一种高光谱图像降维方法.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CN110070485A(43)申请公布日2019.07.30(21)申请号201910268594.7(22)申请日2019.04.04(71)申请人南京信息工程大学地址210044江苏省南京市江北新区宁六路219号(72)发明人杭仁龙周峰刘青山(74)专利代理机构南京苏高专利商标事务所(普通合伙)32204代理人颜盈静(51)Int.Cl.G06T3/00(2006.01)权利要求书2页说明书12页附图2页(54)发明名称一种高光谱图像降维方法(57)摘要本发明公开了一种高光谱图像降维方法，包括以下步骤：首先，使用过分割方法将原始的高光谱图像分成不相重叠的超像素；紧接着，由于一个超像素内的像素点通常属于同一类物体，本发明使用类内图来描述这种空间信息；最后，将基于超像素级的类内图作为正则项引入到LGDE模型中。此外，为了有效地捕捉高光谱图像的非线性特征，本发明将线性LGDE扩展成核版本。和原始像素点分类方法(RAW)、主成分分析(PCA)、线性判别分析(LDA)方法、谱空线性判别分析(SSLDA)方法、局部保留投影(LPP)方法、基于协同图的判别分析(CGDE)方法、基于稀疏图的判别分析(SGDE)方法、基于局部图的判别分析(LGDE)方法相比，在相同的实验条件下，本发明方法的分类结果更加准确。CN110070485ACN110070485A权利要求书1/2页1.一种高光谱图像降维方法，其特征在于：包括以下步骤：S1：使用主成分分析对输入的高光谱图像进行降维，对降维后的第一个主成分使用过分割方法得到多个不相重叠的超像素；S2：采用带有标签的训练样本来构建类内和类间图模型组成LGDE模型；S3：基于超像素内像素点属于同一类的观察，构建超像素级类内图模型来捕捉超像素的空间信息；S4：将S3得到的超像素级类内图模型作为正则项插入到LGDE模型中，得到线性SLGDE模型；S5：通过求解线性SLGDE模型得到分类结果。2.根据权利要求1所述的一种高光谱图像降维方法，其特征在于：在S4后，将线性SLGDE模型扩展为核模型，通过求解该核模型得到最终的分类结果。3.根据权利要求1或2所述的一种高光谱图像降维方法，其特征在于：所述S2中，构建类内图Gw包括：随机选择m个训练像素点对应的标签d为光谱的个数；若xj是xi的Kw近邻像素点，在每一对同一类的像素对xi和xj之间增加一条边，边的权重wij可以通过一个热核函数计算得到：2wij＝exp(-||xi-xj||/t)(1)式中，t为热核函数的参数，若xi和xj之间没有边连接，则wij＝0；类间图Gb的构建包括：通过考虑不属于同一类的像素对xi和xj之间的关系得到，若xj是xi的Kb近邻像素点，则在xi和之间增加一条边，边的权重w′ij可以通过公式(1)得到；T假设给定像素点xi对应的低维表示是zi＝Pxi，其中P代表的是将xi投射到低维zi的投射矩阵，所述LGDE模型表示如下：4.根据权利要求3所述的一种高光谱图像降维方法，其特征在于：所述超像素级类内图模型的构建包括：若xi是xj的Ks近邻像素点，则在第l个超像素中的xi和xj是相互连接的，连接他们的边权重是由公式(1)计算得到，其中，L为不相重叠的超像素个数。5.根据权利要求4所述的一种高光谱图像降维方法，其特征在于：S4中将S3得到的超像素级的类内图被做为LGDE的正则项，得到线性SLGDE模型：2CN110070485A权利要求书2/2页其中，λ是一个正则项系数。6.根据权利要求5所述的一种高光谱图像降维方法，其特征在于：通过学习得到最优P，T使用最近邻分类方法进行像素点分类，对于任何测试像素它的低维表示zt＝Pxt，T通过最小化||zi-zt||，得到和他最近邻的像素点的低维表示zi，再根据zi＝Pxi反推得到像素点xi，最终，像素点xt的标签也就是像素点xi的标签yi。7.根据权利要求6所述的一种高光谱图像降维方法，其特征在于：最优P的列是对应下面公式最小特征值的广义特征向量：式中，γ是拉格朗日乘子。8.根据权利要求7所述的一种高光谱图像降维方法，其特征在于：将线性SLGDE模型扩展为核模型，包括：将训练样本X通过一个非线性映射映射到一个更高维度的Hilbert空间；原始的输入数据可以表示为Φ(X)在空间，P表示为映射之后训练样本的组合，T其中α＝[α1，…，αm]；基于这个，KSLGDE模型的目标函数可以定义为：s.t.tr(αTΦ(X)TΦ(X)L′Φ(X)Tφ(X)α)＝1(6)式中，tr(·)是计算矩阵的秩，X＝[x1，x2，...，xm]是训练样本的矩阵表示，Xl表示的像素集中矩阵的列对应第l个超像素中像素的列；根据每条边的权重，得到类内图W，类间