当前位置: 首页 > 专利查询>山东大学专利>正文

高光谱分类中光谱域空间域联合相关约束的特征抽取方法技术

技术编号:12489454 阅读:155 留言:0更新日期:2015-12-11 04:06
本发明专利技术公开了一种高光谱分类中光谱域空间域联合相关约束的特征抽取方法,其特征在于,包括采用主成分析方法对原始高光谱图像数据进行降维去噪,并抽取原始高光谱图像数据的主成分,得到主成分分析后的样本及其标签;根据主成分分析后的样本的标签,将样本分裂成类内样本和类外样本;分别对类内样本和类外样本进行构建光谱域相关性约束;选择一个主成分分析后的样本为中心样本,得到对应其预设空间位置的邻域样本集合,求取中心样本与其邻域样本集合内样本的相关系数,构建空间域相关性约束;采用光谱域相关性约束和空间域相关性约束直接结合的方法,构建光谱域和空间域混合相关性特征向量,获得高光谱图像的光谱域空间域联合相关约束的特征向量。

【技术实现步骤摘要】

本专利技术属于高光谱图像处理领域,尤其涉及一种高光谱分类中光谱域空间域联合 相关约束的特征抽取方法。
技术介绍
高光谱图像将传统的空间域信息和光谱域信息有机地融合和为一体,在获取场景 空间图像的同时,得到场景内所有对象的连续光谱。而高光谱图像中,不同的对象对各个波 段的光谱有不同的吸收率和反射率,表现为连续变化的光谱特征曲线,从而可以实现依据 对象光谱特征进行分类和识别的目标。 高光谱图像分类问题是高光谱图像分析与应用技术的所面临的一大难题。高光谱 图像分类的主要步骤包括两个部分:(1)特征抽取和特征选择;(2)特征分类。传统的高光 谱特征匹配分类方法需要大量的先验知识,对光谱特征数据库依赖性太高,而统计分类方 法运算速度慢,精度受训练样本的影响较大。 已有的特征抽取和分类方法往往受限于高光谱图像自身的缺陷,表现为算法的稳 定性和鲁棒性不足。同时,传统的特征抽取方法仅仅基于光谱域特征,而忽视了丰富的空间 域的信息。研究表明,结合像素空间域信息能够明显的提升高光谱分类的精度。
技术实现思路
为了弥补现有技术存在的缺陷和不足,本专利技术提出了一种高光谱分类中光谱域空 间域联合相关约束的特征抽取方法,该方法考虑样本光谱域相关性和空间域相关性,并将 光谱域信息与空间域信息相结合,抽取判别性特征,有效提高整个高光谱分类系统的精度。 为了达到以上目的,本专利技术的技术方案如下: -种,包括: 步骤(1):采用主成分析方法对原始高光谱图像数据进行降维去噪,并抽取原始 高光谱图像数据的主成分,得到主成分分析后的样本及其标签; 步骤(2):根据主成分分析后的样本的标签,将样本分裂成类内样本和类外样本; 依据相关系数计算方法,分别对类内样本和类外样本进行构建光谱域相关性约束; 步骤(3):选择一个主成分分析后的样本为中心样本,得到对应其预设空间位置 的邻域样本集合,求取中心样本与其邻域样本集合内样本的相关系数,并构建空间域相关 性约束; 步骤(4):采用光谱域相关性约束和空间域相关性约束直接结合的方法,构建光 谱域和空间域混合相关性特征向量,最终获得高光谱图像的光谱域空间域联合相关约束的 特征向量。 所述步骤(1)中采用主成分析方法抽取原始高光谱图像数据的主成分的过程包 括: 步骤(I. 1):对给定的高光谱数据样本集合,求取高光谱数据样本集合中所有样 本的均值,并对所有样本进行中心化; 步骤(1. 2):构建中心化后的样本特征矩阵,并计算中心化后的样本特征矩阵的 协方差矩阵; 步骤(1. 3):对步骤(1. 2)得到的协方差矩阵进行特征分解,得到一组降序排列的 特征值及其对应的特征向量,选择高光谱数据样本的主成分; 步骤(1. 4):主成分选择完成后,根据特征值对应的特征向量,得到主成分映射矩 阵:对每个样本进行主成分映射,得到主成分分析后的样本,进而得到主成分析后的样本集 合。 所述步骤(1. 1)中求取高光谱数据样本集合中所有样本的均值的表达式为:(1) 其中,歹是所有样本的均值;X1是第i个样本,i = 1,2, ...,N,N是样本数。 所述步骤(I. 1)中对所有样本进行中心化的表达式为:(2) 其中,X1是第i个样本;无是所有样本的均值;X' 冲心化后的样本特征向 量,i = 1,2,. . .,N,N是样本数。 所述步骤(1. 2)中计算中心化后的样本特征矩阵的协方差矩阵为: C = XT*X (3) 其中,X是中心化后的样本特征矩阵;Xl X的转置矩阵;C e Rmxm是中心化后的 样本特征矩阵的协方差矩阵;m是特征数。 所述步骤(1. 3)中主成分的选择方法为:(4) 其中,A1, i = 1,2, ...,m为特征值,其呈降序排列;CO1G Rm为特征值对应的特征 向量j = 1,2,…,m W是保留的主成分的个数,m是样本的特征数,且满足!!!""彡m,0. 995的 意义是所保留的主成分包含m个特征99. 5%的信息。 所述步骤(1. 4)中主成分选择完成后,得到主成分映射矩阵U :(5) 对每个样本进行主成分映射,得到主成分分析后的样本,进而得到主成分析后的 样本集合。 所述步骤(2)中的相关系数计算方法为:後) 其中,X和y均表示向量;R(x, y) e 表示向量X和y之间的相关系数,两个 向量越相关,其相关系数越大;M · 11表示向量的模。 所述步骤(2)中对样本进行分裂的方法为: 根据样本标签将所有样本分裂为类内样本集合和类外样本集合 两部分,分裂方式如下:<7): 其中,洲表示类内样本集合,由与样本JT*类别相同的样本组成,表 1 I 1 示类外样本集合,由与样本<类别不相同的样本组成,Y1表示样本 <对应的标签,yk表示 样本X,;对应的标签,i, k = 1,2,. . .,N, N是样本数。 所述步骤(4)中构建光谱域和空间域混合相关性特征向量为:(8) 其中,X厂v 是构建的光谱域空间域混合相关性特征向量,1是光谱域相关性 约束项的个数表示光谱域相关性约束;表示空间域相关性约束;α 表示中心样本对应其邻域样本集合的样本数量。 本专利技术的有益效果是: (1)本专利技术基于传统的向量相关系数计算方法,结构简单,计算复杂度低; (2)本专利技术建立光谱域相关性约束,约束项的选择通过最大化类内相关性和类外 相关性,最大化类内类外相关系数分布,具有良好的自适应性和鲁棒性; (3)本方法建立空间域相关性约束,并与光谱域相关系约束相结合,构建光谱域空 间域混合相关性特征向量,能有效的提高分类精度。【附图说明】 图1本专利技术光谱域空间域相关性约束的特征抽取方法流程图; 图2本专利技术的空间域8.邻域模型。【具体实施方式】 下面结合附图与实例对本专利技术作进一步说明: 本专利技术在获取某一地区的高光谱图像的前提下,所选择的图像中包含十种农作 物,分别对应十种类别;采用本专利技术提出的光谱域空间域相关性约束的特征抽取方法对高 光谱图像进行处理,用于区分高光谱图像中十种不同类别的农作物。 如图1所示,,包括: 步骤(1):采用主成分析方法对原始高光谱图像数据进行降维去噪,并抽取原始 高光谱图像数据的主成分,得到主成分分析后的样本及其标签; 步骤(2):根据主成分分析后的样本的标签,将样本分裂成类内样本和类外样本; 依据相关系数计算方法,分别对类内样本和类外样本进行构建光谱域相关性约束; 步骤(3):选择一个主成分分析后的样本为中心样本,得到对应其预设空间位置 的邻域样本集合,求取中心样本与其邻域样本集合内样本的相关系数,并构建空间域相关 性约束; 步骤⑷:采用光谱域相关性约束和空间域相关性约束直接结合的方法,构建光 谱域和空间域混合相关性特征向量,最终获得高光谱图像的光谱域空间域联合相关约束的 特征向量。 进一步地,步骤(1)中采用主成分析方法抽取原始高光谱图像数据的主成分的过 程包括: 步骤(I. 1):对给定的高光谱数据样本集合,求取高光谱数据样本集合中所有样 本的均值,并对所有样本进行中心化; 求取高光谱数据样本集合中所有样本的均值的表达式为:Cl) 其中,给定高光谱数据样本集合为X = {XJ e Rm;芝是所有样本的均值;X1是第 i个样本,i = 1,2,. . .,N,N是样本文档来自技高网...

【技术保护点】
一种高光谱分类中光谱域空间域联合相关约束的特征抽取方法,其特征在于,包括:步骤(1):采用主成分析方法对原始高光谱图像数据进行降维去噪,并抽取原始高光谱图像数据的主成分,得到主成分分析后的样本及其标签;步骤(2):根据主成分分析后的样本的标签,将样本分裂成类内样本和类外样本;依据相关系数计算方法,分别对类内样本和类外样本进行构建光谱域相关性约束;步骤(3):选择一个主成分分析后的样本为中心样本,得到对应其预设空间位置的邻域样本集合,求取中心样本与其邻域样本集合内样本的相关系数,并构建空间域相关性约束;步骤(4):采用光谱域相关性约束和空间域相关性约束直接结合的方法,构建光谱域和空间域混合相关性特征向量,最终获得高光谱图像的光谱域空间域联合相关约束的特征向量。

【技术特征摘要】

【专利技术属性】
技术研发人员:刘治唐波肖晓燕聂明钰常军张伟
申请(专利权)人:山东大学
类型:发明
国别省市:山东;37

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1