【技术实现步骤摘要】
高光谱图像降维方法、装置、终端设备及存储介质
本专利技术涉及数据处理领域，特别涉及一种高光谱图像降维方法、装置、终端设备及存储介质。
技术介绍
高光谱图像数据中存在大量冗余的多重共线性信息，因此，在对图像进行分类及异常点检测识别前，需要对高光谱数据进行降维处理以便保留有价值的信息，减少冗余信息，提高图像的分类与识别的效率。针对高光谱图像数据的降维处理问题，常规的处理方法是：特征选择和特征提取。特征选择是直接从原始波段选择若干波段用于后续处理，会损失大量信息，因此，目前更倾向于特征提取。现有文献中，特征提取方法主要包括：主成分分析法(PCA，principalcomponentsanalysis)、线性判别分析(LDA，lineardiscriminantanalysis)，独立成分分析(ICA，independentcomponentanalysis)，局部保持投影(LPP，LocalityPreservingProjections)，近邻保持嵌入(NPE，NeighborhoodPreservingEmbe
【技术保护点】
1.一种高光谱图像降维方法，其特征在于，所述高光谱图像降维方法包括以下步骤：/n确定高光谱图像数据中，每个样本点的a个邻近样本点，所述a为大于等于1的整数；/n基于所述高光谱图像数据中，每个样本点与对应的所述邻近样本点之间的空间距离以及光谱差异，获得对应的权重值；/n基于所述高光谱图像数据中，每个样本点与对应的所述邻近样本点之间的权重值，构建所述高光谱图像数据的邻接矩阵；/n基于所述邻接矩阵获得投影矩阵；/n基于所述投影矩阵获得降维后的高光谱图像数据。/n
【技术特征摘要】
1.一种高光谱图像降维方法，其特征在于，所述高光谱图像降维方法包括以下步骤：
确定高光谱图像数据中，每个样本点的a个邻近样本点，所述a为大于等于1的整数；
基于所述高光谱图像数据中，每个样本点与对应的所述邻近样本点之间的空间距离以及光谱差异，获得对应的权重值；
基于所述高光谱图像数据中，每个样本点与对应的所述邻近样本点之间的权重值，构建所述高光谱图像数据的邻接矩阵；
基于所述邻接矩阵获得投影矩阵；
基于所述投影矩阵获得降维后的高光谱图像数据。
2.如权利要求1所述的高光谱图像降维方法，其特征在于，所述确定高光谱图像数据中，每个样本点的a个邻近样本点之前，所述高光谱图像降维方法还包括：
对所述高光谱图像数据进行平滑滤波。
3.如权利要求2所述的高光谱图像降维方法，其特征在于，所述对所述高光谱图像数据进行平滑滤波的步骤包括：
基于以下公式对所述高光谱图像数据进行平滑滤波：
其中，xi为所述高光谱图像数据中第i个样本点对应的光谱参数，x′i为对所述第i个样本点进行平滑滤波后的光谱参数，vik＝exp(-γ0||xi-xik||2)，γ0为预设参数，||xi-xik||2为xi-xik的二范数，xik为所述第i个样本点对应的空间邻域Ω(xi)中的第k个样本点的光谱参数，
Ω(xi)＝{xi(p,q)|p∈[pi-t,pi+t],q∈[qi-t,qi+t]}，ω为预设领域空间，ω＝2t+1，pi、qi为所述第i个样本点的空间坐标。
4.如权利要求3所述的高光谱图像降维方法，其特征在于，所述确定高光谱图像数据中，每个样本点的a个邻近样本点的步骤包括：
基于以下公式获得所述高光谱图像数据中，任意两个样本点之间的空谱距离：
其中，xj为所述高光谱图像数据中的第j个样本点对应的光谱参数，dss(xi,xj)为所述第i个样本点到所述第j个样本点的空谱距离，
||xik-xj||2为xik-xj的二范数，
||xik-xj||为xik-xj的范数；
根据所述任意两个样本点之间的空谱距离，确定所述高光谱图像数据中，每个样本点的a个邻近样本点。
5.如权利要求1所述的高光谱图像降维方法，其特征在于，所述基于所述高光谱图像数据中，每个样本点与对应的所述邻近样本点之间的空间距离以及光谱差异，获得对应的权重值的步骤包括：
确定所述高光谱图像数据中，每个样本点与对应的所述邻近样本点之间的空间距离；
基于所述高光谱图像数据中，每个样本点与对应的所述邻近...
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。