[发明专利]基于核Fisher自适应学习的高光谱遥感图像端元分类方法

权利要求书

1.基于核Fisher自适应学习的高光谱遥感图像端元分类方法，其特征在于包括：

步骤Ⅰ、对高光谱遥感图像端元分类任务判断结构变化与否的优化方法，若结构变化优化则跳转执行步骤Ⅲ、若结构不变化优化则顺序执行步骤Ⅱ； 

步骤Ⅱ、采用传统核函数，然后利用Fisher准则和最大间隔准则获得优化目标函数，再通过基于遗传算法的自适应寻求算法对获得的优化目标函数进行计算，获得最优参数和不变结构的最优核函数，后接执行步骤Ⅳ；

步骤Ⅲ、采用数据依赖核函数，然后利用全局流形保持设计准则获得优化目标函数，再通过基于拉格朗日法的自适应寻求算法对获得的优化目标函数进行计算，获得数据依赖核参数和变结构的最优核函数，后接执行步骤Ⅳ；

步骤Ⅳ、根据步骤Ⅱ所得不变结构的最优核函数或步骤Ⅲ所得变结构的最优核函数得到最优Fisher分类器，再对实测高光谱遥感图像进行分类，获得该高光谱遥感图像的类别。

2.根据权利要求1所述基于核Fisher自适应学习的高光谱遥感图像端元分类方法，其特征在于步骤Ⅱ获得不变结构的最优核函数的过程为：

i），对核参数进行初始化，将初始化后的参数进行编码后作为候选解；

ii），利用优化目标函数计算所述候选解的适应度，保留适应度大于或等于阈值的候选解，舍弃余下的候选解；

iii），对保留的候选解进行复制、交叉以及变异，生成新的候选解；

iv），对新的候选解进行解码得到最优核化参数，进而获得不变结构的最优核函数。

3.根据权利要求1所述基于核Fisher自适应学习的高光谱遥感图像端元分类方法，其特征在于步骤Ⅲ获得变结构的最优核函数的过程为：

a），利用高光谱遥感图像训练样本集的标注信息，扩展数据依赖核函数，然后求得所述数据依赖核函数与已知基础核函数的关系，并求得所述数据依赖核函数的Fisher度量表达式，建立以该数据依赖核函数参数为自变量的Fisher度量函数；

b），根据训练样本集的标注信息进行优化目标函数设计，建立一个用于求解最优数据依赖核参数的约束方程；

c），利用循环迭代法对所述约束方程进行计算，获得以训练样本集为变量的最优解表达式，然后将训练样本集代入所述最优解表达式，计算获得自适应参数，进而获得变结构的最优核函数。