基于局部自适应判别分析的高光谱图像分类方法.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CN108805061A(43)申请公布日2018.11.13(21)申请号201810537158.0(22)申请日2018.05.30(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)发明人王琦李学龙孟照铁(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.G06K9/00(2006.01)G06K9/62(2006.01)权利要求书2页说明书7页附图1页(54)发明名称基于局部自适应判别分析的高光谱图像分类方法(57)摘要本发明提供了一种基于局部自适应判别分析的高光谱图像分类方法(LADA)。首先，构造得到局部自适应相似度权重矩阵，来度量高光谱数据光谱通道特征的相似度；然后，分别计算类内散度矩阵和类间散度矩阵，并利用测试集像素小空间邻域的像素点构建正则化散度矩阵，以最大程度保留空间邻域信息；接着，用正则化线性判别分析的思想，引入正则化单位矩阵，迭代求解转化矩阵的解析解，避免病态问题，并避免过度降维问题；最后，利用降维后特征进行分类并计算分类精度。由于降维后的低维特征包含丰富的光谱与空间信息，在数据分布不可知的情况下仍可得到较高的分类准确度。CN108805061ACN108805061A权利要求书1/2页1.一种基于局部自适应判别分析的高光谱图像分类方法，其特征在于包括以下步骤：步骤1：设图像分辨率为P×Q，每个像素的光谱通道数为d，共有C类，从每一类中随机抽取5％的像素点作为训练集，记为X＝[x1,x2,...,xn]，xi表示训练集中的第i个像素点，i＝1,…,n，n为训练集包含的像素点数量，所有剩余的像素点构成测试集，记为T＝[t1,t2,...,tr]，tj表示训练集中的第j个像素点，j＝1,…,r，r为测试集包含的像素点数量；步骤2：初始化训练集中任意两个像素点之间的相似度，得到局部自适应相似度权重矩阵s，具体为：如果训练集中第p个像素点和第q个像素点属于同一类别c，且第p个像素对应类别c中的第ci个像素，第q个像素对应类别c中的第cj个像素，则这两个像素点之间的相似度并令矩阵s中的第p行q列的元素否则，spq＝0，其中，p＝1,…,n，q＝1,…,n，nc是第c类像素点的个数，c＝1,…,C，ci＝1,…,nc，cj＝1,…,nc；步骤3：分别按下式构建得到类内散度矩阵和类间散度矩阵其中，表示训练集中属于第c类的第ci个像素，表示训练集中属于第c类的第cj个像素，xp表示训练集中的第p个像素，xq表示训练集中的第q个像素；步骤4：对于测试集中的每一个像素点tj，j＝1,…,r，按如下步骤4.1至步骤4.3计算其分类结果：步骤4.1：以tj为中心点，取tj的空间邻域内的K-1个像素点，共得到K个像素jj点，记tj为z1，剩余K-1个像素点按照空间位置从左到右、从上向下的顺序依次记为zk，k＝2,…,K,得到按下式构建得到像素点tj空间邻域内的散度矩阵其中，本发明中K＝9；步骤4.2：按如下步骤a至步骤d迭代优化求解得到转换矩阵G：步骤a：令预计降维维度为m，m≥1，随机初始化矩阵转换矩阵G，G的大小为d×m，初始化超参数一λ＝100，超参数二γ＝10-3；步骤b：固定类内散度矩阵更新转换矩阵G：求解的特征值和特征向量，I为大小为n×n的单位矩阵，将特征值从大到小进行顺序，然后，取前m个特征值对应的特征向量，并以每一个特征向量作为转换矩阵G的一列，得到更新后的转换矩阵G；步骤c：固定步骤b得到的更新后的转换矩阵G，更新类内散度矩阵首先，按照更新第c类中的第ci个像素和第cj个像素的相似度值c＝1,…,C，然后，按照公式(1)计算得到更新后的类内散度矩阵2CN108805061A权利要求书2/2页步骤d：分别以当前迭代得到的转换矩阵G和上一次迭代得到的转换矩阵G计算的值，如果二者的差值小于等于10-3，则当前迭代得到的转换矩阵G即为最终的转换矩阵G；否则，返回步骤b；其中，tr(·)表示矩阵的迹，为当前迭代得到的类内散度矩阵；TT步骤4.3：利用Y＝GX计算得到训练集降维后的特征矩阵Y，利用Tj′＝G×tj计算得到测试集像素点tj降维后的特征Tj′，利用1NN分类器计算Tj′与Y中每一列的欧氏距离，将欧式距离最小的一列所对应的训练集像素的类别标签作为测试集像素点tj的分类结果predict(tj)；步骤5：利用OA＝N(TP)/r计算得到总体精度OA；其中，N(TP)表示测试集中正确分类的像素点个数，所述的正确分类的像素点是指步骤4得到的像素点的分类结果与其标注的类别标签相等的像素点。3CN108805061A说明书1/7页基于局部自适应判别分析的高光谱图像分类方法技术领域[0001