[发明专利]基于半监督稀疏鉴别嵌入的高光谱遥感影像分类方法

说明书

技术领域

本发明涉及高光谱数据处理方法与应用技术领域，具体涉及一种基于半监督稀疏鉴别嵌入的高光谱遥感影像分类方法。

背景技术

高光谱遥感技术自20世纪80年代以来快速发展，其影像记录了地物目标的连续光谱，包含的信息更丰富，具备了识别更多种类的地物目标以及更高精度进行目标分类的能力。但由于高光谱数据由大量波段构成高维特征空间，大多数算法的复杂度随维数呈指数关系增长，对其处理需要更大的计算量，且其波段间具有高度相关性和冗余性，同时存在维数很高，分类时易因Hughes现象而无法获得理想结果等问题。科学家通过研究发现：高光谱数据可被描述为在低维嵌入空间上的流形（Manifold），即：高维空间的点是在少数独立变量的共同作用下在观测空间张成一个流形，如果能有效的发现其内在的主要变量，便能更好地了解高维数据的本质属性和特点。维数约减是解决以上问题的有效办法，能够降低数据的维数，得到高维数据有意义的低维表示，以便理解其内在的结构及后续处理。

迄今为止，在高维数据处理的研究领域中，国内外学者已经提出了一系列经典算法，其中应用较广泛的降维算法主要包括：主成分分析（Principal Component Analysis，PCA）和线性判别分析（Linear Discriminant Analysis，LDA）等子空间学习方法。而PCA和LDA基于的假设是高维数据空间的嵌入子空间是线性的，隐藏在高维数据中的内在属性较难被发现，因此无法揭示高光谱数据的低维流形结构。局部保持投影（Local Preserving Projrction，LPP）及邻域保持嵌入算法（Neighborhood Preserving Embedding，NPE）等局部方法通过近邻图保留样本的局部近邻结构，在一定程度上保持了原始数据的非线性流形，但是这两种算法依赖于人工预定义的近邻图，要获得好的性能往往需要更多的训练样本，存在如近邻参数选择困难（如近邻数k、核宽σ）、噪声敏感等问题，分类效果受到限制。

稀疏保持投影（Sparsity Preserving Projections，SPP）是最近提出的一种基于稀疏表示理论的无监督降维算法。该算法不同于传统方法的图构建方式（如K-近邻），其利用样本间的稀疏重构关系建图，是全局性的稀疏构图算法，并归结为L1范数最小化问题。SPP算法不仅利用稀疏表示的自然判别能力，而且无需人为地选择近邻参数值，一定程度上缓解了近邻参数选择的困难。在高光谱图像分类中，常面对的是大量的未标记数据以及相对较少的有标记数据。虽然SPP算法无需对训练样本进行标记，但是没有有效利用标记样本中所提供的鉴别信息。因此，如何从标记数据以及未标记数据中提取出有用的知识来改善学习性能、提高分类精度，在高光谱图像分类领域中尤为重要。

发明内容

针对现有技术存在的上述不足，本发明的目的在于提供一种基于半监督稀疏鉴别嵌入的高光谱遥感影像分类方法，其通过半监督稀疏鉴别嵌入算法对高光谱遥感影像进行维数简约，利用少量有标记训练样本以及部分无标记训练样本来发现蕴藏在高维数据的内在属性以及低维流形结构，以提高对高光谱遥感影像中地物类别的分类精度。

为了实现上述目的，本发明采用了如下的技术手段：

基于半监督稀疏鉴别嵌入的高光谱遥感影像分类方法，包括如下步骤：

1）读入高光谱遥感影像数据；

2）将高光谱遥感影像中每一个数据点根据其光谱波段生成一个光谱数据向量，从而由各个数据点的光谱数据向量组成整幅高光谱遥感影像的光谱数据矩阵；

3）从高光谱遥感影像中选取部分数据点作为样本数据点，由各个样本数据点的光谱数据向量组成样本数据矩阵，并根据先验知识从样本数据矩阵中选取部分样本数据点的光谱数据向量进行已知地物类别的标注，生成相应的样本类别标签；

4）将样本数据矩阵中的每个光谱数据向量进行稀疏表示，求得各个光谱数据向量的最优稀疏系数向量，从而得到样本数据矩阵对应的稀疏系数矩阵；

5）借助样本数据矩阵中标注有向量类别标签的样本数据点的光谱数据向量，构建用于度量样本数据矩阵中光谱数据向量之间相似性的近邻图；

6）根据近邻图计算样本数据矩阵对应的近邻权重矩阵；

7）根据目标优化函数，利用样本数据矩阵对应的稀疏系数矩阵和近邻权重矩阵计算高光谱遥感影像的投影矩阵；

8）通过投影矩阵将高光谱遥感影像投影到低维嵌入空间，得到高光谱遥感影像的嵌入特征矩阵；