[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

说明书

技术领域

本发明属于遥感图像处理技术领域，涉及基于区域相似性低秩表示方法，具体是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，用于高光谱遥感图像的数据降维和分类。

背景技术

高光谱遥感技术利用成像光谱仪对地表物成像，形成由连续波段图像组成三维数据，已经被广泛地应用于目标识别，精细农业，资源勘探，环境监测等领域。高光谱遥感技术获取的图像包含了丰富的空间、辐射和光谱三重信息，一方面，大量的信息为像元分类提供了大量的依据，但另一方面，数据量大，导致高光谱图像处理计算复杂度很高，也给数据的存储、传递和显示带来了挑战；高光谱图像的波段多，而且相邻波段之间的波长差异往往只在纳米数量级，它们之间的相关系数一般都非常高，因此，在邻近波段之间存在大量的冗余信息，也会降低高光谱图像的分类精度。为了有效地减少运算量，降低计算复杂度以及改善分类效率、提高分类精度，因此高光谱图像的降维在高光谱图像分类应用中具有非常重要的作用。

目前，已经有许多针对高光谱图像的维数约简方法被提出，可以分为线性方法和非线性方法。线性方法最经典的是主成分分析方法(Principal component analysis，PCA)，线性判别分析(Linear discriminant analysis，LDA)，并在高光谱图像上得到了有效地应用。然而，PCA和LDA的全局的线性数据限制了这些方法在非高斯分布数据上的有效性，由于PCA和LDA等方法是将三维的图像拉伸转换为二维的图像，丢失了图像的空间结构信息，因此也没有利用到高光谱图像数据的空间信息。非线性方法主要有基于核的方法，以及近年来的流形学习方法。流形学习方法可以通过构建局部线性重构的方法描述数据的局部几何结构，比如等距特征映射(Isometric feature mapping，ISOMAP)，局部保留映射(Locality preserving projections，LPP)等。但是由于高光谱数据的大数据量，因此无法构造出ISOMAP等流形学习中相似性矩阵，限制了很多流形学习的降维方法在高光谱图像上的应用，而且丢失了数据的全局信息。

目前高光谱图像降维方法主要存在的问题是：仅利用高光谱图像的谱段信息，并没有有效地利用高光谱图像的空间信息；要处理的数据量很大，降维后的图像不能很好地保留原高光谱图像数据提供的所有有用信息。

发明内容

本发明的目的在于针对现有技术的不足，提出一种利用高光谱图像的空间信息，有效地提高高光谱图像分类的正确率的基于区域相似性低秩表示降维的高光谱图像分类方法。

本发明是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做平均，每一个图像块得到一个新样本点m＝1，...，M，由新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。