[发明专利]一种高光谱图像特征提取方法

说明书

本申请提出一种高光谱图像特征提取方法，包括如下步骤：输入待分类的原始高光谱影像数据集，包括：已经标记的高光谱影像数据以及未标记的高光谱影像数据；对已经标记的高光谱影像数据，进行线性判别分析，得到第一投影矩阵；针对未标记的高光谱影像数据，进行主成分分析，得到第二投影矩阵；将第一投影矩阵与第二投影矩阵进行合并，得到第三投影矩阵；针对所述第三投影矩阵，进行图谱判别分析，提取最终的特征矩阵。解决了现有技术中，针对高光谱遥感影像难以降维或者降维后难以同时保留光谱特征与空间特征的问题。本申请利用半监督流形变化能更好的扩大特征之间的差异，在进行空间特征提取的同时顾及了像素间局部关系，提高了分类精度。

技术领域

本发明属于图像处理与应用技术领域，具体涉及一种高光谱图像特征提取方法。

背景技术

目前，特征提取的目的是将高维数据嵌入到较低维的空间，在降低数据维度的同时尽可能地保持原数据的基本结构信息。近年来，研究人员已提出一系列有关高光谱遥感影像数据的特征提取方法。主成分分析(PCA)通过计算原始数据的协方差矩阵降低特征维度。但其作为无监督方法，不能较好的利用数据类别信息。线性判别分析(LDA)是一种单模态分析方法，高光谱影像很多情况下是多模态的。针对多模态数据分类问题，可以在降维过程中引入局部信息，尽可能地保留数据的局部流形结构。特征提取的目的是将高维数据嵌入到较低维的空间，在降低数据维度的同时尽可能地保持原数据的基本结构信息。局部保持投影(LPP)可以有效保留数据的局部特征，使原始数据中距离较近的样本在特征空间中仍较为紧凑。目前特征提取研究取得了一定的进展，但是受限于高光谱遥感影像分类时产生的维数灾难现象，特征提取时仅使用了光谱特征，忽略了影像的空间特征，导致分类结果不够理想。

现有技术中，针对高光谱遥感影像难以降维或者降维后难以同时保留光谱特征与空间特征的问题，尚未有效技术解决方案。

发明内容

针对现有技术的不足，本申请提出一种高光谱图像特征提取方法，解决了现有技术中，针对高光谱遥感影像难以降维或者降维后难以同时保留光谱特征与空间特征的问题。

一种高光谱图像特征提取方法，包括如下步骤：

输入待分类的原始高光谱影像数据集，包括：已经标记的高光谱影像数据以及未标记的高光谱影像数据；

针对已经标记的高光谱影像数据，进行线性判别分析，得到第一投影矩阵；

针对未标记的高光谱影像数据，进行主成分分析，得到第二投影矩阵；

将第一投影矩阵与第二投影矩阵进行合并，得到第三投影矩阵；

针对所述第三投影矩阵，进行图谱判别分析，提取最终的特征矩阵。

所述将第一投影矩阵与第二投影矩阵进行合并，得到第三投影矩阵，过程为：以列为标准固定，所述第一投影矩阵在上，所述第二投影矩阵在下，将二者进行上下拼接，得到拼接后的矩阵即为所述第三投影矩阵。

所述第一投影矩阵中行的数量与所述第二投影矩阵中行的数量相同，所述第一投影矩阵中列的数量与所述第二投影矩阵中列的数量相同，所述已经标记的高光谱影像数据与所述未标记的高光谱影像数据选择的是同样频带的数据。

所述针对已经标记的高光谱影像数据，进行线性判别分析，得到第一投影矩阵，过程如下：

针对已经标记的高光谱影像数据进行归一化；

将归一化后的已经标记的高光谱影像数据进行线性判别分析，得到第一投影矩阵。

所述针对未标记的高光谱影像数据，进行主成分分析，得到第二投影矩阵，过程如下：

针对未标记的高光谱影像数据进行归一化；

将归一化后的未标记的高光谱影像数据，进行主成分分析，得到第二投影矩阵。