基于mRMR和KPCA的遥感图像特征降维方法技术

本发明专利技术公开了一种基于mRMR和KPCA的遥感图像特征降维方法，属于遥感图像处理技术领域。本发明专利技术遥感图像特征降维方法首先使用mRMR方法对遥感图像的原始特征集进行特征选择，得到遥感图像特征的初始子集；然后使用KPCA方法对遥感图像特征的初始子集进行进一步降维，得到遥感图像特征的优化子集。本发明专利技术还公开了一种基于mRMR和KPCA的遥感图像特征降维装置以及一种遥感图像分类方法、装置。本发明专利技术将特征选择方法与特征变换方法进行有机结合来进行遥感图像特征降维，在有效解决遥感图像的“维灾难”问题的同时，可有效提高遥感图像的分类精度。

【技术实现步骤摘要】

本专利技术涉及遥感图像处理
，尤其涉及一种遥感图像特征降维方法。
技术介绍
随着对地观测技术的发展，遥感数据日益多元化，呈现出明显的体量大、时效强、类型杂、难辨真伪以及潜在价值大等“大数据”特征。国际数据资讯公司(International Data Corporation，IDC)的最新研究指出，过去几年全球新增的数据有95％是不精确的、远超出正常数据处理规模的非结构化数据。并且，目前对遥感数据的利用率尚未达到10％，造成对资源的极度浪费和“维灾难”问题。因此，如何在保证地物识别率不下降的同时，高效地从高分遥感数据中挖掘出具有鉴别能力的信息，是值得研究的重要课题。作为解决“维灾难”的手段，数据挖掘(Data Mining，DM)一经提出便迅速发展成为相当活跃的领域。DM解决该问题的手段在于利用特征空间的高维混合性实现维数的约简，其主要包括特征选择方法和特征变换方法。前者能够有效剔除冗余信息，降低噪声影响。然而，即使最终只剩下两个单独最优特征，也未必保证是最好的特征组合，甚至会表现最差。并且存在小样本、目标特征子集维度、新数据类型等问题，此外，高分遥感图像的谱、直方图等特征需要通过变换才能得到；后者通过映射或变换等方式将高维空间的数据转换到低维空间，能够更多地兼顾图像数据的高阶统计信息，尤其是针对非全局线性数据具有很强的分类能力。但是，遥感图像没有统一的固定结构，并且具有模糊性、高分辨率及图像理解的多义性等特点。综上可知，单独使用特征选择方法或特征变换方法对高维遥感图像特征进行降维的方式均存在一些不足之处。
技术实现思路
本专利技术所要解决的技术问题在于克服现有技术不足，提供一种基于mRMR(minimum Redundancy-Maximum Relevance，最小冗余最大相关)和KPCA(Kernel Principal Component Analysis，核主成分分析)的遥感图像特征降维方法，将特征选择方法与特征变换方法进行有机结合来进行遥感图像特征降维，在有效解决遥感图像(尤其是高分辨率遥感图像)的“维灾难”问题的同时，可有效提高遥感图像的分类精度。本专利技术具体采用以下技术方案解决上述技术问题：基于mRMR和KPCA的遥感图像特征降维方法，首先使用mRMR方法对遥感图像的原始特征集进行特征选择，得到遥感图像特征的初始子集；然后使用KPCA方法对遥感图像特征的初始子集进行进一步降维，得到遥感图像特征的优化子集。根据相同的专利技术思路还可以得到以下技术方案：一种遥感图像分类方法，在训练阶段，首先提取遥感图像训练样本的图像特征，并以所提取图像特征作为分类模型的输入，以遥感图像训练样本所属类别作为分类模型的预期输出，对分类模型进行训练，训练完毕后的分类模型即为遥感图像分类器；在分类阶段，首先提取遥感图像测试样本的图像特征，并以所提取图像特征作为所述遥感图像分类器的输入，遥感图像分类器的输出即为所述遥感图像测试样本的类别；所述图像特征为通过以上技术方案所述遥感图像特征降维方法对遥感图像的原始图像特征进行特征降维得到。基于mRMR和KPCA的遥感图像特征降维装置，包括：mRMR特征选择模块，用于使用mRMR方法对遥感图像的原始特征集进行特征选择，得到遥感图像特征的初始子集；KPCA特征降维模块，用于对mRMR特征选择模块所输出的遥感图像特征的初始子集进行非线性特征变换，得到遥感图像特征的优化子集。一种遥感图像分类装置，包括特征提取单元和遥感图像分类器；所述特征提取单元用于提取遥感图像的图像特征，并将所提取的图像特征输入遥感图像分类器；所述遥感图像分类器通过以下方法预先训练得到：首先提取遥感图像训练样本的图像特征，并以所提取图像特征作为分类模型的输入，以遥感图像训练样本所属类别作为分类模型的预期输出，对分类模型进行训练，训练完毕后的分类模型即为遥感图像分类器；所述特征提取单元包括原始特征提取模块以及如上所述遥感图像特征降维装置，原始特征提取模块用于提取遥感图像的原始图像特征，所述遥感图像特征降维装置用于对原始特征提取模块所提取的遥感图像的原始图像特征进行特征降维。相比现有技术，本专利技术技术方案具有以下有益效果：本专利技术针对遥感图像的特点，将特征选择方法与特征变换方法进行有机结合：首先利用mRMR方法对遥感图像的原始特征集进行特征选择，找出与类别相关性最大同时相互之间冗余性最小的初始子集；然后利用核主成分分析方法对初始子集进行进一步降维。本专利技术在有效解决遥感图像(尤其是高分辨率遥感图像)的“维灾难”问题的同时，可有效提高遥感图像的分类精度。附图说明图1为具体实施方式中本专利技术的遥感图像特征降维流程示意图；图2为采用不同特征降维方案的遥感图像分类准确率对比；图3为采用不同特征降维方案的特征降维效果对比。具体实施方式下面结合附图对本专利技术的技术方案进行详细说明：为了解决现有遥感图像特征降维技术单独采用特征选择方法或特征变换方法的不足，本专利技术将特征选择方法与特征变换方法进行有机结合来对遥感图像进行特征降维，该方法主要包括两个步骤：1)采取最小冗余最大相关(mRMR)方法对原始特征集进行相关性分析，初步筛选并生成初始子集，以消除部分冗余和不相关的特征；2)利用核主成分分析(KPCA)方法对初始子集进行非线性变换，以得到更多需要变换才能得到的特征信息，进而得到优化后的特征子集。本专利技术的遥感图像特征降维方法，如图1所示，具体包括以下步骤：步骤1、使用mRMR方法对遥感图像的原始特征集进行特征选择，得到遥感图像的初始子集：遥感数据具有高维性与非结构化性，严重影响对图像的分类性能及效率，造成遥感信息的大量冗余。而直接保留少部分原始特征会丢失图像内或图像间的各种隐含关系，不利于后续操作获得遥感数据的非线性特征。也就是说，初步剔除部分冗余特征而保留大部分原始特征有利于后续操作获得遥感数据的非线性特征。由于基于互信息理论的mRMR方法最大化特征子集与类别相关性的同时能够最小化特征之间的冗余性，因此，本专利技术采用mRMR方法初步消除部分冗余和不相关的特征，从而确定遥感图像的初始子集。mRMR方法[Peng H,Long F,Ding C.Feature selection based on mutual information criteria of max-dependency,max-relevance,and min-redundancy[J].IEEE Transactions on pattern analysis and machine intelligence,2005,27(8):1226-1238.]基于最大依赖性选取优化子集，假设从初始特征中选择最小特征子集S＝{x1,x2,...,xi,xi+1,...,xm本文档来自技高网...

【技术保护点】
基于mRMR和KPCA的遥感图像特征降维方法，其特征在于，首先使用mRMR方法对遥感图像的原始特征集进行特征选择，得到遥感图像特征的初始子集；然后使用KPCA方法对遥感图像特征的初始子集进行进一步降维，得到遥感图像特征的优化子集。

【技术特征摘要】
1.基于mRMR和KPCA的遥感图像特征降维方法，其特征在于，首先使用mRMR方法对遥感图像的原始特征集进行特征选择，得到遥感图像特征的初始子集；然后使用KPCA方法对遥感图像特征的初始子集进行进一步降维，得到遥感图像特征的优化子集。2.一种遥感图像分类方法，在训练阶段，首先提取遥感图像训练样本的图像特征，并以所提取图像特征作为分类模型的输入，以遥感图像训练样本所属类别作为分类模型的预期输出，对分类模型进行训练，训练完毕后的分类模型即为遥感图像分类器；在分类阶段，首先提取遥感图像测试样本的图像特征，并以所提取图像特征作为所述遥感图像分类器的输入，遥感图像分类器的输出即为所述遥感图像测试样本的类别；其特征在于，所述图像特征为通过权利要求1所述遥感图像特征降维方法对遥感图像的原始图像特征进行特征降维得到。3.基于mRMR和KPCA的遥感图像特征降维装置，其特征在于，包括：mRMR特征选择模块，用于...

【专利技术属性】
技术研发人员：郝立，李会敏，李士进，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32