一种基于自适应高阶张量分解的高光谱图像特征提取方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111985501A(43)申请公布日2020.11.24(21)申请号202010755061.4(22)申请日2020.07.30(71)申请人河海大学地址210000江苏省南京市江宁开发区佛城西路8号(72)发明人薛朝辉孙辰润(74)专利代理机构南京经纬专利商标代理有限公司32200代理人田凌涛(51)Int.Cl.G06K9/46(2006.01)G06K9/62(2006.01)权利要求书2页说明书6页附图3页(54)发明名称一种基于自适应高阶张量分解的高光谱图像特征提取方法(57)摘要本发明涉及一种基于自适应高阶张量分解的高光谱图像特征提取方法，采用全新方法架构进行设计，基于形状自适应的邻域建模方法，首先通过各向异性LPA‑ICI的形状自适应方法，获取形状自适应面片特征，并构建为四阶张量；然后进行多线性奇异值分解，提取低维潜在特征；最后运用稀疏多项式回归模型分类；解决了传统方法处理维数高数据时，无法较好保留数据结构信息的缺点，以及传统平方邻域建模不准确性的缺点，能够实现更高精度的高光谱图像特征提取与分类。CN111985501ACN111985501A权利要求书1/2页1.一种基于自适应高阶张量分解的高光谱图像特征提取方法，用于实现对高光谱图像的特征提取，其特征在于，包括如下步骤A至步骤E：步骤A.针对高光谱图像中的单波段图像PC1，通过其中各像素分别所对应自适应邻域的构建，提取获得各像素分别所对应的形状自适应面片特征，然后进入步骤B；步骤B.根据单波段图像PC1中各像素分别所对应的形状自适应面片特征，获得高光谱图像的各波段图像中各像素分别所对应的形状自适应面片特征，然后进入步骤C；步骤C.针对高光谱图像的各波段图像中各像素分别所对应的形状自适应面片特征，应用缺失像素用零进行补充的方式，获得统一尺寸形状的各个形状自适应面片特征，实现对各个形状自适应面片特征的更新，进而构建获得高光谱图像所对应的四阶张量T，且T的形式为其中，表示矩阵形式，B表示高光谱图像中的波段数，N表示高光谱图像中单波段图像中的像素数，w×h表示形状自适应面片特征的预设统一尺寸，然后进入步骤D；步骤D.应用多线性奇异值分解方法，针对高光谱图像所对应的四阶张量T进行分解，通过多线性张量矩阵乘积获得核心四阶张量S、以及四个因子矩阵U(i)，i∈{1、2、3、4}，其中，S的形式为R1、R2、R3表示预设阶数参数值，R4等于N，U(i)的形式为l1＝w，l2＝h、l3＝B、l4＝N，然后进入步骤E；步骤E.根据高光谱图像所对应的四阶张量T，以及因子矩阵U(1)、U(2)、U(3)，获得高光谱图像所对应的低维潜在特征，即实现对高光谱图像的特征提取。2.根据权利要求1所述一种基于自适应高阶张量分解的高光谱图像特征提取方法，其特征在于：基于步骤A至步骤E实现高光谱图像的特征提取，首先按如下步骤I至步骤III，实现高光谱图像分类模型的获得，然后按如下步骤i至步骤ii，应用高光谱图像分类模型，实现目标高光谱图像的分类；步骤I.选择各幅分别已知分类结果的高光谱样本图像，构成样本集，然后进入步骤II；步骤II.分别针对各幅高光谱样本图像，应用步骤A至步骤E的方法，获得各幅高光谱样本图像分别所对应的低维潜在特征，然后进入步骤III；步骤III.以各幅高光谱样本图像分别所对应的低维潜在特征作为输入，各幅高光谱样本图像分别所对应的分类结果为输出，针对指定分类模型进行训练，获得高光谱图像分类模型；步骤i.针对目标高光谱图像，应用步骤A至步骤E的方法，获得目标高光谱图像所对应的低维潜在特征，然后进入步骤ii；步骤ii.应用高光谱图像分类模型，针对目标高光谱图像所对应的低维潜在特征进行处理，实现目标高光谱图像的分类。3.根据权利要求2所述一种基于自适应高阶张量分解的高光谱图像特征提取方法，其特征在于：所述步骤III中指定分类模型为稀疏多项式逻辑回归模型。4.根据权利要求1所述一种基于自适应高阶张量分解的高光谱图像特征提取方法，其特征在于：所述步骤D中，应用多线性奇异值分解方法，针对高光谱图像所对应的四阶张量T进行分解，通过多线性张量矩阵乘积T(0)如下：(0)(1)(2)(3)(4)T≈S×1U×2U×3U×4U获得核心四阶张量S、以及四个因子矩阵U(1)、U(2)、U(3)、U(4)。2CN111985501A权利要求书2/2页5.根据权利要求1所述一种基于自适应高阶张量分解的高光谱图像特征提取方法，其特征在于，所述步骤E包括如下步骤E1至步骤E2；步骤E1.根据高光谱图像所对应的四阶张量T，以及因子矩阵U(1)、U(2)、U(3)，按如下公式：(1)T(2)T(3)TY＝T×1(U)×2(U)×3(