[发明专利]基于图正则低秩表示维数约简的高光谱图像分类方法

摘要

本发明公开了一种基于图正则低秩表示维数约简的高光谱图像分类方法，首先用均值漂移技术对高光谱图像进行预分割；对预分割后的高光谱图像进行图正则低秩表示系数，获取图正则低秩系数矩阵；构造出特征值方程；学习出维数约简的映射矩阵，将原始高维数据转换到低维空间中再进行分类。本发明挖掘高光谱图像局部流形结构并保持原图像的空间分布特性，学习出有效的降维空间，提高高光谱图像分类正确率，且降低计算复杂度，主要解决了高光谱图像维数过高而导致计算量大及现有方法分类正确率低的问题，可用于精细农业，目标识别，环境监测等重要领域。

主权项

1.一种基于图正则低秩表示维数约简的高光谱图像分类方法，包括如下步骤：步骤1：输入高光谱图像该高光谱图像包含c类像素点，有N个像素点，图像的每一个像素点为一个样本，每个样本用一个特征向量x_i表示，i＝1，...，N，R表示实数域，样本的特征维数为H。步骤2：根据均值漂移方法将高光谱图像X分割成M块，得到预分割后的高光谱图像X_G，对分割后的每一个图像块里的所有样本点的特征向量求平均，每一个图像块得到一个新样本点m＝1，...，M，得到新样本集Xnew=[xnew1,xnew2,...,xnewM];]]>步骤3：使用图正则低秩表示计算新的样本集X_new的图正则低秩系数矩阵Z，采用非精确增广拉格朗日乘子法获得图正则低秩系数矩阵Z；步骤4：根据图正则低秩系数矩阵Z，构造高光谱图像新样本集X_new的特征值方程f，设置降维后的维数d，并学习出降维映射矩阵A；步骤5：将原始高光谱图像X通过降维映射矩阵A映射到低维空间R^d中，得到降维后的样本集x′_i是降维后的样本集X′的第i个样本；步骤6：在降维后的样本集X′中每类选取t个样本作为训练样本集X_p，其余的样本作为测试样本集X_q，将训练样本集X_p输入到支撑矢量机SVM中进行训练，学习出一个分类器，然后将测试样本集X_q输入到这个分类器中，得到测试样本X_q的分类标签向量Y，标签向量Y即是高光谱图像X的分类结果。