[发明专利]基于图正则低秩表示维数约简的高光谱图像分类方法

说明书

技术领域

本发明属于遥感图像处理技术领域，涉及基于图正则低秩表示方法，具体是一种基于图正则的低秩表示维数约简的高光谱图像分类方法，用于解决高光谱遥感数据维数约简和分类问题的方法。

背景技术

高光谱遥感图像是通过成像光谱仪以几十乃至几百个波段同时对地表物成像，形成由连续波段图像组成三维数据立方体，实现地物空间信息、辐射信息、光谱信息的同步获取，具有“图谱合一”的特点，提高了对地物的分类能力以及监控能力，已经被广泛地应用于军事和民用的很多领域中，如环境监测，精细农业，目标识别等方面。高光谱遥感图像包含了丰富的空间、辐射和光谱三重信息，但是由于高光谱图像波段多，在邻近波段之间存在大量的冗余信息，而且巨大的数据量加大了高光谱图像处理的困难，导致计算复杂度很高，造成图像处理能力的浪费，也会降低高光谱图像的分类精度。有效地维数约简方法可以挖掘高光谱图像的可判别信息，提取出高光谱图像最重要的特征，不仅可以减小运算量，而且还可以提高高光谱图像分类的正确率，因此维数约简在高光谱图像分类的应用中具有十分重要的作用。

常见的维数约简方法主要分为线性降维和非线性降维两大类。主成分分析主成分分析方法(Principal Component Analysis，PCA)是一种最常见的线性降维方法，它的主要目标是通过线性变换寻找一组最优的单位正交向量基，并用它们的线性组合来重构原样本。线性判别分析(Linear Discriminant Analysis，LDA)是一种有监督的线性降维方法，它主要目标是最大化类间散度并同时最小化类内散度，LDA需要充足的有标签样本，但是高光谱图像的样本标签的获取非常困难，而且，PCA和LDA的全局的线性数据限制了他们在非高斯分布数据上的有效性。非线性方法主要有基于核的方法以及近年来的流形学习方法，例如等距特征映射(Isometric feature mapping，ISOMAP)，局部流形嵌入(Locally linear embedding，LLE)等，ISOMAP是一种通过保持流形上两点间的侧地线距离来保持数据间的全局几何特性，它保证了降维结果的稳健性和全局最优性，但是运算复杂度非常高，对计算设备的内存需求很大。

目前高光谱图像降维方法主要存在的问题是：需要处理的数据量很大，不能很好地保留高光谱图像数据提供的所有有用信息；流形学习的降维方法挖掘了高光谱图像的局部流形结构信息，但是计算复杂度较高；在降维过程中没有同时考虑到高光谱图像的噪声影响。

发明内容

本发明的目的在于针对现有技术的不足，提出一种挖掘高光谱图像局部流形结构信息，有效提高高光谱图像分类的正确率的基于图正则低秩表示的高光谱维数约简图像分类的方法。

本发明是一种基于图正则低秩表示维数约简的高光谱图像分类方法，包括如下步骤，包括如下步骤：

步骤1：输入高光谱图像X，该高光谱图像X包含c类像素点，所有类别像素点共有N个像素点，N个像素点是每一类图像所有像素点的和总数，图像的每一个像素点为一个样本，第i个样本用一个特征向量x_i表示，i是样本的序号，i＝1，...，N，R表示实数域，样本的特征维数为H。

步骤2：根据均值漂移方法将高光谱图像X分割成M块，得到预分割后的高光谱图像X_G，对分割后的每一个图像块里的所有样本点做平均，每一个图像块得到一个新样本点m＝1，...，M，得到新样本集

步骤3：使用图正则低秩表示计算新的样本集X_new的图正则低秩系数矩阵Z，采用非精确增广拉格朗日乘子法获得图正则低秩系数矩阵Z；

步骤4：根据图正则低秩系数矩阵Z，构造基于高光谱图像的新样本集X_new的特征值方程f，设置降维后的维数d，并学习出降维映射矩阵A；

步骤5：将原始高光谱图像X通过降维映射矩阵A映射到低维空间R^d中，得到降维后的样本集x′_i是降维后的样本集X′的第i个样本；

步骤6：在降维后的样本集X′中每类选取t个样本作为训练样本集X_p，其余的样本作为测试样本集X_q，将训练样本集X_p输入到支撑矢量机SVM中进行分类，学习出来一个分类器，然后将测试样本集X_q输入到这个分类器中，得到测试样本X_q的分类标签向量Y，标签向量Y是高光谱图像X的分类结果。