[发明专利]基于局部光谱角度量流形近邻的高光谱遥感影像分类方法

摘要

本发明公开了一种基于局部光谱角度量流形近邻的高光谱遥感影像分类方法，先采用传统欧氏距离得到大范围近邻，再由光谱角得到准确近邻，通过近邻进行局部重构，并使重构误差最小，在低维空间中保持局部重构方式不变，最小化重构误差，进而提取出高维数据中的内在鉴别特征。分类时，先由欧氏距离得到新样本的近邻，再计算新样本与近邻间的光谱角，把新样本归为光谱角最小的类。本发明能够更有效地提取出鉴别特征，且分类结果更准确，对高光谱遥感影像的地物分类效果更好。

主权项

1.基于局部光谱角度量流形近邻的高光谱遥感影像分类方法，其特征在于：其步骤为，1）从数据集中随机选取一定数量的样本作为训练样本，其类别信息已知，再随机选取一定数量的样本作为测试样本；2）采用欧氏距离判别大范围近邻，选取与各训练样本点欧氏距离最小的m个训练样本点作为大范围近邻N_O；3）在大范围近邻N_O中，利用式(1)计算各训练样本点与其余训练样本点的光谱角，得到光谱角最小的k个训练样本点作为准确近邻N_A，其中k＜m；θ(Xi,Xj)=cos-1(|(Xi,Xj)(Xi,Xi)(Xj,Xj)|)---(1)]]>其中：θ(X_i,X_j)表示两光谱曲线向量X_i和X_j间的夹角，cos^-1(·)表示反余弦运算，|·|表示绝对值运算；4）根据准确近邻N_A，利用式(2)对各训练样本数据点进行局部重构，使重构误差最小，得到局部重构权值矩阵W；minϵ(Wi)=Σi=1N||xi-Σj=1Nwijxj||2---(2)]]>其中：w_ij为x_i与x_j之间的权值，且若x_j为x_i的邻近点，有w_ij≠0，否则w_ij=0；5）在低维空间中，保持局部近邻关系不变，即重构权值不变，利用式(3)可得到训练样本点的低维嵌入结果Y；minϵ(yi)=Σi=1N||yi-Σj=1Nwijyj||2=Σi=1N||YIi-YWi||2=tr(YMYT)---(3)]]>其中：I_i为单位矩阵的第i列，W_i为数据点i的局部重构权值，W=[W₁,W₂,L,W_N]^T，M=(I-W)(I-W)^T，且M属于对称、半正定矩阵；约束条件为：I为单位矩阵；6）在训练样本中加入一个测试样本点，首先由欧氏距离得到该测试样本点的m个大范围近邻，再分别计算该测试样本点与该m个大范围近邻的光谱角，光谱角最小的k个近邻即为该测试样本点的准确近邻，其中k<m，由k个准确近邻对测试样本进行局部重构，并保持重构误差最小，得到重构权值，最后利用这k个准确近邻对应低维嵌入和重构权值来线性表示测试样本的低维嵌入，进而得到测试样本的低维嵌入结果；7）利用分类器，根据维数约简后的训练样本及其类别信息对维数约简后的测试样本数据进行分类，即可得到测试样本的类别信息。