專利名稱：基于局部一致性的遙感影像半監督投影降維方法
技術領域：
本發明屬于圖像處理技術領域，更進一步涉及信息提取和模式識別技術領域中的一種基于局部一致性的遙感影像半監督投影降維方法。本發明可用于在高光譜遙感影像技術領域中進行地物分類，通過波段降維方法減少冗余波段，提高遙感影像的分類精度，利用高光譜圖像對復雜地貌地物進行分析，判定出不同類別的地物。
背景技術：
目前在高光譜遙感影像領域中，對高光譜數據進行降維處理的方法通常分為兩類特征提取和特征選擇的方法。特征提取方法利用原始數據提取其特征參數，通過數學變換壓縮波段，將數據投影到低維空間，常見的方法有主成分分析和線性判別分析。特征選擇方法是在原始數據眾多波段中選擇感興趣的若干波段或選擇信息量大和相關性小的若干 波段。Yu 等人在文獻“J. Yu and Q. Tian, Semantic Subspace Projection and ItsApplications in Image Retrieval, IEEE Transactions on Circuits and Systems forVideo Technology,vol. 18,no. 4,April. 2008. ”中提出了一種語義子空間投影的降維方法對圖像進行降維處理。該方法首先根據圖像數據集的監督信息和K近鄰局部幾何信息，構造同類近鄰結構；在投影后的子空間中，約束來自不同語義類的樣本分離，而來自相同語義近鄰結構的樣本聚集，找到一個最優投影。該方法存在的不足是，由于該方法為有監督的線性降維方法，需要利用大量的監督信息，而對于高光譜圖像數據，其類別信息的獲取是耗時耗力且非常困難的，從而導致該方法在小樣本學習情況下因缺少監督信息而降低了地物分類識別率。河海大學在其申請的專利文件“基于條件互信息的遙感高光譜圖像波段選擇方法，，(申請號:201010152915. 6申請日2010-04-21公開號101853392A)中公開了一種利用條件互信息對遙感高光譜圖像波段選擇的方法。該方法首先利用待分類樣本給定類別條件下各波段之間的條件互信息進行波段分組；然后，用支持向量機和遺傳算法相結合的搜索算法對得到的分組波段進行搜索計算；最后，找到最優波段組合。該方法存在的不足是，該專利申請的方法由于波段相關性和數據信息量不可兼得，在最大信息量的條件下，會導致波段間相關性大，影響分類識別率。

發明內容
本發明的目的在于克服上述已有技術的不足，提出一種基于局部一致性的遙感影像半監督投影降維方法。本發明可在小樣本學習情況下，利用少量的監督信息，減少高光譜遙感影像冗余波段，同時，保持了圖像局部的一致性，提高高光譜遙感影像地物分類的識別率。本發明實現的具體步驟如下(I)劃分遙感影像數據集
將待處理的高光譜數據集作為測試集，按訓練-測試樣本比選取帶標簽樣本組成有監督信息的訓練集。(2)生成矩陣2a)采用語義相似矩陣公式生成測試集的標簽矩陣；2b)采用近鄰方法生成測試集的近鄰矩陣；2c)采用局部一致性約束方法生成測試集的局部一致性矩陣。(3)融合標簽矩陣和近鄰矩陣采用點積方法融合標簽矩陣和近鄰矩陣。(4)生成近鄰均值向量采用局部近鄰均值向量公式生成近鄰均值向量。
(5)生成散度矩陣5a)采用相異散度矩陣公式生成測試集的相異散度矩陣；5b)采用相似散度矩陣公式生成測試集的相似散度矩陣；5c)采用局部一致性散度矩陣公式生成測試集的局部一致性散度矩陣。(6)求解最優投影矩陣采用特征值分解方法求解最優投影矩陣。(7)投影降維將最優投影矩陣和測試樣本集矩陣相乘，得到測試樣本集矩陣的降維矩陣。與現有技術相比，本發明具有以下優點第一，由于本發明采用了半監督學習的方法，克服了現有技術因缺乏足夠監督信息而無法精確分類地物的困難，使得本發明具有了利用少量監督信息就可以獲得很高的識別率的優點。第二，由于本發明采用了局部一致性約束，克服了現有技術無法在空間上約束近鄰樣本一致性的困難，使得本發明具有保持相似地物一致性，提高分類識別率的優點。


圖I為本發明的流程圖；圖2為采用本發明與現有技術降維得到的地物識別精度對比圖；圖3為采用本發明降維得到的地物平均精度圖。
具體實施例方式參照圖1，對本發明做進一步的詳細描述。步驟1，劃分遙感影像數據集。將待處理的高光譜數據集作為測試集D e RdXN，按訓練-測試樣本比選取帶標簽樣本組成有監督信息的訓練集A e RdXM;其中，d表示樣本特征維數，N表示測試集所有樣本的總個數，M表示訓練集所有樣本的總個數。在本發明的實施例中，樣本特征維數d為200，測試集所有樣本的總個數N取6929，訓練集所有樣本的總個數M依次取值689、228、113、74和55。步驟2，生成矩陣。2a)采用語義相似矩陣公式生成測試集的標簽矩陣，語義相似矩陣公式如下
權利要求
1.一種基于局部一致性的遙感影像半監督投影降維方法，包括如下步驟 (1)劃分遙感影像數據集 將待處理的高光譜數據集作為測試集，按訓練-測試樣本比選取帶標簽樣本組成有監督信息的訓練集； (2)生成矩陣 2a)采用語義相似矩陣公式生成測試集的標簽矩陣； 2b)采用近鄰方法生成測試集的近鄰矩陣； 2c)采用局部一致性約束方法生成測試集的局部一致性矩陣； (3)融合標簽矩陣和近鄰矩陣 采用點積和歸一化方法融合標簽矩陣和近鄰矩陣； (4)生成近鄰均值向量 采用局部近鄰均值向量公式生成近鄰均值向量； (5)生成散度矩陣 5a)采用相異散度矩陣公式生成測試集的相異散度矩陣； 5b)采用相似散度矩陣公式生成測試集的相似散度矩陣； 5c)采用局部一致性散度矩陣公式生成測試集的局部一致性散度矩陣； (6)求解最優投影矩陣 采用特征值分解方法求解最優投影矩陣； (7)投影降維 將最優投影矩陣和測試樣本集矩陣相乘，得到測試樣本集矩陣的降維矩陣。
2.根據權利要求I所述的基于局部一致性的遙感影像半監督投影降維方法，其特征在于步驟(I)所述的訓練-測試樣本比的選取范圍為1/120 1/10。
3.根據權利要求I所述的基于局部一致性的遙感影像半監督投影降維方法，其特征在于步驟2a)所述的語義相似矩陣公式如下
4.根據權利要求I所述的基于局部一致性的遙感影像半監督投影降維方法，其特征在于步驟2b)所述的近鄰方法如下 第一步，對于測試集中每一個樣本，找出與該樣本距離最近的k個樣本，將得到的所有樣本組成近鄰結構集合V，k的取值范圍為I 20 ; 第二步，采用下列幾何結構矩陣公式生成近鄰矩陣
5.根據權利要求I所述的基于局部一致性的遙感影像半監督投影降維方法，其特征在于步驟2c)所述的局部一致性約束方法如下 第一步，對于測試集中每一個樣本，采用下列不等式約束公式，逐一找出測試集樣本對應坐標與該樣本對應坐標滿足約束的樣本
6.根據權利要求I所述的基于局部一致性的遙感影像半監督投影降維方法，其特征在于步驟(4)所述的局部近鄰均值向量公式如下
7.根據權利要求I所述的基于局部一致性的遙感影像半監督投影降維方法，其特征在于步驟5a)所述的相異散度矩陣公式如下 其中，D表不測試集的相異散度矩陣M和IIij表不測試集第i和j個樣本的均值向量，i= 1,2, . . . , N, j = 1,2, . . . , N, N表示測試集所有樣本的總個數；T表示轉置符號；SU表示測試樣本集的標簽矩陣第i行第j列位置對應的元素。
8.根據權利要求I所述的基于局部一致性的遙感影像半監督投影降維方法，其特征在于步驟5b)所述的相似散度矩陣公式如下M = ^(Xi-Xj)(Xi-Xj)tGij 其中，M表示測試集的相似散度矩陣；Xi和&表示測試集的第i和j個樣本，i = 1，2,. . . , N, j = 1,2, . . . , N, N表示測試集所有樣本的總個數；T表示轉置符號；Gij表示測試樣本集的近鄰矩陣第i行第j列位置對應的元素。
9.根據權利要求I所述的基于局部一致性的遙感影像半監督投影降維方法，其特征在于步驟5c)所述的局部一致性散度矩陣公式如下
全文摘要
本發明公開了一種基于局部一致性的遙感影像半監督投影降維方法。其步驟為(1)劃分遙感影像數據集；(2)生成語義相似矩陣、近鄰矩陣和局部一致性矩陣；(3)融合標簽矩陣和近鄰矩陣；(4)生成近鄰均值向量；(5)生成相異散度矩陣、相似散度矩陣和局部一致性散度矩陣；(6)求解最優投影矩陣；(7)投影降維。本發明采用基于局部一致性約束的半監督學習方法，提高了小樣本學習情況下的識別率。
文檔編號G06K9/62GK102902984SQ201210366079
公開日2013年1月30日 申請日期2012年9月27日 優先權日2012年9月27日
發明者楊淑媛, 焦李成, 徐雯暉, 劉芳, 緱水平, 侯彪, 王爽, 楊麗霞, 鄧曉政, 王秀秀 申請人:西安電子科技大學