【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图像分类中光谱向量互相 关特征的抽取方法。
技术介绍
高光谱图像将传统的空间维信息和光谱维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，从而实现依据对象光谱特征分类和识 别的目标。与传统的全色、多光谱遥感相比，因其高光谱分辨率和空间分辨率，有效得结合 的光谱信息与空间信息，且数据量丰富，数据模型易于描述，高光谱图像在识别与精确分类 方面具有突出的优势。随着高光谱成像技术的发展和成熟，高光谱图像处理技术已被广泛 成功应用于医学诊断，农业检测，矿物探测，环境监测等领域中。 高光谱图像分类问题仍然是高光谱图像分析与处理技术的所面临的一大难题。高 光谱图像本身存在很大缺陷，例如海量造成的数据冗余度过大，高空间分辨率带来的光谱 混合以及噪声的影响，大大增加了精细分类的难度。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。
技术实现思路
本专利技术的目的就是为了解决上述问题，提供一种高光谱图像分类中光谱向量互相 关特征的抽取方法，它具有能有效应对小样本学习分类问题，且具有良好的抗噪性，能有效 提高整个分类系统的分类精确度优点。 为了实现上述目的，本专利技术采用如下技术方案： -种高光谱图像分类中光谱向量互相关特征的抽取方法，包括以下步骤： 步骤（1):对高...
【技术保护点】
一种高光谱图像分类中光谱向量互相关特征的抽取方法，其特征是，包括以下步骤：步骤(1)：对高光谱图像原始数据进行预处理得到训练样本集合；所述预处理包括：将三维高光谱数据转化为二维特征向量矩阵、数据归一化、采用主成分分析法进行降维和随机抽取部分已标记样本构成训练样本集合；步骤(2)：采取boostrap抽样法从训练样本集合中获取参考样本集，计算训练样本集合中的训练样本与参考样本集的参考样本的互相关系数，构建互相关系数特征向量；步骤(3)：特征选择：根据步骤(2)中构建的互相关系数特征向量，从降低计算复杂度角度出发需要进行特征再选择，选择方法是对步骤(2)中构建的相关系数特征向量进行稀疏表示，稀疏化相关系数特征向量得到稀疏特征向量。
【技术特征摘要】
1. 一种高光谱图像分类中光谱向量互相关特征的抽取方法，其特征是，包括以下步 骤： 步骤（1):对高光谱图像原始数据进行预处理得到训练样本集合；所述预处理包括：将 三维高光谱数据转化为二维特征向量矩阵、数据归一化、采用主成分分析法进行降维和随 机抽取部分已标记样本构成训练样本集合； 步骤（2):采取boostrap抽样法从训练样本集合中获取参考样本集，计算训练样本集 合中的训练样本与参考样本集的参考样本的互相关系数，构建互相关系数特征向量； 步骤（3):特征选择：根据步骤（2)中构建的互相关系数特征向量，从降低计算复杂度 角度出发需要进行特征再选择，选择方法是对步骤（2)中构建的相关系数特征向量进行稀 疏表示，稀疏化相关系数特征向量得到稀疏特征向量。2. 如权利要求1所述的一种高光谱图像分类中光谱向量互相关特征的抽取方法，其特 征是，所述将三维高光谱数据转化为二维特征向量矩阵的步骤为： 步骤（1-1):将三维高光谱图像转换成二维特征矢量形式：其中，I是三维高光谱图像，M为图像行数，N为图像列数，K为特征数，I1是转化后的二 维特征矩阵，I1的每一行对应一个样本，每一列对应一个特征，L是像元总数，Lable是对应 于I的标签矩阵，Lable1是对应于I1的标签矩阵。3. 如权利要求1或2所述的一种高光谱图像分类中光谱向量互相关特征的抽取方法， 其特征是，所述数据归一化的步骤为： 步骤（1-2):按照特征维，即所述步骤（1-1)中I1的列，搜索每列中的特征值的最小值Xniin、最大值Xniax,将[XniiwXniax]之间的原特征值映射到[-1，1]之间，映射关系如公式⑶所 示：其中，ymax = 1，ymin = _i，X是Ii中原特征值，y是映射到[_1，1]之间后的特征值，用y取代X，I1经归一化后得到归一化后的图像数据12。4. 如权利要求1所述的一种高光谱图像分类中光谱向量互相关特征的抽取方法，其特 征是，所述采用主成分分析法进行降维的步骤为： 步骤（1-3):采用主成分分析法对归一化后的图像数据I2进行主成分分析，降低图像 噪声和特征维度： 主成分分析过程如下：归一化后的图像数据I2表示成I2= (X1,X2，…，Xi,-,XJt，其中Xi为一个κχ1的列向量，表不一个样本； 样本中心化，即对I2中所有样本进行中心化操作，具体方法为将I2中所有向量减去全 局均值向量i 计算中心化后的I2的协方差矩阵Σ=Ι2Τ*Ι2，然后对协方差矩阵Σ特征分解，得到特 征值矩阵Λ和特征向量矩阵ω，对I2进行主成分变换： I3 =I2*ω(4) I3是经过PCA降维后的图像数据，I3的特征维度Kl远小于I2的特征维数Κ。5. 如权利要求1所述的一种高光谱图像分类中光谱向量互相关特征的抽取方法，其特 征是，所述随机抽取部分已标记样本构成训练样本集合的步骤为： 步骤（1-4):随机抽取训练样本集合： 抽取方式采用随机数方法，即随机产生一组1?L之间的随机数a=(叫，a2,. ..，ai)，随机数不重复，1是随机数的个数； 将生成的随机数作为行标号，从步骤（1-3)的I3中抽取对应的行组成训练样本集合train_matrix1XK1, 将生成的随机数作为行标号，从步骤（1-1)的Lableji取对应的标签，组成训练样本 类别标签集合trian_labellxl; train_matrix1XK1的每一行代表一个训练样本，对应trian_labellxl中相应行的类标 签。6. 如权利要求1所述的一种高光谱图像分类中光谱向量互相关特征的抽取方法，其特 征是，所述步骤（2)包括： 步骤（2-1):采取boostrap抽样法构建各类别参考样本集合： 步骤（2-2):假设任意两个光谱特征向量X1=(xn, x12,-,Xiki)' x2 = (x21, X22,… ，xau)T，分别是随机过程x(t，ω)的两次不同时间t，t+τ的随机试验，则x(t，ω)= Xl，X(t+τ，ω) =X2，对于离散平稳随机过程，同一平稳随机过程不同时间随机试验的互相 关有：RxY(τ )表示两个随机实验X(t,ω)、X(t+τ，ω)的互相关，τ为时间间隔，Ω= {ωι，ω2，…，ω。…，ωΝ}表示随机试验样本空间，N为随机试验所有可能结果的个数，Coi 是某次随机试验的结果，P(Oi)是随机试验取得Coi的概率； 当t固定时，令Χ(ω) =X(t，ω)，Υ(ω) =X(t+T，ω)，则公式（6)改写为：'（τ)表示两个随机试验的互相关,Xli=X(t, (Oi)、x2i=X(t+τ，（Oi)分别对应于光 谱特征向量XpX2第i个特征值，ω?eΩ= {ω1;ω2,…，Coi,…，ωΝ}，Ω表示随机试验样 本...
【专利技术属性】
技术研发人员：刘治，唐波，聂明钰，孙育霖，宿方琪，肖晓燕，张伟，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东;37
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。