基于空谱邻域嵌入和最优相似图的高光谱分类方法.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CN111783865A(43)申请公布日2020.10.16(21)申请号202010595151.1(22)申请日2020.06.23(71)申请人西北工业大学地址710072陕西省西安市友谊西路127号(72)发明人王琦李学龙苗艳玲(74)专利代理机构西北工业大学专利中心61204代理人常威威(51)Int.Cl.G06K9/62(2006.01)权利要求书2页说明书6页附图1页(54)发明名称基于空谱邻域嵌入和最优相似图的高光谱分类方法(57)摘要本发明提供了一种基于空谱邻域嵌入和最优相似图的高光谱分类方法。首先，基于邻域保留嵌入法使用新的空间光谱组合距离融合空间结构和光谱信息，以选择高光谱图像像元的有效空间光谱近邻；然后，通过利用空间距离来调整像元与其相邻像元之间的重构权重，来增强嵌入特征的辨别能力，得到投影矩阵及其对应的低维高光谱图像；最后，基于低维高光谱图像构建锚点图，得到原始点到锚点的连接矩阵，再利用谱聚类方法由连接矩阵获得最优相似矩阵，进而得到分类结果。本发明方法通过更深入地挖掘高光谱图像的内在结构，获得有效的空间光谱邻居，并利用锚点图和谱聚类方法得到最优相似图，能够同时提高分类精度和算法效率。CN111783865ACN111783865A权利要求书1/2页1.一种基于空谱邻域嵌入和最优相似图的高光谱分类方法，其特征在于步骤如下：步骤1：采用空间加权均值滤波方法对高光谱图像中的每个像素点xi进行滤波处理，得到滤波后对应的像素点步骤2：按照下式构建高光谱图像中任意两个像素点之间的空间光谱联合距离dSS(xi,xj)：其中，xi表示高光谱图像中的第i个像素点，xj表示高光谱图像中的第j个像素点，表示xj对应的滤波后的像素点，i＝1,2,…,N，j＝1,2,…,N，N为高光谱图像中的像素总数；xih表示像素点xi的w邻域窗口内的第h个像素点；w表示邻域窗口大小，取值为正奇数；Ω(xi)是xi的邻域空间，vih表示像素点xih的权重，按照计算，σj表示权重vih核函数的方差，按照计算；对于每个像素点xi，i＝1,…,N，取与其空间光谱联合距离值最小的k个像素点构成其k近邻点集合N(xi)，k＝5、10、20或50；步骤3：采用拉普拉斯乘子法求解下式，得到的最优解即为权重矩阵其中，表示权重矩阵的第i行e列元素，表示像素xi与xe之间的欧氏距离；然后，求解下式得到降维后的高光谱图像矩阵Y：其中，I表示单位矩阵；步骤4：由降维后的高光谱图像矩阵Y中随机选择n个像素点构成锚点矩阵U，0<n<N；然后，求解下式得到测量矩阵Z：其中，zi表示测量矩阵Z中的第i行向量，i＝1,…,N，zij表示测量矩阵Z中的第i行j列元素，yi表示图像矩阵Y中的第j个像素点，uj表示锚点矩阵U中的第j个像素点；η为平衡参数，取值范围为[0,1]；表示按照步骤2所述过程对图像矩阵Y中的像素点yi计算得到的其k个近邻点的均值；γ为正则参数，取值范围为[0,1]；-1T再按照S＝ZΛZ计算得到相似度矩阵S，其中，Λ是对角矩阵，其对角线元素Λjj按照计算得到，j＝1,…,n；步骤5：按照L＝I-S计算得到拉普拉斯矩阵L，然后，求解得到聚类标签2CN111783865A权利要求书2/2页矩阵F，F∈RN×c，c为类别数。3CN111783865A说明书1/6页基于空谱邻域嵌入和最优相似图的高光谱分类方法技术领域[0001]本发明属机器学习、高光谱图像处理技术领域，具体涉及一种基于空谱邻域嵌入和最优相似图的高光谱分类方法。背景技术[0002]高光谱图像包含详细的空间结构和丰富的光谱波段信息，由于其具有更好的区分地面覆盖类别之间细微差异的能力，而被广泛地应用于环境监测、地质勘探、精准农业、军事探测和大气遥感等领域。因此，高光谱图像中每个像素的分类问题在实际应用中具有至关重要的作用。但是传统的分类方法在处理高光谱图像时，只考虑空间结构或光谱信息，不能充分利用其固有的信息，使得分类精度较低。因此，在处理分类任务时融合高光谱图像的空间结构和光谱信息具有重要意义。[0003]文献“Y.C.Zhou,J.T.Peng,andC.L.P.Chen.DimensionReductionUsingSpatialandSpectralRegularizedLocalDiscriminantEmbeddingforHyperspectralImageClassification[J].IEEETransactionsonGeoscienceandRemoteSensing,vol.53,no.2,pp.1082–1095,Jul.2015.”融合了空间相关性和光谱信息，使用空间域局部像元邻域保留嵌入法，通