[发明专利]一种成像光谱目标识别分析中的模式识别方法

说明书

技术领域

本发明涉及成像光谱目标识别分析技术领域，尤其涉及一种成像光谱目标识别分析中的模式识别方法。

背景技术

成像光谱是二十世纪地球观测系统中最重要的技术突破之一，它克服了传统多波段、多光谱在波段数、波段范围、精细信息表达等方面的局限性，以较窄的波段区间、较多的波段数量提供目标信息，能够从光谱空间中对目标予以细分和鉴别，在多个领域都得到了广泛应用。得到成像光谱数据信息后，需要对目标的光谱进行归类与判别，将反应不同材料与成分含量的光谱进行分类，并判断出目标的组成成分，进而判断出目标性质。由于光谱分辨率大幅度提高，成像光谱数据比多光谱具有更强的潜在目标识别能力，但在有限训练样本条件下，数据维数的增高使样本/维数比率大大降低。采用常规的统计模式识别方法反而无法得到较好地分类结果。目前对成像光谱数据进行模式识别所采用的最广泛的方法为神经网络与支持向量机方法。然而由于在成像光谱目标分类识别的处理时，经常会遇到“异物同谱”或者“同物异谱”现象，即不同的目标光谱数据呈现相似的特征，同一目标由于某种原因呈现出不同的光谱特征，这使得目标的直方图多呈现多峰正态分布，使得神经网络分类算法难于收敛，严重降低识别精度。

目前所用的支持向量机函数通常是直接在输入空间中构造线性分类超平面，然而很多问题在输入空间中并不是线性可分的，类别之间的分类面用非线性的曲面能够更好的描述。而基于非线性核函数的支持向量机方法计算复杂，参数寻优有时候会陷入死循环并且计算量大，在多类目标识别的情况下存在局限性。

综上所述，现有的模式识别方法，在识别精度和计算复杂程度上不令人满意，导致在上位机具体实施方面局限性较大，从而导致模式识别精度降低。

发明内容

本发明技术解决问题：克服现有技术的不足，提供一种成像光谱目标识别分析中的模式识别方法，以解决现有技术中的模式识别方法复杂度高与识别精度低的问题。

本发明提供的模式识别方法在计算预测样本与训练样本之间的距离时，考虑到训练样本特征权重，并在计算样本的近邻与超平面时引入了权重欧式距离，权重值为所有训练样本组间特征值之差与组内特征值之差之比，突出了贡献大的波长特征值。通过权重欧式距离选出的近邻样本构建的超平面更接近于实际数学模型，结果精度相对较高。

为达到上述目的，本发明的技术方案是这样实现的：

步骤101，获取待测图像像元中三维成像光谱数据的像元光谱二维矩阵；

步骤102，对待预测的像元光谱二维矩阵进行校正光谱误差的预处理，得到预处理后的预测像元光谱二维矩阵；

步骤103，将预处理后的预测像元光谱二维矩阵即预测样本，与光谱库中同样经过上述预处理后的已知类别光谱即训练样本，进行模式识别匹配；计算训练样本特征权重；

步骤104，根据训练样本特征权重，计算预测样本与训练样本之间的权重欧式距离，通过权重欧式距离分别获取预测样本的在每个训练样本类别内的n_c个近邻，根据所获的这些近邻，分别构建超平面；

步骤105，计算预测样本到每个构建的超平面的最小距离；

步骤106，判断预测样本到哪个超平面距离最近，模式识别的结果就是预测样本属于这个超平面所属的类别。

所述步骤101中获取待测图像像元中三维成像光谱数据的像元光谱二维矩阵，具体包括：

将所述待预测图像像元中的三维成像光谱数据表示为成像光谱反射率的像元光谱二维矩阵：

R_m×n＝[p₁,p₂,...,p_y×i+j,...,p_x×y],0≤i≤x,0≤j≤y

或R_m×n＝[p₁,p₂,...,p_i+x×j,...,p_x×y],0≤i≤x,0≤j≤y

其中，R_m×n表示像元光谱二维矩阵，[p₁,p₂,...,p_y×i+j,...,p_x×y]和[p₁,p₂,...,p_i+x×j,...,p_x×y]表示待测图像的像元光谱矢量，m表示波段数，n表示待测图像像元的总数，x表示待测图像像元的行数，y表示待测图像像元的列数，n＝x×y。