[发明专利]基于空谱邻域嵌入和最优相似图的高光谱分类方法

说明书

本发明提供了一种基于空谱邻域嵌入和最优相似图的高光谱分类方法。首先，基于邻域保留嵌入法使用新的空间光谱组合距离融合空间结构和光谱信息，以选择高光谱图像像元的有效空间光谱近邻；然后，通过利用空间距离来调整像元与其相邻像元之间的重构权重，来增强嵌入特征的辨别能力，得到投影矩阵及其对应的低维高光谱图像；最后，基于低维高光谱图像构建锚点图，得到原始点到锚点的连接矩阵，再利用谱聚类方法由连接矩阵获得最优相似矩阵，进而得到分类结果。本发明方法通过更深入地挖掘高光谱图像的内在结构，获得有效的空间光谱邻居，并利用锚点图和谱聚类方法得到最优相似图，能够同时提高分类精度和算法效率。

技术领域

本发明属机器学习、高光谱图像处理技术领域，具体涉及一种基于空谱邻域嵌入和最优相似图的高光谱分类方法。

背景技术

高光谱图像包含详细的空间结构和丰富的光谱波段信息，由于其具有更好的区分地面覆盖类别之间细微差异的能力，而被广泛地应用于环境监测、地质勘探、精准农业、军事探测和大气遥感等领域。因此，高光谱图像中每个像素的分类问题在实际应用中具有至关重要的作用。但是传统的分类方法在处理高光谱图像时，只考虑空间结构或光谱信息，不能充分利用其固有的信息，使得分类精度较低。因此，在处理分类任务时融合高光谱图像的空间结构和光谱信息具有重要意义。

文献“Y.C.Zhou,J.T.Peng,and C.L.P.Chen.Dimension Reduction UsingSpatial and Spectral Regularized Local Discriminant Embedding forHyperspectral Image Classification[J].IEEE Transactions on Geoscience andRemote Sensing,vol.53,no.2,pp.1082–1095,Jul.2015.”融合了空间相关性和光谱信息，使用空间域局部像元邻域保留嵌入法，通过寻找线性投影矩阵，使得局部像元邻域保留散度最小，同时总散度在投影空间中最大。但该方法仅使用空间信息来表示相似关系或揭示特定窗口内的空间邻域关系，忽略了空间信息在邻接图构造中的影响。

许多空间光谱结合的方法均存在计算复杂度高的问题，所以，如何保持分类精度的同时提高算法效率具有实际研究意义。文献“R.Wang,F.Nie,and W.Yu,Fast spectralclustering with anchor graph for large hyperspectral images[J].IEEEGeosci.Remote Sens.Lett.,vol.14,no.11,pp.2003–2007,Nov.2017.”针对高光谱图像信息的大规模性提出基于锚点图的谱聚类方法，在锚点图的重建过程中联合空间-光谱特性，利用谱聚类方法最优化相似图对应的矩阵，降低了算法的计算复杂度。虽然提高了算法效率，但该方法在融合空间-光谱特性时，仅通过均值滤波使用空间信息，未充分利用其特性。

发明内容

为克服现有技术的不足，本发明提供一种基于空谱邻域嵌入和最优相似图的高光谱分类方法。首先，基于邻域保留嵌入法使用新的空间光谱组合距离融合空间结构和光谱信息，以选择高光谱图像像元的有效空间光谱近邻；然后，通过利用空间距离来调整像元与其相邻像元之间的重构权重，来增强嵌入特征的辨别能力，得到投影矩阵及其对应的低维高光谱图像；最后，基于低维高光谱图像构建锚点图，得到原始点到锚点的连接矩阵，再利用谱聚类方法由连接矩阵获得最优相似矩阵，进而得到分类结果。本发明方法通过更深入地挖掘高光谱图像的内在结构，获得有效的空间光谱近邻，并利用锚点图和谱聚类方法得到最优相似图，能够同时提高分类精度和算法效率。

一种基于空谱邻域嵌入和最优相似图的高光谱分类方法，其特征在于步骤如下：

步骤1：采用空间加权均值滤波方法对高光谱图像中的每个像素点x_i进行滤波处理，得到滤波后对应的像素点