【技术实现步骤摘要】
本专利技术涉及医学显微高光谱图像的降维领域。具体来讲，是一种显微高光谱图像图嵌入的降维方法。
技术介绍
1、高光谱成像技术将成像技术和光谱技术相结合，探测目标的光谱信息和图像数据，不同的光谱信息代表着样本内部不同的物理和化学结构，不同的图像数据反应样本不同的外部特征与纹理。显微高光谱成像技术结合了光谱分析和光学成像的特点，能够同时获取生物组织样本的物理和化学特性，逐步成为了智能医学的辅助诊断工具。但是高光谱图像的高维特征会导致分类器的性能不佳，波段数目的增加导致数据包含大量的冗余信息，容易引起维数灾难，hughes现象[3]的出现，所以我们需要对高光谱图像数据进行降维(dimensionality reduction，dr)，该技术通过提取信息的低维特征来去除冗余信息，在不丢失有用信息的同时减少特征维数，已经成为数据处理的一个重要方向。
2、高光谱图像降维是一种重要的数据处理技术，主要通过特征提取和特征选择两个方面来减少数据的维度，从而更有效地分析和利用高光谱信息。首先，特征选择是高光谱图像降维的重要手段。特征选择的目的是从原始特征集中挑选出最具代表性和信息量的特征，以保留关键信息。光谱数据中的波段通常存在相关性，而特征选择可以帮助排除不必要的冗余特征，提高模型的泛化能力。特征提取也是高光谱图像降维的关键步骤之一。在这个过程中，通过数学变换方法，将原始的高维数据映射到一个新的特征空间。这种方法有效地保留了原始数据中的主要特征，减少了冗余信息，提高了计算效率。总体而言，高光谱图像降维通过特征提取和特征选择的手段，能够在
3、高光谱图像是“图谱合一”的三维数据，传统的基于向量的降维方法破坏了高光谱图像的空间结构，因此提出了基于张量的降维方法。张量局部保持投影是局部保持投影在张量空间的拓展形式。在张量分析中，现有的方法忽略了样本所包含的信息量是不同的，所有的样本都被平等对待，而且分开考虑了增强判别能力和利用固有结构信息这两个重要的问题，还具有很大的发展空间。
技术实现思路
1、专利技术目的：本申请的目的是针对现有基于张量降维方法的不足，提出了一种基于拉普拉斯的加权图嵌入方法，解决原始的降维方法鲁棒性不高的缺陷，并通过对光谱波段的加权来增强鉴别性。
2、技术方案：为实现本专利技术的目的，本专利技术所采用的技术方案是：
3、一种显微高光谱图像降维方法，其特征在于：数据预处理、波段加权模块、拉普拉斯图嵌入模块、张量降维模块；
4、所述预处理模块，主要是对原始的空间数据进行归一化处理，即对数据进行标准化处理，使数据分布在0-1之间。
5、所述波段加权模块，计算所有波段的熵值，熵值越大所包含的信息量越多，根据波段所包含的信息量的不同赋予不同大小的权重，然后将预处理后的数据划分为pixel-patches，然后随机划分测试集和训练集。
6、所述拉普拉斯图嵌入模块，加入了共识矩阵用于获取向量降维的权重矩阵。构建基于稀疏和低秩的目标函数，充分考虑了矩阵的低秩性、稀疏性、并且加入了流行正则项来防止过拟合现象的产生，然后使用交替乘子法对目标函数进行求解，获取目标矩阵。
7、所述张量降维模块，用于获取高维空间到低维空间的投影矩阵。结合拉普拉斯协同表示的权重矩阵对两个空间维和一个光谱维进行依次降维，获取三个方向的投影矩阵。
8、然后利用投影矩阵对训练集和测试集进行降维，使用支持向量机对降维后的样本进行分类，通过选择不同的β，γ，α，窗口大小w，降维数量b的参数值来比较分类结果，获得样本分类精度的最高值。
9、本专利技术具体的方法包括以下步骤：
10、步骤1、医学高光谱数据通常被视为一个三阶张量x∈rl1xl2xl3，l1，12分别为三维立方体的长和宽，i3表示光谱的维度总数。根据像素点类别进行分类，定义一个四阶张量x(c)∈rn1xn2xdxi4用来表示含有相同类别c的像素块的合集。
11、步骤2、计算每个波段的熵值，然后根据熵值的不同赋予光谱波段不同的权值。
12、步骤3、将高光谱数据集x划分为pixel-patches，然后将pixel-patches随机划分训练集和测试集，方便后续降维。
13、步骤4、根据目标函数求解每一类权重矩阵wc，合并得最终的权重矩阵w，
14、
15、目标函数为：
16、
17、s.t.diag(w(c))＝0
18、步骤5、结合权重矩阵构造张量局部保持投影目标函数：
19、
20、步骤6、设置降维后的数据维度为{1，1，d}，根据步骤5求出的映射矩阵u和降维投影公式yi＝xi×1u1×2u2…×nun，求出低维空间的样本数据yi。
21、步骤7、使用支持向量机对降维后的样本进行分类，通过选择不同的β，γ，α，窗口大小w，降维数量b的参数值来比较分类结果，获得样本分类精度的最高值。
22、本申请另一方面公开了利用上述模型进行医学显微高光谱图像降维的应用方法，具体步骤如下：
23、步骤1、对所采集的医学显微高光谱图像进行归一化处理，即预处理步骤。
24、步骤2、通常把医学高光谱数据视为一个三阶张量x∈rl1xl2xl3，l1，l2分别为三维立方体的长和宽，i3表示光谱的维度总数。然后我们分别计算每个波段的权重来进行波段加权。根据像素点类别进行分类，定义一个四阶张量x(c)∈rn1xn2xdxi4用来表示含有相同类别c的像素块的合集。
25、步骤3、将高光谱数据集x划分为pixel-patches，然后将pixel-patches随机划分训练集和测试集，方便后续降维。
26、步骤4、根据目标函数求解每一类权重矩阵wc，合并得最终的权重矩阵w，
27、
28、目标函数为：
29、
30、s.t.diag(w(c))＝0
31、步骤5、结合权重矩阵构造张量局部保持投影目标函数：
32、
33、步骤6、设置降维后的数据维度为{1，1，d}，根据步骤5求出的映射矩阵u和降维投影公式yi＝xi×1u1×2u2…×nun，求出低维空间的样本数据yi。
34、步骤7、使用支持向量机对降维后的样本进行分类，通过选择不同的β，γ，α，窗口大小w，降维数量b的参数值来比较分类结果，获得样本分类精度的最高值。有益效果：本专利技术提出了一种新的图嵌入方法，并且使用svm对降维后的高光谱图像进行分析。在本方法中，直接把医学高光谱数据作为三阶向量进行输入，减少了数据的损失，保留了数据之间的空间结构信息，在降维之前进行光谱波段加权，通过一个全局注意力机制，把注意力集中于光谱信息更重要的波段，然后考虑矩阵的低秩性、稀疏性、加入一个流行正则项来防止过拟合现象的产生。然后构建一个共识本文档来自技高网...
【技术保护点】
1.一种显微高光谱图像降维方法，其特征在于：数据预处理、波段加权模块、拉普拉斯图嵌入模块、张量降维模块；
2.根据权利要求1所述的一种显微高光谱图像降维方法，其特征在在数据降维之前对所有波段了进行了不同程度的加权处理，使得在降维过程中更加注重于重要的波段，减少了数据的冗余，提高降维的效率。波段加权的计算公式如下：
3.根据权利要求1所述的一种显微高光谱图像降维方法，其特征在于加入了一个共识低秩矩阵来求解，充分利用了向量空间和子空间之间的关系，可以保持投影矩阵与低秩矩阵之间的一致性，增强了鲁棒性。首先我们把目标函数构造为：
4.一种显微高光谱图像监督降维方法，其特征在于：该方法包括以下步骤
【技术特征摘要】
1.一种显微高光谱图像降维方法，其特征在于：数据预处理、波段加权模块、拉普拉斯图嵌入模块、张量降维模块；
2.根据权利要求1所述的一种显微高光谱图像降维方法，其特征在在数据降维之前对所有波段了进行了不同程度的加权处理，使得在降维过程中更加注重于重要的波段，减少了数据的冗余，提高降维的效率。波段加权的计算...
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。