[发明专利]基于张量距离补丁校准的高光谱数据降维方法

摘要

一种基于张量距离补丁校准的高光谱数据降维方法，属于高光谱遥感图像处理方法。本发明针对高光谱数据的张量特性，首先，通过窗口领域将高光谱数据转化成张量形式，保持每个像素的空间信息；第二，引入张量距离，构建包含判别信息的高质张量近邻图；第三，根据扩展到张量空间的补丁校准框架，获得全局最优的光谱-空间信息；第四，采用交替最小二乘算法的迭代优化方法求得张量子空间的解；最后，根据张量最近邻法判别各样本的类别。优点：能有效地利用高光谱数据的空间领域特征和光谱特征获得较高的整体分类精度和Kappa系数，获得的分类效果图更清晰、平滑，细节更丰富。该降维框架可以处理2阶数据、3阶数据或者更高阶的数据。

主权项

一种基于张量距离补丁校准的高光谱数据降维方法，其特征是：该降维方法针对高光谱数据的张量特性，首先，通过窗口领域，所述的窗口领域是中心像元及其周围相近的其它像元构成的领域，将高光谱数据转化成张量形式，保持每个像素的空间信息；第二，引入张量距离，构建包含判别信息的高质张量近邻图；第三，根据扩展到张量空间的补丁校准框架，获得全局最优的光谱‑空间信息；第四，采用交替最小二乘算法求得张量子空间的解；最后，根据张量最近邻法判别各样本的类别；具体步骤如下：步骤1，选择需进行分析的高光谱数据，根据窗口领域将高光谱数据转化成张量形式；步骤2，计算各训练样本间张量距离dTD；步骤3，根据张量距离，构建高质张量近邻图G；步骤4，根据高质张量近邻图选择χi补丁样本集；步骤5，根据选择矩阵Si将局部补丁合成整体，并计算校准矩阵Ω；步骤6，通过交替最小二乘（Alternating Least Square，ALS）计算稀疏最优函数得投影矩阵；步骤7，用求得的投影矩阵把训练样本和测试样本投影到低维张量子空间中。