基于张量核范数矩阵回归投影的高光谱图像特征提取方法技术

本发明专利技术公开的一种基于张量核范数矩阵回归投影的高光谱图像特征提取方法，首先通过窗口填充策略对原始高光谱图像数据进行预处理，以防止高光谱图像边缘像素信息的丢失，然后，利用基于核范数的矩阵回归模型NMR自适应地构建块

【技术实现步骤摘要】
基于张量核范数矩阵回归投影的高光谱图像特征提取方法


[0001]本专利技术属于模式识别领域，具体涉及一种基于张量核范数矩阵回归投影的高光谱图像特征提取方法。

技术介绍

[0002]高光谱遥感技术是上80年代初发展起来的新兴技术，目前已成为遥感科学领域最热门的前沿课题之一。高光谱技术具有较高的光谱分辨率，可以同时获取地物的空间特征和光谱特征，实现地物的精细分类。高光谱技术已应用于植物病害检测、矿物探勘、军事、生物医学等各个领域。然而，高光谱图像数据的高维特性会导致休斯现象，这给高光谱图像分类带来了巨大的挑战。
[0003]使用特征提取方法可以有效解决上述问题，特征提取在保留数据的重要信息的同时能约简数据的维度。近年来，诸多学者致力于高光谱图像特征提取方法的研究。目前有应用的很广泛的线性特征提取算法，如主成分分析方法(Principal Component Analysis，PCA)、线性鉴别分析法(Linear Discriminant Analysis，LDA)等。PCA用几个综合因子去表示原始的复杂数据变量，这些综合因子能尽可能地反映本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于张量核范数矩阵回归投影的高光谱图像特征提取方法，其特征在于，包括以下步骤：步骤1、数据预处理选用公开的遥感影像高光谱数据集作为原始高光谱图像数据，给定数据集其中，W、H是两个空间维度，d是光谱维度，该数据集中的图像总共包含N＝W
×
H个像素点，其中，地物像素的个数为N
g
，背景像素的个数为N
b
＝N
‑
N
g
；图像中的地物像素用于后续的特征提取和分类操作，地物像素共有C类；地物像素的个数为每类地物像素的个数之和，即：N
g
＝N1+N2+
…
+N
C
，其中，N1为第1类地物像素的个数，N2为第2类地物像素的个数，N
C
为第C类地物像素的个数；将N
g
个地物像素表示为以第i个像素点为中心、以w
×
w为正方形窗口大小的张量表示，记为其中，w为正方形窗口的边长，i的取值范围是1,2,
…
,N
g
；为了使高光谱图像四周的边缘像素点能够保留完整的空间信息，采用窗口填充策略对原始高光谱图像数据进行预处理，窗口填充策略以原始高光谱图像的四条边缘为起点，向外扩充自边缘起长度为边缘长度、宽度为w/2的图像内容，得到能够保留高光谱图像四周的边缘像素点的空间信息的张量数据，将地物像素的张量数据集称为块
‑
张量样本组；步骤2、训练样本集和测试样本集划分将预处理后的原始高光谱图像数据划分为训练样本集和测试样本集，划分规则为：从步骤1得到的块
‑
张量样本组中的每类地物像素样本中随机选择n％作为训练样本集每类地物像素样本中的剩余部分100％
‑
n％作为测试样本集其中，n为百分比值，N
train
＝N1×
n％+N2×
n％+
…
+N
C
×
n％，N
test
＝N
g
‑
N
train
，j的取值范围是1,2,
…
,N
train
，k的取值范围是1,2,
…
,N
test
；步骤3、张量数据展开及维数约简依据模
‑
3展开原则对训练样本集中的和测试样本集中的进行展开，将展开为将展开为得到训练样本集和测试样本集再将展开后的训练样本集中的每个X
j
以向量形式组成训练样本矩阵将展开后的测试样本集中的每个Y
k
以向量形式组成测试样本矩阵其中，m＝w
×
w
×
d；之后，采用主成分分析方法PCA对X
train
和Y
test
进行维数约简，设定PCA转换矩阵为将约简后的X
train
和Y
test
分别表示为和其中，m
’
代表经过PCA降维后的低维子空间的维数；步骤4、低维潜在特征的提取为了寻找维数约简后的训练样本矩阵中包含光谱
‑
空间结构信息的具有鉴别性的低维潜在特征，首先，利用基于核范数的矩阵回归模型NMR自适应地构建块
‑
张量样本的邻域图，接着，利用计算得出的最优稀疏编码系数获得构图的权重矩阵，其次，采用基于张量
表示的投影方法，得到最终的投影矩阵，以提...

【专利技术属性】
技术研发人员：邱虹，金恒，王仁芳，高广，程徐，
申请(专利权)人：浙江万里学院，
类型：发明
国别省市：