[发明专利]一种基于SIFT‑LPP的高光谱遥感影像特征提取方法

说明书

技术领域

本发明涉及高光谱遥感影像特征提取领域，特别是涉及一种基于SIFT-LPP的高光谱遥感影像特征提取方法。

背景技术

高光谱遥感影像具有信息量大、光谱分辨率高的特点，更易于遥感地物的分类和识别，已成为遥感应用领域的一大热点。然而，高光谱遥感影像的高分辨率是以数据维度的变大和数据间相关性的变大为代价，同时也给影像的分析和处理提出了挑战。例如，信息的冗余度高、数据存储和处理时间长、易产生维数灾难现象等。因此，高光谱遥感影像在实际应用之前进行降维处理变得十分迫切，如何从数百波段中选择出高精度的波段组合仍是一个亟待解决的问题。然而，现有技术中的高光谱遥感影像特征提取方法往往地物识别分类精度较低。

发明内容

发明目的：本发明的目的是提供一种能够解决现有技术中存在的缺陷的基于SIFT-LPP的高光谱遥感影像特征提取方法。

技术方案：本发明所述的基于SIFT-LPP的高光谱遥感影像特征提取方法，包括以下步骤：

S1：找到影像的特征关键点m_i(x,y,σ)，σ为高斯正态分布的方差；

S2：以特征关键点m_i(x,y,σ)为中心，选取4*4大小的区域，构建128维特征向量SIFT_i，并进行归一化处理，获得向量d＝(d₁,d₂,…,d_n)^T，d_i∈R^N，i＝1,2,…,n；其中，n为维度；

S3：将向量d＝(d₁,d₂,…,d_n)^T通过矩阵W_PCA映射到PCA子空间，得到向量α＝(α₁,α₂,…,α_n)^T；

S4：构造最近邻图G和相似矩阵S：将PCA子空间向量的数据点α_i相应的n个节点图用邻图G体现，然后在α_i相应的节点i和α_j相应的节点j处设立边缘，其中α_i和α_j之间相差k个最近的样本点，并利用式(1)计算出相似矩阵S中的元素S_ij；

S5：通过式(2)求解n个特征值和n个特征向量，将得到的特征向量构成矩阵W_LPP，从而得到算法的映射矩阵W为W＝W_PCAW_LPP；

XLX^Tw＝λXDX^Tw (2)

式(2)中，X＝{x₁,x₂,…,x_n}，L＝D-S，λ为实数，w为映射矩阵W中的向量；

S6：对影像进行SVM分类，以平均分类精度来验证算法的有效性。

进一步，所述步骤S1中的特征关键点m_i(x,y,σ)通过以下步骤找到：

S1.1：对原始输入的高光谱遥感影像I(x,y)进行高斯滤波，生成的尺度空间函数L(x,y,σ)如式(3)所示：

式(3)中，G(x,y,σ)为高斯函数，如式(4)所示；

S1.2：在尺度空间内，构建高斯函数差分的DOG函数D(x,y,σ)，如式(5)所示：

式(5)中，k为一个实数；

S1.3：在生成的尺度空间内，通过对比当前尺度的图像像素与相邻的8个像素点以及上下不同尺度的图像的各9个像素点的像素大小，选择出局部的极值点作为特征关键点m_i(x,y,σ)。

有益效果：本发明公开了一种基于SIFT-LPP的高光谱遥感影像特征提取方法，利用SIFT算子对LPP算法进行了改进，不单考虑了所要识别的地物本身的光谱特性，还兼顾了与其临近的地物光谱信息以及空间布局，有效提高了地物识别分类精度。

附图说明

图1为现有技术中的LPP算法的示意图；

图2为本发明具体实施方式的SIFT特征提取过程的示意图；

图3为本发明具体实施方式生成的尺度空间的示意图；

图4为本发明具体实施方式的DOG尺度空间极值检测的示意图；