【技术实现步骤摘要】
无监督高光谱图像隐低秩投影学习特征提取方法
本专利技术涉及航空、航天、农业管理、灾害预报、环境监测、资源勘探、土地规划与利用、灾害动态监测、农作物估产、气象预报等很多领域的遥感图像处理技术，具体涉及无监督高光谱图像隐低秩投影学习特征提取方法。
技术介绍
高光谱图像具有图谱合一的特点，是近期国内外发展起来的新的遥感技术。与多光谱图像相比，高光谱图像光谱波段数目多、光谱分辨率高、波段宽度窄，能够以较高的可信度区分和辨识地物目标。但是，高光谱图像的这些优点是以其较高的数据维数和较大的数据量为代价的，且高光谱图像波段间相关性较高，造成了信息的冗余。目标识别和分类等图像处理并不一定需要全部的波段来进行，因此对高光谱图像进行数据降维是十分必要的。遥感图像的特征提取是进行遥感图像自动识别的关键技术。遥感是一种远离目标，在不与目标对象直接接触的情况下，通过某种平台上装载的传感器获取其特征信息，然后对所获取的信息进行提取、判定、加工处理及应用分析的综合性技术。它是目前为止能够提供全球范围的动态观测数据的唯一手段。高光谱图像经由成像光谱仪获得。...
【技术保护点】
1.一种无监督高光谱图像隐低秩投影学习特征提取方法，其特征在于，包括如下步骤：/n首先将输入的无样本标签信息的高光谱图像数据按比例划分成训练集和测试集；设计鲁棒性权重函数，计算训练集样本两两之间的光谱相似度，根据训练集构建谱约束矩阵，同时根据局部保持投影规则构建图正则化约束；然后将隐低秩表示模型的行表示系数近似分解，分解成相同尺度的两个矩阵的乘积，并以其中一个矩阵作为投影矩阵，结合谱约束矩阵和图正则化约束构建隐低秩投影学习模型；采用交替迭代乘子法优化求解隐低秩投影学习模型，获取低维投影矩阵，提取测试集低维表示特征；采用支持向量机分类器输出所有测试集样本的类别，将训练集的低维...
【技术特征摘要】
1.一种无监督高光谱图像隐低秩投影学习特征提取方法，其特征在于，包括如下步骤：
首先将输入的无样本标签信息的高光谱图像数据按比例划分成训练集和测试集；设计鲁棒性权重函数，计算训练集样本两两之间的光谱相似度，根据训练集构建谱约束矩阵，同时根据局部保持投影规则构建图正则化约束；然后将隐低秩表示模型的行表示系数近似分解，分解成相同尺度的两个矩阵的乘积，并以其中一个矩阵作为投影矩阵，结合谱约束矩阵和图正则化约束构建隐低秩投影学习模型；采用交替迭代乘子法优化求解隐低秩投影学习模型，获取低维投影矩阵，提取测试集低维表示特征；采用支持向量机分类器输出所有测试集样本的类别，将训练集的低维特征作为支持向量机的训练样本，对测试集的低维特征进行分类，以分类结果的质量评估特征提取的性能。
2.如权利要求1所述的无监督高光谱图像隐低秩投影学习特征提取方法，其特征在于：根据设定的比例，将输入具有(N+M)个样本的高光谱数据，划分成包含N个样本的训练集、M个样本的测试集和M个样本的测试集其中，表示实数空间，d表示样本的光谱维度。
3.如权利要求1所述的无监督高光谱图像隐低秩投影学习特征提取方法，其特征在于：根据训练集，构建谱约束矩阵C和设计谱约束矩阵C中的第ij个元素Cij的鲁棒性权重函数：
式中，xi表示第i个训练样本，xj表示第j个训练样本，dist(xi,xj)表示训练样本xi和训练样本xj之间的欧氏距离，表示任意元素，表示对任意标号为i的样本xi与样本xj之间距离的最大值。
4.如权利要求1所述的无监督高光谱图像隐低秩投影学习特征提取方法，其特征在于：根据局部保持投影规则，
构建图正则化约束表达式
式中，min表示函数最小值，P表示投影矩阵，i和j表示元素标号，∑表示元素之和，表示2范数的平方，xi表示第i个训练样本，xj表示第j个训练样本，T表示矩阵转置，Wij表示图权重矩阵W的第ij个元素，D是对角阵，对角元素是图权重矩阵的每一行或每一列之和，Tr(·)表示矩阵的迹，L表示拉普拉斯矩阵。
5.如权利要求1所述的无监督高光谱图像隐低秩投影学习特征提取方法，其特征在于：隐低秩表示模型表示为：
式中，min表示函数最小值，Z表示列空间表示系数，L表...
【专利技术属性】
技术研发人员：潘磊，黄细凤，廖泓舟，李春豹，陈伟晴，
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。