The invention discloses a hyperspectral image classification method based on local linear embedding, 1) to reconstruct the training samples for each data point using similar neighbor points; 2) map reconstruction using the neighborhood data points and the corresponding points to construct neighborhood class figures, within class diagram, class diagram and reconstruction between classes; 3) in the low dimensional embedding space, keep the structure of class and within class graph reconstruction figure unchanged map reconstruction graph and the structural relationship between inhibition between classes, get a projection matrix from high-dimensional space to low dimensional space; 4) through the projection matrix, get the low dimensional embedding feature of training samples 5); through the projection matrix, the test sample of high-dimensional data, the test sample of low dimensional embedding; 6) are classified by the classifier to test samples of low dimensional embedding, high spectral image classification results. The invention can better describe the intrinsic attributes of the hyperspectral images, and can extract the identification features more effectively and improve the data separability.
【技术实现步骤摘要】
基于局部流形嵌入的高光谱图像分类方法
本专利技术涉及高光谱图像分类,具体涉及一种基于局部流形嵌入的高光谱图像分类方法,属于高光谱图像分类
技术介绍
科学研究者们于20世纪80年代初在多光谱遥感的基础上提出了高光谱遥感。高光谱遥感影像的光谱分辨率高达10-2λ数量级(属于纳米级),波段范围从可见光到短波红外,光谱波段数多达数十个甚至数百个以上,高光谱分辨率高的特点使高光谱图像数据相邻波段间的间隔较窄,存在波段重叠区域,光谱通道不再离散而呈现出连续,因此高光谱遥感通常又被称为成像光谱遥感。高光谱遥感不仅可以解决地物大类的识别问题,而且可以进行类内细分或精细光谱特征提取。高光谱遥感影像分类首先需要对待测数据进行特征提取,实现维数约简,然后再对提取出来的特征进行分类。高光谱遥感影像是由成像光谱仪获取的,含有丰富的信息,给地物研究带来了新的机遇。但由于高光谱遥感影像数据量大、数据间相关性强、冗余度大、维数高、信息隐含,传统分类方法很易导致Hughes现象,即“维数灾难”。因此,如何从高维数据中有效地提取出隐含特征,降低数据维数成为高光谱遥感影像在数据处理方面研究的重点。1、流形学习方法以统计学原理为基础提出的特征提取方法主要是利用数据的统计特征,忽略了数据的几何分布。为揭示数据的内在结构,研究者提出了“流形(Manifold)”的概念,它属于欧氏空间的一个推广概念,流形上的每个点在欧氏空间中都具有与其同胚的点,也就是流形可以通过大量的欧氏空间块粘结在一起。流形包含了拓扑学、数学分析、微分几何、代数学等学科,已是现代科学研究的基础工具。流形在数学上可定义为: ...
【技术保护点】
基于局部流形嵌入的高光谱图像分类方法,其特征在于,包括如下步骤:1)选择类别标签已确定的训练样本X=[x
【技术特征摘要】
1.基于局部流形嵌入的高光谱图像分类方法,其特征在于,包括如下步骤:1)选择类别标签已确定的训练样本X=[x1,x2,…,xN],li为xi的类别标签,对训练样本各数据点利用同类近邻点进行重构;2)利用各数据点的邻域以及各邻域点对应的重构点来构建类内图、类内重构图、类间图和类间重构图;3)在低维嵌入空间中,保持类内图和类内重构图的结构不变,抑制类间图和类间重构图的结构关系,得到从高维空间到低维空间的投射矩阵;4)通过步骤3)得到的投影矩阵,将训练样本的高维数据降维,得到训练样本的低维嵌入特征;5)通过步骤3)得到的投影矩阵,将待分类的高光谱图像作为测试样本并将测试样本的高维数据降维,得到测试样本低维嵌入;6)根据步骤4)得到的训练样本的低维嵌入特征并结合选取的分类器,即可对测试样本的低维嵌入进行分类,得到高光谱图像分类结果。2.根据权利要求1所述的基于局部流形嵌入的高光谱图像分类方法,其特征在于:步骤1)对训练样本各数据点利用同类近邻点进行重构的方法为,对训练样本每个数据点xi,从来自同类的数据中选取k1个近邻点来重构xi,重构点为式中,sij为数据点xi与xj之间的重构权值,且si=[si1,si2,…,siN]T;若xi与xj为同类近邻,sij≠0,否则sij=0,其定义为:式中,归一化值3.根据权利要求1所述的基于局部流形嵌入的高光谱图像分类方法,其特征在于:步骤2)中类内图、类内重构图、类间图和类间重构图的构建如下,构建类内图Gw={X,Ww},X为图的顶点,若图中两顶点xi和xj属于来自同类数据的k1近邻,则在xi和xj之间构建一条连接边,否则,xi和xj之间无边,边的权值为表示xi和xj间的相似关系,定义为:式中,参数构...
【专利技术属性】
技术研发人员:黄鸿,罗甫林,段宇乐,石光耀,
申请(专利权)人:重庆大学,
类型:发明
国别省市:重庆,50
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。