[发明专利]基于超像素和最大边界分布的高光谱数据降维方法

说明书

技术领域

本发明属于图像处理技术领域，更进一步涉及一种信息提取和机器学习技术领域中一种基于超像素和最大边界分布的高光谱数据降维方法。本发明可用于对高光谱数据进行降维与分类，减少冗余的波段，更准确地判定高光谱中不同类别的地物。

背景技术

目前在高光谱遥感影像领域中，对高光谱数据进行降维处理的方法通常分为两类：特征提取和特征选择的方法。特征提取方法利用原始数据提取其特征参数，通过数学变换压缩波段，将数据投影到低维空间，常见的方法有主成分分析和线性判别分析。特征选择方法是在原始数据众多波段中选择感兴趣的若干波段或选择信息量大和相关性小的若干波段。

Zhang X,He Y,Zhou N等人在其发表的论文“Semisupervised Dimensionality Reduction of Hyperspectral Images via Local Scaling Cut Criterion”(IEEE Geoscience and Remote Sensing Letters,vol.10,no.6,pp.1547-1551,2013)中提出一种基于局部缩放比例原则的半监督高光谱降维方法。该方法首先根据局部缩放比例的原则，提取高光谱数据的局部信息；在投影后的子空间中，约束来自不同类别的样本分离，而来自相同类别的样本聚集，找到一个最优投影。该方法存在的不足之处是，由于该方法只是利用高光谱数据间的谱域信息，缺少高光谱数据的空域信息，影响了高光谱图像的分类识别率。

哈尔滨工业大学在其申请的专利“基于距离计算的高光谱图像顺次波段选择的方法”(申请号：201210140052.X申请日：2012-05-08公开号：102663439A)中公开了一种基于距离计算的高光谱遥感图像波段选择方法。该方法首先选择第1个典型波段：计算每个波段向量的长度，即波段端点到原点的距离，选出对应于最大长度的波段作为第1个典型波段；然后选择第2个典型波段：计算其他每个波段到第1个典型波段的距离，选出对应最大距离的波段作为第2个典型波段；依次类推，选择第i个典型波段，其中i＝1,2,...,d，d为典型波段的个数。该方法存在的不足之处是，由于缺少高光谱数据中近邻样本的谱域信息，波段相关性和数据信息量不可兼得，所以在最大信息量的条件下，会导致波段间相关性大，影响分类识别率。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种基于超像素和最大边界分布的高光谱数据降维方法。本发明可充分利用样本间空域和谱域信息，减少冗余的波段，保持高光谱图像的局部一致性，实现对高光谱遥感数据的高效分类。

为实现上述目的，本发明实现的具体步骤如下：

(1)划分样本集合：

(1a)从高光谱数据样本集中随机选取40％的样本作为训练样本集；

(1b)从训练样本集的每类中，按标记-训练样本集比选取样本，组成标记样本集；

(2)生成正则矩阵：

(2a)采用超像素分割图像的方法，将训练样本集分割成500个超像素；

(2b)按照下式，计算包含第q类标记样本的超像素的均值：

其中，x_q表示包含第q类标记样本的超像素的均值，N_q表示包含第q类标记样本的超像素中的所有像素的总数，q＝1,2,...,c，c表示标记样本集的类别总数，Σ表示求和操作，表示包含第m个标记样本的超像素中的第n个像素，m＝1,2,...,g，g表示每类标记样本的总数，n＝1,2,...,N_m，N_m表示包含第m个标记样本的超像素中的所有像素的总数；

(2c)按照下式，生成基于超像素的正则矩阵：

其中，R表示基于超像素的正则矩阵，Σ表示求和操作，q表示包含标记样本集的超像素的均值的索引值，q的取值范围为{1,2...,c}，c表示标记样本集的类别总数，m表示超像素中标记样本的索引值，m的取值范围为{1,2...,g}，g表示每类标记样本的总数，n表示超像素中像素的索引值，n的取值范围为{1,2...,N_m}，N_m表示包含第m个标记样本的超像素中的所有像素的总数，表示包含第m个标记样本的超像素中的第n个像素，x_q表示包含第q类标记样本的超像素的均值，T表示转置符号；

(3)生成判别矩阵：

按照下式，生成基于最大边界分布准则的判别矩阵：