一种基于因子分析模型的高光谱数据降维方法技术

一种基于因子分析模型的高光谱数据降维方法，其步骤如下：（１）高光谱数据读入；（２）建立高光谱数据降维的因子分析模型；（３）计算数据的均值、协方差矩阵以及相关矩阵；（４）计算数据相关矩阵的特征值和标准化特征向量；（５）由参数估计方法进行因子载荷矩阵的求解；（６）计算因子分析模型中特殊因子的协方差和数据变量的共同度；（７）计算基于方差最大的因子载荷旋转矩阵；（８）利用基于加权最小二乘方法计算因子得分；（９）得到表征高光谱数据的本征维数，实现高光谱数据降维。该方法是一种自动的高光谱数据降维方法，能够有效的去除高光谱数据波段间的相关性、增加地物不同类别间的可分性。

【技术实现步骤摘要】

本专利技术涉及，属于高光谱 数据处理方法与应用
，适用于高光谱数据降维的理论方法和应用技 术研咒。
技术介绍
高光谱成像仪是一种新型的遥感载荷，其光谱具有紧密、连续的特点， 可以同时记录被测同一地物的光谱和空间信息特征，因此，高光谱数据维数高且数据量大；由于光谱分辨率较高，各个波段之间具有较高的相关性，存 在了大量的冗余信息。并且随着波段数据的增加，数据处理量呈指数上升。 因此，如何将高光谱数据降维，消除波段间的相关性，成为数据处理的关键 环节。目前针对高光谱数据降维已经提出了很多方法，主要分为波段选择和特 征提取两大类。波段选择的目的是将n维高光语数据用具有代表意义的m 维(m<n)数据子集代替，该类方法的问题是虽然较好的保留了原图像数据 的特性，但是损失了高光谱数据的信息量以及光谱细节信息；特征提取的目 的是将n维高光谱数据压缩到m维(m<n)模式空间中，使类别间的可分 性最大。因此，该类方法在数据降维的同时突出了图像数据间的差异性，但 改变了数据的原有特性。目前数据降维方法主要存在的问题是不能很好的 保留数据提供的所有有用信息，不能将相同类型地物特征表示在相同的波段 中。
技术实现思路
本专利技术的目的是针对现有高光谱数据降维方法损失数据信息等不足提 出 一种基于因子分析模型的高光语数据降维方法。本专利技术的技术解决方案是本专利技术一种基于因子分析模型的高光谱数据降维方法，具体是指 一种因子分析模型将高光谱高维空间数据降到表征高光 谱数据本征特性的低维空间的方法。该方法主要是利用因子分析模型，并通 过计算因子载荷矩阵、基于方差最大的因子载荷旋转、计算因子得分得到表 征高光谱数据的本征维数，从而实现高光谱数据降维。本专利技术 ，其步骤如下 (1 )高光谱遥感数据读入；(2) 建立高光谱数据降维的因子分析模型；(3) 计算高光谱数据的均值、协方差矩阵以及相关矩阵；(4) 计算数据相关矩阵的特征值和标准化特征向量；(5) 由主成分解方法进行因子载荷矩阵的求解；(6) 计算因子分析模型中特殊因子的方差矩阵和数据变量的共同度；(7) 计算基于方差最大的因子载荷旋转矩阵；(8) 利用基于加权最小二乘方法计算因子得分；(9) 得到表征高光语数据的本征维数，实现高光谱数据降维。 其中，步骤(2)中所述的"建立高光谱数据降维的因子分析模型"，其因子分析模型为式中，火=(^^，...,、)'是可观测的随机变量，均值// = ￡("， X的公共因子 F = (^，F2,...,Fm)' (m<p)是不可观测的随机变量，且满足均值￡(尸)=0、方差 D(F) = Im (即F各个分量方差为l且互不相关)，特殊因子￡ = (￡,2，..., )'与F互不相关，且满足均值￡(。 = 0、方差D(f)^Aag(a,2,c722,…，a/):^:Z);公共因子一般对X每一个分量都起作用，而特殊因子只对X的某一分量起作用， 而且特殊因子之间以及特殊因子与公共因子之间互不相关；因子载荷矩阵 ^二( )p^是待估计的系数矩阵，在因子分析中，特殊因子起残差或噪声的 作用。其中，步骤(3)所迷的"计算高光谱数据的均值、协方差矩阵以及相关矩阵"，其计算方法如下<formula>formula see original document page 8</formula>式中，Jf为数据的均值；r为协方差矩阵；i 为相关矩阵；"表示像元数目； A,)表示第f个像元。其中，步骤(4)中所述的"计算数据相关矩阵的特征值和标准化特征向量，，，其含义说明如下计算相关矩阵/ 的特征值为；i^;^^.々;ip20，以及各个特征值对应的施密特正交化的特征向量A，^，…,/p。其中，步骤(5)中所述的"由主成分解方法进行因子载荷矩阵的求解"， 其i十算方法:^下首先根据,+^ +…"附^0.9的最小整数，确定公共因子个数m; A +…+义m+…、然后利用主成分解的方法求解因子载荷矩阵利用步骤(4)中计算得到的相关矩阵i 的特征值为；i^;^^.々;ip^)，对应的施密特正交化后的特征向量为H..力，则利用相关矩阵/ 的谱分解/ = ^义,/,/:,得到因子分析模型的一个解h(V^,…,V^O( U。其中，步骤(6)中所述的"计算因子分析模型中特殊因子的方差矩阵 和数据变量的共同度"，其含义说明如下因子分析模型中特殊因子的方差为c7,2 = l-|>,;，(/ = 1,2".,,P)，变量x,的共同度V估计为/^IX(hl,2，…,p)。 其中，步骤(7)中所述的"计算基于方差最大的因子载荷旋转矩阵"，右乘正交矩阵r，使得」r具有更鲜明的意义，旋转后的公共因子向量为 F、r'F,它的各个分量K,《，…,《也是互不相关的公共因子；根据正交矩阵r的不同选取方式，将构造出不同的正交旋转方法，本专利技术中采用的方法 是最大方差的旋转方法；具体实现过程如下令Z:^^(《)p^，《.=《//z,，《=丄尤《，则」'的第j列元素平方的相对方差可以定义为&=丄力(《-《)2 ,式中，取《是为了消除《符号不同的影响；用除以/z,是为了消除各个原始变量I,对公共因子依赖程度不同的 影响；最大方差旋转方法就是选择正交矩阵r,使,所有m列元素平方的相 对方差V达到最大r = ^+K2+... + 、；逐次对每两个公共因子进行上述旋转， 对公共因子巧和F;旋转，就是对A矩阵的第l列和第k列进行正交变换，使 这两列的元素平方的相对方差之和最大，而其余列不变，旋转矩阵G可以表 示为一l一sin^sin^式中，^是巧和《的旋转角度，矩阵其余元素为0;求^使V达到最大: 由微积分中求极值的方法，将V对P求导，并令其为0:r^+^+…+^^丄l:(《-《)2+…+丄t(《—w 、, 山^ A ，曰 ^ M —2W/; 戶斤以，由一 =0， 4亏tan46> =-^——,式中"=2>,， K = |>,/-1『=!>,2-v'2)， M = 2^>,v,， ",=(，)2+(,)2， v,=2^， ",i、 ",2是因子'=1 …1 A A A载荷矩阵中的元素，V是变量x,的共同度。第一轮旋转后的因子载荷矩阵为』"，然后开始下一轮的旋转，得到一 系列的因子载荷矩阵为Z1)3(2)，...,#、),...，则必有"^r(2)么.^F"、…， rw为^w各列元素平方的相对方差之和，实际应用中，当r"-「w^s时，即可停止;5走转。其中，步骤(8)中所述的"利用基于加权最小二乘方法计算因子得分"， 其含义说明如下在得到A和D的基础上，采用加权最小二乘对F进行求 解# =(》力-^)-M'ZT'L即得到了 F的加权最小二乘估计，式中，i是估计 得到的因子载荷矩阵，力是估计得到的特殊因子方差矩阵，X是读入数据。其中，步骤(9)中所述的"得到表征高光谱数据的本征维数，实现高 光谱数据降维"，其含义说明如下利用因子得分估计即可得到表征高光谱 数据的本征维数，从而实现了高光谱数据降维。本专利技术与现有技术相比的优点在于克服了现有高光谱数据降维方法损 失数据信息、无法保留数据原有特性等局限，本方法利用了因子分析模型， 并采本文档来自技高网...

【技术保护点】
一种基于因子分析模型的高光谱数据降维方法，其特征在于：它包含以下步骤：　（１）高光谱遥感数据读入；　（２）建立高光谱数据降维的因子分析模型；　（３）计算高光谱数据的均值、协方差矩阵以及相关矩阵；　（４）计算数据相关矩 阵的特征值和标准化特征向量；　（５）由主成分解方法进行因子载荷矩阵的求解；　（６）计算因子分析模型中特殊因子的方差矩阵和数据变量的共同度；　（７）计算基于方差最大的因子载荷旋转矩阵；　（８）利用基于加权最小二乘方法计 算因子得分；　（９）得到表征高光谱数据的本征维数，实现高光谱数据降维。

【技术特征摘要】

【专利技术属性】
技术研发人员：赵慧洁，李娜，蔡辉，贾国瑞，徐州，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：11[中国|北京]