一种成像光谱目标识别分析中的模式识别方法技术

一种成像光谱目标识别分析中的模式识别方法，获取待测图像像元中三维成像光谱数据的像元光谱二维矩阵；对待预测的像元光谱矩阵进行校正光谱误差的预处理，得到预处理后的像元光谱二维矩阵；根据训练样本特征权重，计算预测样本与训练样本之间的权重欧式距离，通过权重欧式距离分别获取预测样本的在每个训练样本类别内的nc个近邻，根据所获的这些近邻，分别构建超平面；计算预测样本到每个构建的超平面的最小距离；判断预测样本到哪个超平面距离最近，模式识别的结果就是预测样本属于这个超平面所属的类别。本发明专利技术解决了现有技术中的模式识别方法复杂度高与识别精度低的问题。

【技术实现步骤摘要】
一种成像光谱目标识别分析中的模式识别方法
本专利技术涉及成像光谱目标识别分析
，尤其涉及一种成像光谱目标识别分析中的模式识别方法。
技术介绍
成像光谱是二十世纪地球观测系统中最重要的技术突破之一，它克服了传统多波段、多光谱在波段数、波段范围、精细信息表达等方面的局限性，以较窄的波段区间、较多的波段数量提供目标信息，能够从光谱空间中对目标予以细分和鉴别，在多个领域都得到了广泛应用。得到成像光谱数据信息后，需要对目标的光谱进行归类与判别，将反应不同材料与成分含量的光谱进行分类，并判断出目标的组成成分，进而判断出目标性质。由于光谱分辨率大幅度提高，成像光谱数据比多光谱具有更强的潜在目标识别能力，但在有限训练样本条件下，数据维数的增高使样本/维数比率大大降低。采用常规的统计模式识别方法反而无法得到较好地分类结果。目前对成像光谱数据进行模式识别所采用的最广泛的方法为神经网络与支持向量机方法。然而由于在成像光谱目标分类识别的处理时，经常会遇到“异物同谱”或者“同物异谱”现象，即不同的目标光谱数据呈现相似的特征，同一目标由于某种原因呈现出不同的光谱特征，这使得目标的直方图多呈现多峰正态分布，使得神经网络分类算法难于收敛，严重降低识别精度。目前所用的支持向量机函数通常是直接在输入空间中构造线性分类超平面，然而很多问题在输入空间中并不是线性可分的，类别之间的分类面用非线性的曲面能够更好的描述。而基于非线性核函数的支持向量机方法计算复杂，参数寻优有时候会陷入死循环并且计算量大，在多类目标识别的情况下存在局限性。综上所述，现有的模式识别方法，在识别精度和计算复杂程度上不令人满意，导致在上位机具体实施方面局限性较大，从而导致模式识别精度降低。
技术实现思路
本专利技术技术解决问题：克服现有技术的不足，提供一种成像光谱目标识别分析中的模式识别方法，以解决现有技术中的模式识别方法复杂度高与识别精度低的问题。本专利技术提供的模式识别方法在计算预测样本与训练样本之间的距离时，考虑到训练样本特征权重，并在计算样本的近邻与超平面时引入了权重欧式距离，权重值为所有训练样本组间特征值之差与组内特征值之差之比，突出了贡献大的波长特征值。通过权重欧式距离选出的近邻样本构建的超平面更接近于实际数学模型，结果精度相对较高。为达到上述目的，本专利技术的技术方案是这样实现的：步骤101，获取待测图像像元中三维成像光谱数据的像元光谱二维矩阵；步骤102，对待预测的像元光谱二维矩阵进行校正光谱误差的预处理，得到预处理后的预测像元光谱二维矩阵；步骤103，将预处理后的预测像元光谱二维矩阵即预测样本，与光谱库中同样经过上述预处理后的已知类别光谱即训练样本，进行模式识别匹配；计算训练样本特征权重；步骤104，根据训练样本特征权重，计算预测样本与训练样本之间的权重欧式距离，通过权重欧式距离分别获取预测样本的在每个训练样本类别内的nc个近邻，根据所获的这些近邻，分别构建超平面；步骤105，计算预测样本到每个构建的超平面的最小距离；步骤106，判断预测样本到哪个超平面距离最近，模式识别的结果就是预测样本属于这个超平面所属的类别。所述步骤101中获取待测图像像元中三维成像光谱数据的像元光谱二维矩阵，具体包括：将所述待预测图像像元中的三维成像光谱数据表示为成像光谱反射率的像元光谱二维矩阵：Rm×n＝[p1,p2,...,py×i+j,...,px×y],0≤i≤x,0≤j≤y或Rm×n＝[p1,p2,...,pi+x×j,...,px×y],0≤i≤x,0≤j≤y其中，Rm×n表示像元光谱二维矩阵，[p1,p2,...,py×i+j,...,px×y]和[p1,p2,...,pi+x×j,...,px×y]表示待测图像的像元光谱矢量，m表示波段数，n表示待测图像像元的总数，x表示待测图像像元的行数，y表示待测图像像元的列数，n＝x×y。所述步骤102中对待预测的像元光谱二维矩阵进行校正光谱误差的预处理，得到预处理后的预测像元光谱二维矩阵的方法采用标准正交变换方法和小波去噪方法。所述步骤103是将预处理后的预测像元光谱二维矩阵即预测样本与光谱库中同样经过上述预处理后的已知类别光谱即训练样本进行模式识别匹配；计算训练样本特征权重具体如下：设已经存在训练样本集,包含L个样本，J个类别，每个样本包含d个特征,记为：xi＝(xi1,...,xid)T其所属类别为yi＝c(i＝1,...,L；c＝1,...,J)；计算训练样本的特征权重：其中rj为计算过程中间变量；为全部训练样本第j维特征的全局均值；yi＝c(i＝1,...,L；c＝1,...,J)为训练样本对应的类别；为第c类训练样本第j维特征的均值；I(yi)表示一个函数，当yi＝c时为1，否则为0；xij为训练样本xi第j维特征值；wj为训练样本第j维特征的权重值；d为样本特征个数。所述步骤104中根据训练样本特征权重，计算预测样本与训练样本之间的权重欧式距离：其中D(xi,q)为预测样本与所给定的每个类别的样本之间的权重欧式距离；xij为训练样本第j维特征值；qj为预测样本的像元的光谱向量q＝(q1,...,qd)T的第j维特征值；wj为训练样本第j维特征的权重值。所述步骤104中通过权重欧式距离分别获取预测样本的在每个训练样本类别内的nc个近邻，根据所获的这些近邻，分别构建超平面，具体如下：V·i＝pci-mc其中LHc(q)为所构造的超平面的集合；s为超平面；mc为预测样本的属于类别c的nc个近邻的平均值；pci为预测样本属于类别c的近邻；V·i为近邻与近邻平均值之间的特征差值；V.j为近邻与近邻平均值之间的特征差值的列向量；α为构造超平面时所选用的拉普拉斯算子向量；ai为a的分量；nc为人为选择，nc≥2，并且nc不能超过训练样本个数。所述步骤105计算预测样本到每个构建的超平面的最小距离：W＝diag(w1,...,wd)其中Jc(q)为拉格朗日最小距离算子；wj为训练样本第j维特征的权重值；Vj·为近邻与近邻平均值之间的特征差值的第j维特征值；mcj为mc的第j维特征值；qj为预测样本的第j维特征值；α为构造超平面时所选用的拉普拉斯算子向量，V所有的近邻与近邻平均值之间的特征差值组成的向量，W为所有训练样本的特征权重组成的对角向量；s为超平面；q为预测样本；w1,...,wd为特征权重；λ是一个用于控制α值可能过大的参数，取值通常为0-10之间。所述步骤106中判断预测样本到哪个超平面距离最近，那么模式识别的结果就是预测样本属于这个超平面所属的类别：label(q)＝argmincJc(q)其中label(q)为预测样本所属类别；Jc(q)为拉格朗日最小距离算子；argmincJc(q)代表使Jc(q)的值最小的超平面所属于的类别。本专利技术与现有技术相比的优点在于：本专利技术所提供的成像光谱目标识别分析中的模式识别方法，从光谱维角度进行物质类别的判断，从而实现对目标组成成分的识别。本专利技术的优点在于在模式识别过程中，更好的匹配目标光谱与光谱库中的已知光谱的特征信息，突出不同类别之间目标光谱的特征，无复杂的参数设置，是一种确定性算法不具有随机性；该算法可解决样本间特征相似，变量冗余的问题；计算预测样本与超平面距离时考虑了特征本文档来自技高网...

【技术保护点】
一种成像光谱目标识别分析中的模式识别方法，其特征在于包括以下步骤：步骤101，获取待测图像像元中三维成像光谱数据的像元光谱二维矩阵；步骤102，对待预测的像元光谱二维矩阵进行校正光谱误差的预处理，得到预处理后的预测像元光谱二维矩阵；步骤103，将预处理后的预测像元光谱二维矩阵即预测样本，与光谱库中同样经过上述预处理后的已知类别光谱即训练样本，进行模式识别匹配；计算训练样本特征权重；步骤104，根据训练样本特征权重，计算预测样本与训练样本之间的权重欧式距离，通过权重欧式距离分别获取预测样本的在每个训练样本类别内的nc个近邻，根据所获的这些近邻，分别构建超平面；步骤105，计算预测样本到每个构建的超平面的最小距离；步骤106，判断预测样本到哪个超平面距离最近，模式识别的结果就是预测样本属于这个超平面所属的类别。

【技术特征摘要】
1.一种成像光谱目标识别分析中的模式识别方法，其特征在于包括以下步骤：步骤101，获取待测图像像元中三维成像光谱数据的像元光谱二维矩阵；步骤102，对待预测的像元光谱二维矩阵进行校正光谱误差的预处理，得到预处理后的预测像元光谱二维矩阵；步骤103，将预处理后的预测像元光谱二维矩阵即预测样本，与光谱库中同样经过上述预处理后的已知类别光谱即训练样本，进行模式识别匹配；计算训练样本特征权重；步骤104，根据训练样本特征权重，计算预测样本与训练样本之间的权重欧式距离，通过权重欧式距离分别获取预测样本的在每个训练样本类别内的nc个近邻，根据所获的这些近邻，分别构建超平面；步骤105，计算预测样本到每个构建的超平面的最小距离；步骤106，判断预测样本到哪个超平面距离最近，模式识别的结果就是预测样本属于这个超平面所属的类别；所述步骤103是将预处理后的预测像元光谱二维矩阵即预测样本与光谱库中同样经过上述预处理后的已知类别光谱即训练样本进行模式识别匹配；计算训练样本特征权重具体如下：设已经存在训练样本集,包含L个样本，J个类别，每个样本包含d个特征,记为：xi＝(xi1,...,xid)T，d个特征所属类别为yi＝c(i＝1,...,L；c＝1,...,J)；计算训练样本的特征权重：其中rj为计算过程中间变量；为全部训练样本第j维特征的全局均值；yi＝c(i＝1,...,L；c＝1,...,J)为训练样本对应的类别；为第c类训练样本第j维特征的均值；I(yi)表示一个函数，当yi＝c时为1，否则为0；xij为训练样本xi第j维特征值；wj为训练样本第j维特征的权重值；d为样本特征个数。2.根据权利要求1所述成像光谱目标识别分析中的模式识别方法，其特征在于：所述步骤101中获取待测图像像元中三维成像光谱数据的像元光谱二维矩阵，具体包括：将所述待预测图像像元中的三维成像光谱数据表示为成像光谱反射率的像元光谱二维矩阵：Rm×n＝[p1,p2,...,py×i+j,...,px×y],0≤i≤x,0≤j≤y或Rm×n＝[p1,p2,...,pi+x×j,...,px×y],0≤i≤x,0≤j≤y其中，Rm×n表示像元光谱二维矩阵，[p1,p2,...,py×i+j,...,px×y]和[p1,p2,...,pi+x×j,...,px×y]表示待测图像的像元光谱矢量，m表示波段数，n表示待测图像像元的总数，x表示待测图像像元的行数，y表示待测图像像元的列数，n＝x×y。3.根据权利要求1所述成像光谱目标识别分析中的模式识别方法，其特征在于：所述步骤102中对待预测的像元光谱二维矩阵进行校正光谱误差的预处理，得到预处理后的预测像...

【专利技术属性】
技术研发人员：李庆波，张广军，高琦硕，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11