[发明专利]基于自适应协同图判别分析的高光谱图像降维方法及装置

说明书

本发明属于遥感图像处理领域，公开了一种基于自适应协同图判别分析的高光谱图像降维方法及装置。方法包括：从原始的高光谱数据中选取部分像素作为训练样本；建立以类别分块的Tikhonov正则权重系数矩阵，构造协同表示图；通过广义特征值分解，在最优化准则下，得到最优的投影矩阵P，将测试样本投影于低维空间，实现对高光谱数据降维。本发明将距离加权的Tikhonov正则化与基于lsubgt;2/subgt;‑范数最小化的表示法耦合起来，把数据投影到低维流行空间，通过lsubgt;2/subgt;‑范数获取协同表示特性。在构造图的过程中，充分挖掘类内像素之间的内在关系，通过距离加权度量自适应地调整协同表示。此外，图权重矩阵采用块对角结构设计，降低了计算成本，进一步提高了判别能力。

技术领域

本发明属于遥感图像处理领域，具体涉及一种基于自适应协同图判别分析的高光谱图像降维方法及装置。

背景技术

高光谱图像目标识别技术具有较强的实用性，已广泛应用于公共安全、环境监测、城市规划、地质勘察、医学诊断等众多领域。高光谱图像(HSI)是由遥感系统获取的、记录了上百个甚至数百个连续光谱波段的图像。由于高光谱图像波段数多、光谱信息丰富，利用其对地物进行精确识别与分类成为可能。然而，在对高光谱图像进行处理时，可用的训练样本数常常低于其谱间的维数(波段数)，从而导致数据处理效率低、分类器性能差等问题。因此，降维(DR)成为避免“维数灾难”、减少数据量和时间运行成本的必要预处理步骤。本发明的目的在于通过学习相关技术基础，研究一种适用于高光谱图像的降维方法。

常用的高光谱图像降维策略有两类。一类是基于波段选择的降维策略，该类方法利用波段间的相关性，去除冗余和噪声波段，实现对高光谱图像降维的目的，另一类是基于投影的降维策略。近年来，基于图论的策略被逐渐应用于高光谱图像降维。该类方法通过研究高光谱数据的几何结构并通过保持其相似性来构造一个图权重矩阵，利用求解一个广义特征值的问题，得到较低维的表示。常用的基于图的方法主要依赖于成对欧几里得距离；如局部保护投影(LPP)、局部保护非负矩阵分解(LPNMF)和局部Fisher判别分析(LFDA)等。作为一种无监督降维方法，LPP考虑了流形结构，该流形结构采用最近邻图建模，以保持每个类的局部结构。LPNMF将LPP和非负矩阵分解(NMF)相结合，将数据分解为两个非负矩阵，来提取特征。LPNMF的局部保护约束保证了从原有高维空间保留局部流形结构，并通过描述潜在分布结构的拉普拉斯图来度量局部邻域之间的相似性。LFDA结合了LDA和LPP的优点，利用“相似或亲和”矩阵来保护邻域相关信息。传统的基于图论的策略，依赖于成对欧几里得距离，对数据噪声敏感，可能导致次优图表示。

为了克服以上困难，稀疏表示(SP)成为近年来流行的基于图论的策略。基于稀疏图的判别分析(SGDA)将稀疏系数看作图的权值，可以表示HSI字典中的大部分重要信息，能有效保留流形中的稀疏连接，并减少重建误差。现有技术证明，SGDA可有效应用于高光谱图像降维。然而，由于类内的深度变化(过稀疏性问题)，使少量样本的稀疏表示可能并不准确。此外，通过引入-范数最小化来估计相似矩阵(或亲和矩阵)可能会导致更高的计算成本。基于协同图的判别分析(CGDA)采用相似矩阵，用l₂-范数最小化代替l₁-范数最小化，这意味着稀疏约束所施加的“协作”性质可以代替“竞争”性质。然而，协同表示通常会导致表示系数的密集分布，这可能会导致判别能力下降，产生更高的分类错误率。

发明内容

本发明的目的在于提供一种基于自适应协同图判别分析的高光谱图像降维方法及装置，用以解决现有降维技术影响高光谱图像后续分类精度的问题。

为了实现上述任务，本发明采用以下技术方案：

一种基于自适应协同图判别分析的高光谱图像降维方法，包括如下步骤：

步骤1：获取高光谱图像，对高光谱图像进行归一化处理得到原始图像矩阵X；