高光譜分類中光譜域空間域聯(lián)合相關(guān)約束的特征抽取方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于高光譜圖像處理領(lǐng)域，尤其涉及一種高光譜分類中光譜域空間域聯(lián)合 相關(guān)約束的特征抽取方法。
【背景技術(shù)】
[0002] 高光譜圖像將傳統(tǒng)的空間域信息和光譜域信息有機地融合和為一體，在獲取場景 空間圖像的同時，得到場景內(nèi)所有對象的連續(xù)光譜。而高光譜圖像中，不同的對象對各個波 段的光譜有不同的吸收率和反射率，表現(xiàn)為連續(xù)變化的光譜特征曲線，從而可以實現(xiàn)依據(jù) 對象光譜特征進行分類和識別的目標。
[0003] 高光譜圖像分類問題是高光譜圖像分析與應(yīng)用技術(shù)的所面臨的一大難題。高光譜 圖像分類的主要步驟包括兩個部分：（1)特征抽取和特征選擇；（2)特征分類。傳統(tǒng)的高光 譜特征匹配分類方法需要大量的先驗知識，對光譜特征數(shù)據(jù)庫依賴性太高，而統(tǒng)計分類方 法運算速度慢，精度受訓(xùn)練樣本的影響較大。
[0004] 已有的特征抽取和分類方法往往受限于高光譜圖像自身的缺陷，表現(xiàn)為算法的穩(wěn) 定性和魯棒性不足。同時，傳統(tǒng)的特征抽取方法僅僅基于光譜域特征，而忽視了豐富的空間 域的信息。研究表明，結(jié)合像素空間域信息能夠明顯的提升高光譜分類的精度。

【發(fā)明內(nèi)容】

[0005] 為了彌補現(xiàn)有技術(shù)存在的缺陷和不足，本發(fā)明提出了一種高光譜分類中光譜域空 間域聯(lián)合相關(guān)約束的特征抽取方法，該方法考慮樣本光譜域相關(guān)性和空間域相關(guān)性，并將 光譜域信息與空間域信息相結(jié)合，抽取判別性特征，有效提高整個高光譜分類系統(tǒng)的精度。
[0006] 為了達到以上目的，本發(fā)明的技術(shù)方案如下：
[0007] -種高光譜分類中光譜域空間域聯(lián)合相關(guān)約束的特征抽取方法，包括：
[0008] 步驟（1):采用主成分析方法對原始高光譜圖像數(shù)據(jù)進行降維去噪，并抽取原始 高光譜圖像數(shù)據(jù)的主成分，得到主成分分析后的樣本及其標簽；
[0009] 步驟（2):根據(jù)主成分分析后的樣本的標簽，將樣本分裂成類內(nèi)樣本和類外樣本； 依據(jù)相關(guān)系數(shù)計算方法，分別對類內(nèi)樣本和類外樣本進行構(gòu)建光譜域相關(guān)性約束；
[0010] 步驟（3):選擇一個主成分分析后的樣本為中心樣本，得到對應(yīng)其預(yù)設(shè)空間位置 的鄰域樣本集合，求取中心樣本與其鄰域樣本集合內(nèi)樣本的相關(guān)系數(shù)，并構(gòu)建空間域相關(guān) 性約束；
[0011] 步驟（4):采用光譜域相關(guān)性約束和空間域相關(guān)性約束直接結(jié)合的方法，構(gòu)建光 譜域和空間域混合相關(guān)性特征向量，最終獲得高光譜圖像的光譜域空間域聯(lián)合相關(guān)約束的 特征向量。
[0012] 所述步驟（1)中采用主成分析方法抽取原始高光譜圖像數(shù)據(jù)的主成分的過程包 括：
[0013] 步驟（I. 1):對給定的高光譜數(shù)據(jù)樣本集合，求取高光譜數(shù)據(jù)樣本集合中所有樣 本的均值，并對所有樣本進行中心化；
[0014] 步驟（1. 2):構(gòu)建中心化后的樣本特征矩陣，并計算中心化后的樣本特征矩陣的 協(xié)方差矩陣；
[0015] 步驟（1. 3):對步驟（1. 2)得到的協(xié)方差矩陣進行特征分解，得到一組降序排列的 特征值及其對應(yīng)的特征向量，選擇高光譜數(shù)據(jù)樣本的主成分；
[0016] 步驟（1. 4):主成分選擇完成后，根據(jù)特征值對應(yīng)的特征向量，得到主成分映射矩 陣：對每個樣本進行主成分映射，得到主成分分析后的樣本，進而得到主成分析后的樣本集 合。
[0017] 所述步驟（1. 1)中求取高光譜數(shù)據(jù)樣本集合中所有樣本的均值的表達式為：
[0018]
(1)
[0019] 其中，歹是所有樣本的均值；X1是第i個樣本，i = 1，2, ...，N，N是樣本數(shù)。
[0020] 所述步驟（I. 1)中對所有樣本進行中心化的表達式為：
[0021]
(2)
[0022] 其中，X1是第i個樣本；無是所有樣本的均值；X' 沖心化后的樣本特征向 量，i = 1，2,. . .，N，N是樣本數(shù)。
[0023] 所述步驟（1. 2)中計算中心化后的樣本特征矩陣的協(xié)方差矩陣為：
[0024] C = XT*X (3)
[0025] 其中，X是中心化后的樣本特征矩陣；Xl X的轉(zhuǎn)置矩陣；C e Rmxm是中心化后的 樣本特征矩陣的協(xié)方差矩陣;m是特征數(shù)。
[0026] 所述步驟（1. 3)中主成分的選擇方法為：
[0027]
(4)
[0028] 其中，A1, i = 1，2, ...，m為特征值，其呈降序排列；CO1G Rm為特征值對應(yīng)的特征 向量j = 1，2,…，m W是保留的主成分的個數(shù)，m是樣本的特征數(shù)，且滿足!!!""彡m，0. 995的 意義是所保留的主成分包含m個特征99. 5%的信息。
[0029] 所述步驟（1. 4)中主成分選擇完成后，得到主成分映射矩陣U :
[0030]
(5)
[0031] 對每個樣本進行主成分映射，得到主成分分析后的樣本，進而得到主成分析后的 樣本集合。
[0032] 所述步驟（2)中的相關(guān)系數(shù)計算方法為：
[0033]
後）
[0034] 其中，X和y均表示向量；R(x, y) e [-1，1]表示向量X和y之間的相關(guān)系數(shù)，兩個 向量越相關(guān)，其相關(guān)系數(shù)越大；M · 11表示向量的模。
[0035] 所述步驟（2)中對樣本進行分裂的方法為：
[0036] 根據(jù)樣本標簽將所有樣本分裂為類內(nèi)樣本集合和類外樣本集合 兩部分，分裂方式如下：
[0037]
<7)：
[0038] 其中，洲表示類內(nèi)樣本集合，由與樣本JT*類別相同的樣本組成，表 1 I 1 示類外樣本集合，由與樣本<類別不相同的樣本組成，Y1表示樣本 <對應(yīng)的標簽，yk表示 樣本X,;對應(yīng)的標簽，i, k = 1，2,. . .，N, N是樣本數(shù)。
[0039] 所述步驟（4)中構(gòu)建光譜域和空間域混合相關(guān)性特征向量為：
[0040]
(8)
[0041] 其中，X廠v 是構(gòu)建的光譜域空間域混合相關(guān)性特征向量，1是光譜域相關(guān)性 約束項的個數(shù)表示光譜域相關(guān)性約束；表示空間域相關(guān)性約束；α 表示中心樣本對應(yīng)其鄰域樣本集合的樣本數(shù)量。
[0042] 本發(fā)明的有益效果是：
[0043] (1)本發(fā)明基于傳統(tǒng)的向量相關(guān)系數(shù)計算方法，結(jié)構(gòu)簡單，計算復(fù)雜度低；
[0044] (2)本發(fā)明建立光譜域相關(guān)性約束，約束項的選擇通過最大化類內(nèi)相關(guān)性和類外 相關(guān)性，最大化類內(nèi)類外相關(guān)系數(shù)分布，具有良好的自適應(yīng)性和魯棒性；
[0045] (3)本方法建立空間域相關(guān)性約束，并與光譜域相關(guān)系約束相結(jié)合，構(gòu)建光譜域空 間域混合相關(guān)性特征向量，能有效的提高分類精度。
【附圖說明】
[0046] 圖1本發(fā)明光譜域空間域相關(guān)性約束的特征抽取方法流程圖；
[0047] 圖2本發(fā)明的空間域8.鄰域模型。
【具體實施方式】
[0048] 下面結(jié)合附圖與實例對本發(fā)明作進一步說明：
[0049] 本發(fā)明在獲取某一地區(qū)的高光譜圖像的前提下，所選擇的圖像中包含十種農(nóng)作 物，分別對應(yīng)十種類別；采用本發(fā)明提出的光譜域空間域相關(guān)性約束的特征抽取方法對高 光譜圖像進行處理，用于區(qū)分高光譜圖像中十種不同類別的農(nóng)作物。
[0050] 如圖1所示，高光譜分類中光譜域空間域聯(lián)合相關(guān)約束的特征抽取方法，包括：
[0051] 步驟（1):采用主成分析方法對原始高光譜圖像數(shù)據(jù)進行降維去噪，并抽取原始 高光譜圖像數(shù)據(jù)的主成分，得到主成分分析后的樣本及其標簽；
[0052] 步驟（2):根據(jù)主成分分析后的樣本的標簽，將樣本分裂成類內(nèi)樣本和類外樣本； 依據(jù)相關(guān)系數(shù)計算方法，分別對類內(nèi)樣本和類外樣本進行構(gòu)建光譜域相關(guān)性約束；
[0053] 步驟（3):選擇一個主成分分析后的樣本為中心樣本，得到對應(yīng)其預(yù)設(shè)空間位置 的鄰域樣本集合，求取中心樣本與其鄰域樣本集合內(nèi)樣本的相關(guān)系數(shù)，并構(gòu)建空間域相關(guān) 性約束；
[0054] 步驟⑷：采用光譜域相關(guān)性約束和空間域相關(guān)性約束直接結(jié)合的方法，構(gòu)建光 譜域和空間域混合相關(guān)性特征向量，最終獲得高光譜圖像的光譜域空間域聯(lián)合相關(guān)約束的 特征向量。
[0055] 進一步地，步驟（1)中采用主成分析方法抽取原始高光譜圖像數(shù)據(jù)的主成分的過 程包括：
[0056] 步驟（I. 1):對給定的高光譜數(shù)據(jù)樣本集合，求取高光譜數(shù)據(jù)樣本集合中所有樣 本的均值，并對所有樣本進行中心化；
[0057] 求取高光譜數(shù)據(jù)樣本集合中所有樣本的均值的表達式為：
[0058]
Cl)
[0059] 其中，給定高光譜數(shù)據(jù)樣本集合為X = {XJ e Rm;芝是所有樣本的均值；X1是第 i個樣本，i = 1，2,. . .，N，N是樣本數(shù)；
[0060] 對所有樣本進行中心化的表達式為：
[0061]
(2)
[0062] 其中，X1是第i個樣本；$是所有樣本的均值；X' 1是X 心化后的樣本特征向 量，i = 1，2,. . .，N，N是樣本數(shù)。
[0063] 步驟（1. 2):構(gòu)建中心化后的樣本特征矩陣，并計算中心化后的樣本特征矩陣的 協(xié)方差矩陣；
[0064] 構(gòu)建中心化后的樣本特征矩陣X= [X' i，X' 2，...，X' N]Te Rnx'm是特征數(shù)， N是樣本數(shù)，上標T表示矩陣轉(zhuǎn)置。計算中心化后的樣本特征矩陣的協(xié)方差矩陣為：
[0065] C = XT*X (3)
[0066] 其中，X是中心化后的樣本特征矩陣；乂1是X的轉(zhuǎn)置矩陣；C e Rmxm是中心化后的 樣本特征矩陣的協(xié)方差矩陣;m是特征數(shù)。
[0067] 步驟（1. 3):對步驟（1. 2)得到的協(xié)方差矩陣進行特征分解，得到一組降序排列的 特征值及其對應(yīng)的特征向量，選擇高光譜數(shù)據(jù)樣本的主成分；
[0068] 主成分的選擇方法為：
[0069]
(A)
[0070] 其中，A1, i = 1，2, ...，m為特征值，其呈降序排列；CO1G Rm為特征值對應(yīng)的特征 向量j = 1，2,…，m W是保留的主成分的個數(shù)，m是樣本的特征數(shù)，且滿足!!!""彡m，0. 995的 意義是所保留的主成分包含m個特征99. 5%的信息。
[0071] 步驟（1. 4):主