【技术实现步骤摘要】
本专利技术属于高光谱遥感图像处理
，具体涉及一种基于改进K-均值聚类的半监督高光谱影像降维方法。
技术介绍
高光谱遥感(Hyperspectral Remote Sensing)是指利用很多窄的电磁波波段获取物体有关数据的技术，它是20世纪最后20年人类在对地观测方面取得的重大技术突破之一，也是当前及今后几十年内的遥感前沿技术。与常规多光谱遥感相比，高光谱数据具有数据量大、波段很多很窄、波段相关性强、信息冗余多、图谱一体化等特征。但正是其海量数据和高维特征给高光谱数据的传输和存储都带来了较大的困难，同时也对传统的遥感图像数据处理技术提出了新的挑战。所以，对高光谱数据的快速处理和充分挖掘一直是困扰人们的一个问题。面对高光谱数十、数百个波段的数据，在提高数据处理效率的同时；如何有效利用、提取、分析感兴趣的最大信息，已成为有待研究的新课题。针对高光谱的高维、海量信息，必须对其进行“降维”操作，以提高数据处理效率、有效利用高光谱的最大信息。高光谱“降维”为高光谱影像分析提供了减少数据量、降低空间复杂度的方法，主要有两种方法即波段选择和特征提取。波段选择即从众多波段中选择感兴趣的若干波段，或选择信息量大、相关性小的若干波段，虽然该方法较好地保留了原始图像数据的信息，然而由于剔除了大部分波段，不可避免地损失了部分高光谱数据及细节信息；特征提取则采取一个线性或者非线性的特征提取器或者转换方程，将高维的空间投影到一个低维的空间，与波段选择相比，特征提取建立在各光谱波段间的重新组合和优化的基础之上，使类别间的可分性更大，因而得到了广泛的应用。聚类分析实质上是特征提取...
【技术保护点】
一种基于改进K？均值聚类的半监督高光谱影像降维方法，其特征在于，包括以下步骤：步骤1，选择需进行降维的高光谱影像及其典型地物光谱，人工设定需降维的聚类中心个数k的值，所述k的值小于影像维数；步骤2，利用相似性非监督算法对影像进行波段选择，确定取代K？均值初始聚类中心的波段；步骤3，将影像的典型地物光谱数据输入到K？均值算法，计算各波段之间的距离，将各波段分配到离其最近的聚类中心；步骤4，一旦所有波段分配完毕，以重新计算后的各聚类中心代替原指定的初始聚类中心；步骤5，计算各波段与当前聚类中心的距离，将波段分配至离其最近的聚类中心；步骤6，不断重复步骤4和步骤5，直到所有波段所属的聚类中心不再变动，得到降维特征数据；步骤7，计算此时类间距离与类内距离之比RICD。
【技术特征摘要】
1.一种基于改进K-均值聚类的半监督高光谱影像降维方法，其特征在于，包括以下步骤步骤1，选择需进行降维的高光谱影像及其典型地物光谱，人工设定需降维的聚类中心个数k的值，所述k的值小于影像维数；步骤2，利用相似性非监督算法对影像进行波段选择，确定取代K-均值初始聚类中心的波段；步骤3，将影像的典型地物光谱数据输入到K-均值算法，计算各波段之间的距离，将各波段分配到离其最近的聚类中心；步骤4，一旦所有波段分配完毕，以重新计算后的各聚类中心代替原指定的初始聚类中心；步骤5，计算各波段与当前聚类中心的距离，将波段分配至离其最近的聚类中心；步骤6，不断重复步骤4和步骤5，直到所有波段所属的聚类中心不再变动，得到降维特征数据；步骤7，计算此时类间距离与类内距离之比RI⑶。2.根据权利要求I所述基于改进K-均值聚类的半监督高光谱影像降维方法，其特征在于，还包括步骤8 :多次重复所述步骤I至步骤7，每次设定的k值均不同，得到不同k值下的RICD值；步骤9 :以k值为横坐标，RICD的值为纵坐标得到一条曲线，根据曲线的突变特征，曲线上出现拐点的位置最有可能是k的取值，根据虚拟维数法得到最优的k值。3.根据权利要求I所述一种基于改进K-均值聚类的半监督高光谱影像降维方法，其特征在于所述步骤2中，利用相似性非监督算法对影像进行波段选择包括如下步骤步骤I)，选择一个L维度的大小为MXN的影像数据；步骤2...
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。