一种适用于高光谱影像的特征提取方法技术

本发明专利技术涉及高光谱影像特征提取技术领域，尤其涉及一种适用于高光谱影像的特征提取方法，包括以下步骤：S1、预处理采集的高光谱影像，获得数据集；S2、基于最小二乘支持向量机原则构建特征提取模型，对数据集进行特征提取；S3、分别得到数据集中的光谱特征和空间信息。本发明专利技术的适用于高光谱影像的特征提取方法，通过对高光谱影像进行预处理，初步确定待提取的特征数据，利用构建的特征提取模型进行二次提取，并结合贝叶斯策略进行三次判断验证，以确保提取的特征是光谱影像明显的、唯一的识别点，由此，在提高特征提取准确度的同时，也提高了关于光谱影像识别分析的精确度，为进一步研究光谱影像工作带来了积极的意义。究光谱影像工作带来了积极的意义。究光谱影像工作带来了积极的意义。

【技术实现步骤摘要】
一种适用于高光谱影像的特征提取方法


[0001]本专利技术涉及高光谱影像特征提取
，尤其涉及一种适用于高光谱影像的特征提取方法。

技术介绍

[0002]现如今，一系列高光谱成像系统在国际上被研制成功并获得了广泛应用，但是在实际运用中依然存在不少的问题。
[0003]中国专利CN110929643A公开了一种基于多特征和孤立树的高光谱异常检测方法，虽然能够进行常规的检测，但是仍然存在光谱影像识别分类不准确的问题。

技术实现思路

[0004]为了解决现有技术所存在的问题，本专利技术提供了一种适用于高光谱影像的特征提取方法，在提高特征提取准确度的同时，也提高了关于光谱影像识别分析的精确度。
[0005]为解决上述技术问题，本专利技术提供以下技术方案：
[0006]一种适用于高光谱影像的特征提取方法，包括以下步骤：
[0007]S1、预处理采集的高光谱影像，获得数据集；
[0008]S2、基于最小二乘支持向量机原则构建特征提取模型，对数据集进行特征提取；
[0009]S3、分别得到数据集中的光谱特征和空间信息。
[0010]进一步的，特征提取模型在特征提取之前需进行训练，待满足训练要求时，输出训练完成的目标函数作为所述特征提取模型进行特征提取。
[0011]进一步的，构建特征提取模型的步骤为：
[0012]利用最小二乘支持向量机选取径向基函数作为特征提取模型的目标函数，如下式：
[0013][0014]其中，x＝{x1；x2；L；x
14
}：采集数据的高光谱影像特性向量组成的光谱特性矩阵，y：高光谱影像的光谱特性向量和空间信息，σ：核宽度，反应了分布、范围特性。
[0015]进一步的，还包括以下步骤：
[0016]初始化惩罚参数C和核宽度σ，利用数据集对目标函数进行训练和测试；
[0017]设定精度要求，若目标函数精度未达到要求，则根据误差对初始化惩罚参数C和核宽度σ进行赋值优化，直到测试数据精度达到精度要求；
[0018]设定阈值并输出训练完成的目标函数，将其作为特征提取模型。
[0019]进一步的，测试数据精度是否达到精度要求时，基于贝叶斯概率策略构建测试模型，表达公式如下：
[0020][0021]其中，j：达到所述精度要求的数据数量，int{x％
×
365}：向上取整函数，x％：误差发生概率。
[0022]进一步的，预处理包括以下步骤：
[0023]根据纹理信息将高光谱影像中的每一条扫描线进行重新排列，完成几何校正；
[0024]将其反射信息从大气和太阳的信息中分离出来，完成大气辐射校正。
[0025]进一步的，还包括以下步骤：
[0026]利用高通滤波器对高光谱影像进行滤波处理，得到噪声协方差矩阵CN，将其对角化为矩阵DN，表达公式如下：
[0027]D
N
＝U
T
C
N
U
[0028]其中，DN为CN的特征值按照降序排列的对角矩阵，U为由特征向量组成的正交矩阵，进一步变换得到：
[0029]I＝P
T
C
N
P
[0030][0031]其中，I为单位矩阵，P为变换矩阵，当P应用于影像数据X时，通过Y＝PX变换，将原始影像投影到新的空间，产生的变换数据中的噪声具有单位方差，且波段间不相关。
[0032]进一步的，还包括以下步骤：
[0033]对噪声数据进行标准主成分变换，如下：
[0034]C
D-adj
＝P
T
C
D
P
[0035]其中，CD为影像X的协方差矩阵，CD-adj为经过P变换后的矩阵，进一步将其对角化为矩阵DD-adj，如下：
[0036]D
D-adj
＝V
T
C
D-adj
V
[0037]其中，DD-adj为CD-adj的特征值按照降序排列的对角矩阵，V为由特征向量组成的正交矩阵，得到MNF的变换矩阵TMNF，TMNF＝PV。
[0038]进一步的，提取的特征类型包括点特征、线特征、面特征和多特征融合。
[0039]进一步的，特征利用角点、边缘线、同质性区域进行区分提取。
[0040]相对于现有技术，本专利技术的有益效果为：
[0041]本专利技术通过对高光谱影像进行预处理，初步确定待提取的特征数据，利用构建的特征提取模型进行二次提取，并结合贝叶斯策略进行三次判断验证，以确保提取的特征是光谱影像明显的、唯一的识别点，由此，在提高特征提取准确度的同时，也提高了关于光谱影像识别分析的精确度，为进一步研究光谱影像工作带来了积极的意义。
附图说明
[0042]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0043]图1为本专利技术的适用于高光谱影像的特征提取方法的流程示意图；
[0044]图2为本专利技术的适用于高光谱影像的特征提取方法的实验误差对比曲线示意图。
具体实施方式
[0045]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本专利技术的具体实施方式做详细的说明，显然所描述的实施例是本专利技术的一部分实施例，而不是全部实施例。基于本专利技术中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术的保护的范围。
[0046]在下面的描述中阐述了很多具体细节以便于充分理解本专利技术，但是本专利技术还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本专利技术内涵的情况下做类似推广，因此本专利技术不受下面公开的具体实施例的限制。
[0047]其次，此处所称的“一个实施例”或“实施例”是指可包含于本专利技术至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
[0048]本专利技术结合示意图进行详细描述，在详述本专利技术实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本专利技术保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
[0049]同时在本专利技术的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种适用于高光谱影像的特征提取方法，其特征在于，包括以下步骤：S1、预处理采集的高光谱影像，获得数据集；S2、基于最小二乘支持向量机原则构建特征提取模型，对数据集进行特征提取；S3、分别得到数据集中的光谱特征和空间信息。2.根据权利要求1所述的适用于高光谱影像的特征提取方法，其特征在于，特征提取模型在特征提取之前需进行训练，待满足训练要求时，输出训练完成的目标函数作为所述特征提取模型进行特征提取。3.根据权利要求2所述的适用于高光谱影像的特征提取方法，其特征在于，构建特征提取模型的步骤为：利用最小二乘支持向量机选取径向基函数作为特征提取模型的目标函数，如下式：其中，x＝{x1；x2；L；x
14
}：采集数据的高光谱影像特性向量组成的光谱特性矩阵，y：高光谱影像的光谱特性向量和空间信息，σ：核宽度，反应了分布、范围特性。4.根据权利要求3所述的适用于高光谱影像的特征提取方法，其特征在于，还包括以下步骤：初始化惩罚参数C和核宽度σ，利用数据集对目标函数进行训练和测试；设定精度要求，若目标函数精度未达到要求，则根据误差对初始化惩罚参数C和核宽度σ进行赋值优化，直到测试数据精度达到精度要求；设定阈值并输出训练完成的目标函数，将其作为特征提取模型。5.根据权利要求4所述的适用于高光谱影像的特征提取方法，其特征在于，测试数据精度是否达到精度要求时，基于贝叶斯概率策略构建测试模型，表达公式如下：其中，j：达到所述精度要求的数据数量，int{x％
×
365}：向上取整函数，x％：误差发生概率。6.根据权利要求5所述的适用于高光谱影像的特征提取方法，其特征在于，预处理包括以下步骤：根据纹理信息将高光谱影像中的每一条扫描线进行重新排列，完成几何校正；将其反...

【专利技术属性】
技术研发人员：张雨，徐杞斌，陈亮，王一名，蔡坚松，谭健铭，曾繁荣，
申请(专利权)人：广东电网有限责任公司肇庆供电局，
类型：发明
国别省市：