[发明专利]基于双图稀疏非负矩阵分解的高光谱波段选择方法

摘要

本发明公开了一种基于双图稀疏非负矩阵分解的高光谱波段选择方法。其处理步骤包括：输入需处理的高光谱数据；分别计算高光谱数据数据空间和特征空间的相似度矩阵；分别计算高光谱数据数据空间和特征空间的相似度对角矩阵；初始化高光谱数据重构矩阵；设置迭代次数；更新重构矩阵；判断是否达到最大迭代次数，若达到则得到数据空间的非负矩阵分解因子，否则返回更新重构矩阵继续迭代，直至达到最大迭代次数；构造并输出高光谱数据的波段选择矩阵。本发明解决了原始高光谱图像中存在许多冗余波段的问题，剔除了冗余信息，降低了数据维数，选择出具有更高判别性的波段，提高了高光谱图像分类的准确性。用于高光谱图像分类之前的波段选择处理。

主权项

1.一种基于双图稀疏非负矩阵分解的高光谱波段选择方法，其特征在于，包括如下步骤：(1)输入需要处理的高光谱图像数据，并预设所需波段选择数目；(2)分别计算高光谱图像数据的数据空间和特征空间的相似度矩阵：采用权重测度算法，分别计算高光谱图像数据的数据空间和特征空间中所有波段的波段相似度，得到高光谱图像数据的数据空间和特征空间中所有波段的波段相似度矩阵；(3)分别计算高光谱图像数据的数据空间和特征空间的相似度对角矩阵：对高光谱图像数据的数据空间和特征空间中所有波段的波段相似度矩阵分别进行对角化处理，得到高光谱图像数据的数据空间和特征空间的相似度对角矩阵；(4)初始化高光谱图像数据的重构矩阵：采用随机矩阵法初始化高光谱图像数据的数据空间的含特征空间局部几何信息的非负矩阵分解因子和高光谱图像数据的特征空间的含数据空间局部几何信息的非负矩阵分解因子，采用单位矩阵法初始化高光谱图像数据的数据空间的含特征空间局部几何信息的非负矩阵分解因子的对角矩阵，并将此矩阵和上述两个非负矩阵分解因子合称为三个重构矩阵；(5)设置循环迭代次数：将初始迭代次数设置为0，最大迭代次数设置为10～30；(6)更新高光谱图像数据的重构矩阵：(6a)利用高光谱图像数据的数据空间的含特征空间局部几何信息的非负矩阵分解因子的更新公式，得到当前迭代次数下更新的高光谱图像数据的数据空间的含特征空间局部几何信息的非负矩阵分解因子；(6b)利用高光谱图像数据的特征空间的含数据空间局部几何信息的非负矩阵分解因子的更新公式，得到当前迭代次数下更新的高光谱图像数据的特征空间的含数据空间局部几何信息的非负矩阵分解因子；(6c)利用高光谱图像数据的数据空间的含特征空间局部几何信息的非负矩阵分解因子的对角矩阵的更新公式，得到当前迭代次数下更新的高光谱图像数据的数据空间的含特征空间局部几何信息的非负矩阵分解因子的对角矩阵；(7)判断是否达到最大迭代次数，若满足则执行步骤(8)，否则将当前循环迭代次数加1并返回执行步骤(6)直至达到最大迭代次数；(8)得到高光谱图像数据的数据空间的含特征空间局部几何信息的非负矩阵分解因子；(9)构造并输出高光谱图像数据的波段选择矩阵：(9a)采用波段评价向量公式，基于高光谱图像数据的数据空间的含特征空间局部几何信息的非负矩阵分解因子，计算高光谱图像数据的波段评价向量；(9b)将高光谱图像数据的波段评价向量中的元素值降序排序，并按预设的波段选择数目从中选出元素值最大的波段构造成高光谱图像数据的波段选择矩阵，并输出高光谱图像数据的波段选择矩阵。