[发明专利]一种高光谱图像组合核最小噪声分离变换特征提取方法

说明书

技术领域

本发明涉及高光谱图像数据处理与应用技术领域，尤其涉及一种高光谱图像组合核最小噪声分离变换特征提取方法。

背景技术

高光谱遥感把成像技术和光谱技术相结合，是遥感的前沿研究领域。高光谱图像具有高达纳米级的光谱分辨率，具有广泛应用。但是它具有波段数量大，波段间的相关性很高，数据结构非线性，维数灾难等问题。

高光谱图像特征提取是高光谱图像数据处理的关键环节，它将处于高维空间的样本通过映射或变换的方式转换到低维空间，达到降维及减少数据冗余度的目的，可分为线性特征提取方法和非线性特征提取方法两大类。

线性特征提取方法常见的有主成分分析、最小噪声分离(MinimumNoise Fraction，后简称MNF)变换等，通过正交变换削减高光谱数据的相关性，提取图像主要特征；线性特征提取方法易导致信息丢失和失真，不适用于高维非线性的高光谱遥感图像数据。

非线性特征提取方法有基于遗传算法、神经网络、流行学习等的方法。自从上世纪90年代中期核方法在支持向量机中得到成功应用以后，很多学者提出了基于核方法的非线性特征提取方法，如核主成分分析、核Fisher判别分析等；它通过核函数实现非线性映射，不同的核函数具有不同的优缺点，如广泛使用的高斯核函数是一种典型的局部核函数，它虽然学习能力强，但是泛化能力弱；多项式核函数是一种全局核函数，学习能力弱，但是泛化能力强。单独使用一种核函数往往不能得到很好的高光谱图像特征提取效果。

发明内容

本发明提出一种高光谱图像组合核最小噪声分离变换特征提取(Combined Kernel MinimumNoise Fraction，后简称CKMNF)方法。在正交的MNF变换的基础上，综合高斯核函数和多项式核函数的优点，构建组合核函数，将样本变换为核函数矩阵，映射到高维特征空间，在特征空间中运算线性MNF，实现原始空间中的非线性特征提取。运用本发明所述的CKMNF方法进行高光谱图像特征提取后第1特征分量表示信号最大、噪声比例最小的成分；第2特征分量在剩余分量中信号最大，噪声比例最小且与第1特征分量正交；依次类推可得到其它特征分量。

本发明提供一种高光谱图像组合核最小噪声分离变换特征提取方法，包括以下步骤：

S1、采集高光谱反射率数据X：X是n行p列矩阵，其中p是波段数，n是某个波段上的像元数目。

S2、估计图像噪声：对原始数据X用3*3的矩阵进行高通滤波，估计噪声x_N(r)。

S3、线性MNF模型构造：把图像看作信号和噪声的和，即：x(r)＝x_S(r)+x_N(r)，其中x_S(r)是信号部分，x_N(r)是噪声部分，r表明图像上像素所在的位置，x_S(r)和x_N(r)不相关，则x的方差-协方差矩阵S是信号分量和噪声分量的和S＝S_S+S_N，定义噪声分数NF为噪声方差和总信号方差的比值，故对于x(r)的线性组合a^Tx(r)有，在线性MNF中，最大化此式。

S4、对偶模式MNF构造：用X^Tb代替a得到对偶模式MNF，即，

S5、混合核函数构造：选择学习能力强的高斯核函数及泛化能力强的多项式核函数的线性组合构造混合核函数，公式为：k(x_i,x_j)＝λ·exp(-(x_i-x_j)²/2σ²)+(1-λ)·(x_ix_j+1)^d。

其中：λ为权重系数，0≤λ≤1；σ为高斯核函数的核宽度；d为多项式核函数的阶数；x_i,x_j是在高光谱反射率数据中随机选取的子样数据。特殊的当λ＝1时，即为广泛使用的高斯核函数。

S6、求核矩阵K及噪声核矩阵K_N：矩阵K的元素是k(x_i,x_j)，K_N的元素是k(x_i,x_Nj),i,j＝1,...,n，其中x_i,x_j是在高光谱反射率数据中随机选取的子样数据。