骤二至八；否则，进入步骤十；步骤十、利用正交投影矩阵P将具有高维度的扩展样本集映射到维数为d的低维空间中；将降维后的扩展样本集放入训练好的SVM模型中进行分类识别。