[发明专利]基于区域相似性低秩表示降维的高光谱图像分类方法

权利要求书

1.一种基于区域相似性低秩表示降维的高光谱图像分类方法，包括如下步骤：

步骤1：输入高光谱图像X，该高光谱图像X包含c类像素点，所有类别像素点共有N个像素点，图像的每一个像素点为一个样本，每个样本用一个特征向量x_i，i＝1，...，N进行表示，R表示实数域，样本的特征维数为H；

步骤2：根据均值漂移方法将高光谱图像X分割成M块，得到预分割后的高光谱图像X_G，对分割后的每一个图像块里的所有样本点的特征向量求平均，每一个图像块得到一个新的样本点m＝1，...，M，由新的样本点得到新的样本集Xnew=[Xnew1,Xnew2,...,XnewM];]]>

步骤3：对均值漂移预分割后的高光谱图像X_G构造相似性矩阵U；

步骤4：使用低秩表示方法计算新的样本集X_new的低秩系数矩阵Z，采用非精确增广拉格朗日乘子法获得低秩系数矩阵Z；

步骤5：根据相似性矩阵U和低秩系数矩阵Z，构造基于新的样本集X_new的特征值方程f，设置降维后的维数d，并学习出降维映射矩阵A；

步骤6：将原始高光谱图像X通过降维映射矩阵A映射到低维空间R^d中，得到降维后的样本集x′_i是降维后的样本集X′的第i个样本；

步骤7：在降维后的样本集X′中每类选取t个样本作为训练样本集X_p，其余的样本作为测试样本集X_q，将训练样本集X_p输入到支撑矢量机SVM中进行训练，学习出一个分类器，然后将测试样本集X_q输入到这个分类器中，得到测试样本X_q的分类标签向量Y，标签向量Y是高光谱图像X分类的结果。

2.根据权利要求1所述的基于区域相似性低秩表示降维的高光谱图像分类方法，其中步骤3所述的构造使用均值漂移预分割后的高光谱图像X_G构造相似性矩阵U，是通过从高光谱图像X数据集中随机选取n个样本点构成随机样本集X_U，然后构造一个n×n的零矩阵U，当样本点x_l和x_k，l，k＝1，...，n属于步骤2中预分割后高光谱图像X_G中的同一个区域时，U_l，k＝1；当样本点x_l和x_k分别属于不同区域时，U_l，k＝0。

3.根据权利要求2所述的基于区域相似性低秩表示降维的高光谱图像分类方法，其中步骤5所述的根据相似性矩阵U和低秩系数矩阵Z，构造基于新的样本集X_new的特征值方程f，设置降维后的维数d，并学习出降维映射矩阵A，按如下步骤进行：

5a)令矩阵Z_β＝Z+Z^T-Z^TZ，Z^T表示Z的转置；

5b)对相似性矩阵U的每一行进行求和，得到一个列向量Q，对Q进行对角化，得到对角矩阵D，然后计算拉格朗日算子L＝D-U；

5c)构造基于高光谱图像预分割后新的样本集X_new和随机样本集X_U的特征值方程e＝1，...，d，其中，a_e是第e个特征向量，γ_e为第e个特征值，d是降维后的维数；

5d)求解出该基于高光谱图像预分割后新的样本集X_new和随机样本集X_U的特征值方程的d个最大特征值γ_１，γ_２，...，γ_d及其对应的特征向量a₁，a₂，…a_d；

5e)由上述特征向量a₁，a₂，…a_d构造出高光谱图像X的降维映射矩阵A＝[a₁，a₂，…a_d]∈R^H×d。