技術特征：

1.一種基于光譜空間分解和噪聲成分分析的超光譜圖像降維方法，其特征在于，包括以下步驟:

S1、獲取原始超光譜圖像，計算超光譜圖像的相鄰波段之間的相關系數(shù)并將其與設置的閾值進行比較，若相關系數(shù)小于閾值，則判斷該波段圖像為噪聲嚴重干擾的波段，并將其剔除；

S2、采用子光譜空間分解算法對剔除噪聲波段后的超光譜圖像進行分解，并將相似的波段分配在一個子空間中；

S3、采用噪聲成分分析的方法計算每個子空間中各個波段圖像的權重系數(shù)，并根據(jù)該權重系數(shù)進行波段選擇，完成對各個子空間的光譜降維。

2.根據(jù)權利要求1所述的基于光譜空間分解和噪聲成分分析的超光譜圖像降維方法，其特征在于，步驟S1中計算波段i和波段j之間相關系數(shù)的公式為：

$s_{i,j}=\frac{b_i{b}_j}{\left|b_i\right|\left|b_j\right|}$

其中，波段i對應的圖像矩陣B_i以字典表示形式表示為列向量b_i，s_i,j滿足0≤s_i,j≤1，s_i,j的值越靠近1表示波段圖像B_i和波段圖像B_j之間的相似度越高。

3.根據(jù)權利要求2所述的基于光譜空間分解和噪聲成分分析的超光譜圖像降維方法，其特征在于，判斷噪聲嚴重干擾波段的方法為：

當s_ij滿足：

s_i,i+1＜T&s_i,i-1＜T

則認定波段i受噪聲污染嚴重，并將該波段圖像剔除，其中T為閾值。

4.根據(jù)權利要求1所述的基于光譜空間分解和噪聲成分分析的超光譜圖像降維方法，其特征在于，步驟S2中子光譜空間分解算法的步驟為:

S21、初始化各個子光譜空間的中心o_k,k＝1,2,…c，設定最大迭代次數(shù)max_IT，設定參數(shù)m，設定停止閾值ε，設當前迭代次數(shù)為n_it＝1；

S22、根據(jù)下式求得各個波段圖像b₁,b₂,…,b_N和各個子光譜空間之間的隸屬度在第n_it次迭代后的值：

$r_{ik}^{(n\_it)}=\frac{1}{\underset{l=1}{\overset{c}{\Σ}}{\left(\frac{\left|\right|b_i-o_k^{(n\_it-1)}|{|}^2}{\left|\right|b_i-o_l^{(n\_it-1)}|{|}^2}\right)}^{\frac{1}{m-1}}}$

根據(jù)下式求得各個子光譜空間的中心在第n_it次迭代后的值：

$o_k^{(n\_it)}=\frac{\underset{i=1}{\overset{N}{\Σ}}{\left(r_{ik}^{(n\_it)}\right)}^m{b}_i}{\underset{i=1}{\overset{N}{\Σ}}{\left(r_{ik}^{(n\_it)}\right)}^m}$

其中，噪聲波段剔除后所剩下的波段圖像，總共包含有N個波段，每個波段圖像被堆疊為列向量的形式：b₁,b₂,…,b_N；設定將超光譜圖像在光譜空間總共分成c個子光譜空間；設定o_k,k＝1,2,…c表示各個子光譜空間的中心，r_ik,i＝1,2,…N,k＝1,2,…c表示波段圖像b_i和各個子光譜空間中心o_k之間的隸屬度；

S23、如果或n_it＝max_IT，則迭代停止，否則n_it＝n_it+1，并轉至步驟S22。

5.根據(jù)權利要求1所述的基于光譜空間分解和噪聲成分分析的超光譜圖像降維方法，其特征在于，步驟S3中噪聲成分分析的波段提取方法具體為：

S31、設某子光譜空間的波段數(shù)量為ρ，每個波段的圖像的像素數(shù)量為K，子光譜空間的超光譜圖像數(shù)據(jù)的協(xié)方差矩陣根據(jù)下式計算可得：

${\mathrm{\Σ}}_s=\frac{1}{K}\underset{k=1}{\overset{K}{\Σ}}(y_k-\stackrel{\‾}{y}){(y_k-\stackrel{\‾}{y})}^T$

其中,y_k表示超光譜圖像中的第k個像素所對應的光譜數(shù)據(jù)，它是一個ρ維的向量，是對K個y_k的一個平均；

S32、根據(jù)噪聲估計技術，可以獲得子光譜空間的超光譜圖像數(shù)據(jù)的噪聲協(xié)方差矩陣Σ_n；計算矩陣Σ_n和的特征值和滿足如下等式的變換矩陣R：

$\left\{\begin{array}{c}{R}^T{\mathrm{\Σ}}_{n}R=I\\ R^{T}R={\mathrm{\Δ}}_n^{-1}\end{array}\right.$

其中，Δ_n是由Σ_n的特征向量組成的對角矩陣；

S33、根據(jù)變換矩陣R和Σ_s以及如下的公式可以計算自適應協(xié)方差矩陣：

Σ_a＝R^TΣ_sR

S34、計算自適應協(xié)方差矩陣Σ_a的特征值和對應的特征向量并根據(jù)下式計算子光譜空間中各個波段圖像的權重：

${\mathrm{\α}}_j=\underset{i=1}{\overset{\mathrm{\ρ}}{\Σ}}{\left(\sqrt{{\mathrm{\λ}}_{a,i}}{\mathrm{\ν}}_{i,k}\right)}^2$

S35、將從大到小排序，得到排序后的權重序列根據(jù)如下式子選擇盡量少的前m個α′_j所對應的波段圖像：

其中，為總權重值。

6.一種基于光譜空間分解和噪聲成分分析的超光譜圖像降維系統(tǒng)，其特征在于,包括以下步驟：

超光譜圖像獲取單元，用于獲取原始超光譜圖像，計算超光譜圖像的相鄰波段之間的相關系數(shù)并將其與設置的閾值進行比較，若相關系數(shù)小于閾值，則判斷該波段圖像為噪聲嚴重干擾的波段，并將其剔除；

圖像分解單元，用于采用子光譜空間分解算法對剔除噪聲波段后的超光譜圖像進行分解，并將相似的波段分配在一個子空間中；

光譜降維單元，用于采用噪聲成分分析的方法計算每個子空間中各個波段圖像的權重系數(shù)，并根據(jù)該權重系數(shù)進行波段選擇，完成對各個子空間的光譜降維。