一种基于空谱局部性低秩超图学习的高光谱图像分类方法技术

本发明专利技术公开了一种基于空谱局部性低秩超图学习的高光谱图像分类方法，属于图像信息处理技术领域。本发明专利技术方法包括以下步骤：输入高光谱数据集，组成光谱特征矩阵X；设置相关参数，融入空谱局部性约束，构建空谱局部性约束的低秩表示模型；设置相关参数，使用交替方向乘子算法开始迭代求解；根据低秩表示模型中系数矩阵Z构建空谱局部性低秩超图；设置相关参数，建立半监督超图学习模型；设置相关参数，迭代求解半监督超图模型，输出光谱特征数据集X的分类结果矩阵F*。本发明专利技术设计了半监督超图学习算法应用于最后的高光谱图像分类。相对于其他较为先进的方法，本发明专利技术的分类效果更好，并且对噪声和图像退化的鲁棒性更高。

【技术实现步骤摘要】
一种基于空谱局部性低秩超图学习的高光谱图像分类方法
本专利技术涉及图像信息处理
，尤其涉及一种基于空谱局部性低秩超图学习的高光谱图像分类方法。
技术介绍
遥感成像已经广泛应用于各个领域，包括环境监测、城市规划、重大灾害管理以及精准农业应用之中。大部分应用中，基于像素级别的遥感图像分类都是最先步骤。但是遥感图像自动分类仍然是极具挑战的问题。首先，在图像获取过程中，存在各种成像退化因素，比如由传感器，光子效应和校准误差引起的噪声干扰、条纹腐蚀和数据缺失。其次，由于电磁谱较窄的波段中进行了密集的光谱采样，所以高维度的光谱特征间会存在高度相关性。再次，遥感成像有很强的空谱一致性，这样光谱或空间域中邻近像素点很可能属于同一类。最后，样本集中通常既有一定数量的已标记类别的样本，又有很多未标记类别的样本。现有的文献中存在很多针对上述问题的解决方法，但是大多数都是围绕特征表示方面的，独立成分分析(ICA)被用来提取独立的成分以表示遥感图像中的样本。作为一种非监督特征提取方法，ICA方法忽略了已标记样本所包含的信息。为了解决这个问题，Fisher线性判别分析(LDA)被用于学习样本具备识别力的表本文档来自技高网...

【技术保护点】
一种基于空谱局部性低秩超图学习的高光谱图像分类方法，其特征在于，对高光谱数据进行空谱局部性约束的低秩表示，从而构建超图模型，运用半监督超图学习模型实现高光谱图像分类，包括以下步骤：步骤1、输入高光谱数据集，组成光谱特征矩阵X∈Rd×n，d为光谱维数，n为图像的像素数；步骤2、融入空谱局部性约束，构建空谱局部性约束的低秩表示模型：s.t.   X＝XZ+E步骤3、使用交替方向乘子算法迭代求解，得到稀疏系数矩阵Z；步骤4、根据步骤3模型中所得的重建系数矩阵Z构建空谱局部性低秩超图G＝(V,E,ω)，超图的顶点对应图像的一个像素点，zi中非零大系数的样本为xi的邻近样本，与xi组成一条超边，其权重的...

【技术特征摘要】
1.一种基于空谱局部性低秩超图学习的高光谱图像分类方法，其特征在于，对高光谱数据进行空谱局部性约束的低秩表示，从而构建超图模型，运用半监督超图学习模型实现高光谱图像分类，包括以下步骤：步骤1、输入高光谱数据集，组成光谱特征矩阵X∈Rd×n，d为光谱维数，n为图像的像素数；步骤2、融入空谱局部性约束，构建空谱局部性约束的低秩表示模型：其中，λ＞0为正则化参数，β是约束的强度系数；步骤3、使用交替方向乘子算法迭代求解，得到稀疏系...

【专利技术属性】
技术研发人员：刘青山，孙玉宝，杭仁龙，王素娟，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：江苏;32