The invention provides a selection method of discriminant information and manifold information of hyperspectral image band based, mainly solves the problem that the existing band selection method fails to effectively use the data manifold information, data loss of original physical significance and the existence of error accumulation problem. The method comprises the following steps: 1) the hyperspectral image is transformed into two-dimensional matrix Y; 2) normalized two-dimensional matrix X of Y; 3) were constructed according to the X kernel K and linear discriminant expression; 4) 3) according to the results of Figure 5) with regular matrix G; G iteration coefficient W matrix; 6) to determine the number of iterations in K is greater than or equal to the maximum number of iterations, if the final output, W, 7), otherwise, k = k+1, 5); return 7) according to the W calculation of all new X band score matrix
【技术实现步骤摘要】
基于判别信息和流形信息的高光谱图像波段选择方法
本专利技术属于图像处理领域,具体涉及的是一种对高光谱图像进行波段选择的方法,可用于对农业、地质、大气和水文等领域中涉及的高光谱图像的预处理。
技术介绍
受益于高光谱成像技术的飞速发展和成像质量的不断提升,高光谱图像在农业、地质、大气和水文等领域得到了越来越广泛的应用,图像中所包含的信息也越来越丰富。另一方面,丰富的图像信息也带来了数据量大、波段冗余等问题,制约了高光谱图像的存储、传输和处理。目前,国内外已经提出了不少高光谱波段选择方法来解决上述问题。V.Kumar等人在其发表的论文“Bandselectionforhyperspectralimagesbasedonself-tuningspectralclustering”(EUSIPCO,2013:1-50)中提出了一种基于自调整谱聚类的技术用于高光谱的波段选择。该方法可以大致总结为两个步骤:第一步,使用谱聚类方法把相似的波段归为一类,总共得到若干个类簇;第二步,利用主成分分析法分别处理每个类簇,计算得到每个类簇对应的特征向量基,该特征向量基就代表了对应类簇的低维表示。当合并所有类簇的特征向量基后,就得到了原始数据集低维下的表示矩阵,从而达到降维的目的。此方法的一个优点是算法简洁易于实现,能够较好去除冗余;另一个优点是分块处理不同类簇,易于并行计算,提高运行效率。但是此方法的缺点是第二步的主成分分析受到第一步谱聚类的影响,计算误差会累积,对最后的波段选择结果造成了不利影响;此外,由于第二步的主成分分析生成了全新的特征,丢失了原始数据的物理意义,可解释性变差 ...
【技术保护点】
一种基于判别信息和流形信息的高光谱图像波段选择方法,包括如下步骤:(1)输入高光谱图像I并将其转化为二维数据矩阵Y;(2)对二维数据矩阵Y做归一化处理,得到原始空间中归一化的二维数据矩阵X;(3)使用映射函数φ把原始空间中的二维数据矩阵X表示为高维线性可分空间中对应的形式,并使用核技巧方法构建能表达该形式的核函数K;(4)计算高维空间下数据的总散度矩阵
【技术特征摘要】
1.一种基于判别信息和流形信息的高光谱图像波段选择方法,包括如下步骤:(1)输入高光谱图像I并将其转化为二维数据矩阵Y;(2)对二维数据矩阵Y做归一化处理,得到原始空间中归一化的二维数据矩阵X;(3)使用映射函数φ把原始空间中的二维数据矩阵X表示为高维线性可分空间中对应的形式,并使用核技巧方法构建能表达该形式的核函数K;(4)计算高维空间下数据的总散度矩阵和类内散度矩阵并将其散度矩阵代入标准线性判别模型中,得到高维空间下的线性判别表达式其中:μ是不等于0的判别参数,In是单位矩阵,n是数据集中的样本数量,tr(·)是矩阵的秩,(·)-1是矩阵的逆;(5)计算一个同时包含数据判别信息和流形信息的图正则矩阵G:(5a)通过一个常数表达式tr(HTCnH)对步骤(4)得到的线性判别表达式做等价变换,得到线性判别表达式的初次等价变换式:其中:Cn是置中心矩阵,H是伪标签矩阵,矩阵(·)T是(·)的转置矩阵;(5b)使用核函数K对初次等价变换式再进一步等价变换,得到线性判别表达式的最终等价变换式:tr(HT(Cn-CnT(Cn+μK-1)-1Cn)H);(5c)根据流形学习理论,计算出等价变换后的线性判别表达式中同时带有判别信息和流形信息的图正则矩阵:G=Cn-CnT(Cn+μK-1)-1Cn;(6)利用图正则矩阵G,使用更新迭代的方法计算系数表示矩阵W:(6a)初始化系数表示矩阵W和伪标签矩阵H为元素值符合高斯分布的随机矩阵,初始化与W有关联的中间变量U为单位矩阵;(6b)设置最大更新迭代次数为150,并设置当前迭代次数为k=0;(6c)利用中间变量U的更新公式计算当前迭代k下的中间变量矩阵U(k),其中:是W的行向量的l2范数,uii是U中第i行第i列元素;(6d)利用伪标签矩阵变量H的更新公式计算当前迭代下的伪标签矩阵H(k),其中:hij是H中第i行第j列元素,G+=(|G|+G)/2,G-=(|G|-G)/2,λ称为自由参数,取值范围是108~1012,β称为约束项平衡参数,取值范围是10-2~103;(6e)利用系数表示矩阵变量W的更新公式计算当前迭代下的系数表示矩阵W(k),其中:wij是W中第i行第j列元素,α称为回归项平衡参数,取值范围是0.1~3;(7)判断当前迭代次数k是否大于等于最大迭代次数,若是,输出最终的系数表示矩阵W,执行(8),否则,令k=k+1,返回步骤(6c);(8)完成整个波段选择过程:(8a)计算每个波...
【专利技术属性】
技术研发人员:尚荣华,刘驰旸,焦李成,王蓉芳,马文萍,王爽,侯彪,刘红英,
申请(专利权)人:西安电子科技大学,
类型:发明
国别省市:陕西,61
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。