[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

摘要

本发明公开了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，首先将高光谱图像每一像素点用特征向量表示，用均值漂移进行区域预分割；预分割后每一图像块均值为新样本，构造新样本集；学习新样本集的低秩系数矩阵；构造分割后图像区域相似性矩阵；构造特征值方程并求解得投影矩阵；高光谱数据投影到低维空间得降维后样本集；降维后样本集输入到支撑矢量机中分类，得到分类标签。本发明解决了高光谱图像数据维数过高导致计算量大及现有分类方法正确率低的问题。本发明利用高光谱图像的空间结构信息并有效表示高光谱图像的全局信息，提高高光谱图像分类正确率，可用于地图制图，植被调查，军事情报获取等军事和民用领域。

主权项

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xi，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XG，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由新的样本点得到新的样本集步骤3：对均值漂移预分割后的高光谱图像XG构造相似性矩阵U；步骤4：采用非精确增广拉格朗日乘子法计算低秩表示方法中新的样本集Xnew的低秩系数矩阵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Xnew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Rd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Xp，其余的样本作为测试样本集Xq，将训练样本集Xp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Xq输入到这个分类器中，得到测试样本集Xq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。