【技术实现步骤摘要】
本专利技术涉及面向高分辨率遥感图像的有效半监督特征选择方法，属于遥感图像的半监督特征选择
技术介绍
因为能够描述土地覆盖信息的细节的特点，高分辨率遥感图像VHR在现实生活中得到了广泛应用，尤其在探测水质和生物量方面作用巨大。但是其复杂的空间线性和光谱不均匀性都对常见的基于像素的技术提出了严峻的挑战。因为单独的光谱信息不足以区分光谱相似的等级，比如楼房和道路。高分辨率遥感图像在现实生活中的应用常依赖于面向对象的图像分析(objectbasedimageanalysis,OBIA)。OBIA通常用于区分有丰富空间信息的高分辨率遥感图像，因为过多的特征不可避免的导致维度的混乱并且减少了主体信息的准确度，所以研究者们一直努力在大量可获得的特征中进行特征区分工作。现行主流的特征选择方法致力于用监督法进行特征选择，它要求足够量的标记样本。但是由于标记样本不仅耗时而且花费昂贵，有时研究人员不能获得足够量的样本，因此会引起过适现象。为了解决这个问题，在过去的几十年里，人们开始致力于半监督特征数据选择方法的研究。这个方法利用未标记样本进行数据分析，同时可以提高准确度。现行的半监督方法通常通过假设样本建立于光滑的流型来克服标记数据不足的问题，并提高在大空间范围内普遍化的准确度。这些半监督方法基于流型假设，研究内在信息的可能几何结构分布，提高了分类的准确度。但是流型需要建立一个拉普拉斯矩阵，矩阵的计算随着数据数量的提高变得过...
【技术保护点】
一种面向高分辨率遥感图像的有效半监督特征选择方法，其特征在于，它包括以下步骤：步骤一：采集高分辨率遥感图像数据，对高分辨率遥感图像数据进行预处理；将预处理后的高分辨率遥感图像数据分割成v+q个样本，其中v为标记样本数量，q为未标记样本数量，v＜＜q；对每个样本提取m多个特征，获得样本数据；将样本数据中的每个特征进行归一化处理，获得相应的特征向量，所有的特征向量形成归一化后的特征数据集合X；步骤二：随机抽取特征数据集合X中的v个样本对应的特征向量进行样本类别标记；步骤三：对标记样本类别的特征向量同时获取标签和选择矩阵，构建基于损失函数和未标记样本的概率分布矩阵的目标函数；步骤四：基于建立的目标函数采用迭代算法对选择矢量β和未标记样本最小滤深度yu的类别概率矩阵进行优化，完成高分辨率遥感图像的特征选择。
【技术特征摘要】
1.一种面向高分辨率遥感图像的有效半监督特征选择方法，其特征在于，它包括以下
步骤：
步骤一：采集高分辨率遥感图像数据，对高分辨率遥感图像数据进行预处理；将预处理
后的高分辨率遥感图像数据分割成v+q个样本，其中v为标记样本数量，q为未标记样本数
量，v＜＜q；对每个样本提取m多个特征，获得样本数据；将样本数据中的每个特征进行归一
化处理，获得相应的特征向量，所有的特征向量形成归一化后的特征数据集合X；
步骤二：随机抽取特征数据集合X中的v个样本对应的特征向量进行样本类别标记；
步骤三：对标记样本类别的特征向量同时获取标签和选择矩阵，构建基于损失函数和
未标记样本的概率分布矩阵的目标函数；
步骤四：基于建立的目标函数采用迭代算法对选择矢量β和未标记样本最小滤深度yu的
类别概率矩阵进行优化，完成高分辨率遥感图像的特征选择。
2.根据权利要求1所述的面向高分辨率遥感图像的有效半监督特征选择方法，其特征
在于，特征数据集合X表达式为：
其中xi是对应于第i个样本的m个特征向量形成的特征向量组，为空间集合，i＝1,2,
3,…,v+q。
3.根据权利要求2所述的面向高分辨率遥感图像的有效半监督特征选择方法，其特征
在于，
对特征数据集合X中抽取的v个特征向量组中的特征向量组xi标记样本类别的标记矩阵
为yi，yij表示yi的第j个元素；使每个特征向量组xi中的每个特征向量具有不同的样本类别
标记，j＝1,2,3,…,m；
对于标记样本：若1<i<v，当xi和第j个yij样本类别相结合时yij＝1，否则yij＝0；
对于未标记样本：若i>v或者0≤yij≤1，则对于平衡类概率的总和式中c为标记样本的样本类别总数量。
4.根据权利要求3所述的面向高分辨率遥感图像的有效半监督特征选择方法，其特征
在于，
将未标记样本的样本类别标记为0，对于i>v，初始阶段设定yij＝0；
使loss(·)为损失函数，Ω(W)为正则项，λ为正则项系数，则目标函数为：
min Σ i l o s s ( x i , y i ) + λ Ω ( W ) , ]]>损失函数选择最小二次回归，通过使用限制规范化和最小二乘法损失函数，
目标函数变形为：
min | | y i - ...
【专利技术属性】
技术研发人员：陈曦，张晔，宋琳，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江;23
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。