【技术实现步骤摘要】
无监督高光谱遥感图像空谱特征提取方法
本专利技术涉及精确农业、矿物勘探、大气监测、以及环境监控等诸多领域的遥感图像处理技术，尤其是适用于高光谱遥感图像的无监督空谱特征提取方法。
技术介绍
高光谱遥感技术作为当今遥感
的重要组成部分，在资源探索、地质矿物识别和环境检测等诸多领域得到了广泛应用。近年来，随着遥感平台和传感器的不断进步，人们获取高光谱遥感影像的能力不断提高。高光谱影像中可以获取每个像素近似连续的光谱曲线，这些光谱曲线能够较好地反映地物的属性信息，这就为地物的精细分类提供了可能。但近似连续的光谱曲线导致了高光谱影像具有高维的数据特点，且在高光谱影像中获取标记数据较为困难，可用于训练的标记样本数量较少。训练样本的缺乏是影响高光谱遥感图像分类效果的直接因素之一，高维的数据结构和较少的训练样本数量给高光谱影像分类带来了极大的挑战。主要面临的问题有：1、高光谱图像光谱维度高，数据冗余大；2、高光谱数据呈现复杂的非线性特性；3、训练样本缺乏；4、“同谱异物”和“同物异谱”现象仍然存在。其中“同谱异物”和“同物异谱”现象使...
【技术保护点】
1.一种无监督高光谱遥感图像空谱特征提取方法，其特征在于，包括如下步骤：/n首先对输入高光谱遥感图像，按指定尺度进行不重叠分割，将原始图像分割成相同大小不重叠的子图像块，并对每个子图像块进行张量鲁棒性投影学习运算，得到低维特征表示的低维投影矩阵；挖掘每个数据块的低维表示特征，以三阶张量运算完成高光谱数据的空间结构挖掘，将低维投影融入张量鲁棒性主成分分析模型，构建无监督张量鲁棒性投影学习模型，然后基于上述投影学习模型，采用交替方向乘子法优化求解，在滤除噪声的同时挖掘数据的低维子空间结构，获得每个子图像块的低维特征；然后对重构后的低维数据按设定比例划分训练集和测试集，利用最近邻...
【技术特征摘要】
1.一种无监督高光谱遥感图像空谱特征提取方法，其特征在于，包括如下步骤：
首先对输入高光谱遥感图像，按指定尺度进行不重叠分割，将原始图像分割成相同大小不重叠的子图像块，并对每个子图像块进行张量鲁棒性投影学习运算，得到低维特征表示的低维投影矩阵；挖掘每个数据块的低维表示特征，以三阶张量运算完成高光谱数据的空间结构挖掘，将低维投影融入张量鲁棒性主成分分析模型，构建无监督张量鲁棒性投影学习模型，然后基于上述投影学习模型，采用交替方向乘子法优化求解，在滤除噪声的同时挖掘数据的低维子空间结构，获得每个子图像块的低维特征；然后对重构后的低维数据按设定比例划分训练集和测试集，利用最近邻分类器对测试集进行分类，得到测试样本的判别类别；最后通过测试样本的分类效果来评价无监督张量鲁棒性投影学习模型特征提取的性能，实现对高光谱遥感图像的无监督空谱特征提取。
2.如权利要求1所述的无监督高光谱遥感图像空谱特征提取方法，其特征在于：原始高光谱图像的数据格式为.mat格式，是一个维度大小为H×W×D三维数据矩阵，H和W分别表示高光谱数据的两个空间维度，D表示光谱维度。
3.如权利要求1或2所述的无监督高光谱遥感图像空谱特征提取方法，其特征在于：为了更加有效地提取低维特征，设行方向和列方向的切割尺度均为w，将输入的高光谱影像分割成不重叠的子图像块；切割的子图像块X的大小为w×w，最终得到子图像块的总数量为r×s个，并且按列方向切割的子图像个数按行方向切割的子图像个数
4.如权利要求1所述的无监督高光谱遥感图像空谱特征提取方法，其特征在于：对第i个子图像块X构建无监督张量鲁棒性投影学习模型，利用子图像X分解出的低秩分量L、稀疏判别分量S、稀疏噪声E和分别表示三阶张量每个方向上的因子矩阵U1、U2、U3，得到如下张量鲁棒性投影学习模型：
式中，β和λ分别为正则化参数，s.t.表示subjectto，后接目标函数的约束条件，||L||*表示张量核范数，||E||1表示张量l1的范数，T表示矩阵的转...
【专利技术属性】
技术研发人员：潘磊，李恒超，代翔，黄细凤，杨露，廖泓舟，
申请(专利权)人：西南电子技术研究所中国电子科技集团公司第十研究所，
类型：发明
国别省市：四川;51
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。