1.基于局部流形嵌入的高光譜圖像分類方法,其特征在于,包括如下步驟:
1)選擇類別標簽已確定的訓練樣本X=[x1,x2,…,xN],li為xi的類別標簽,對訓練樣本各數據點利用同類近鄰點進行重構;
2)利用各數據點的鄰域以及各鄰域點對應的重構點來構建類內圖、類內重構圖、類間圖和類間重構圖;
3)在低維嵌入空間中,保持類內圖和類內重構圖的結構不變,抑制類間圖和類間重構圖的結構關系,得到從高維空間到低維空間的投射矩陣;
4)通過步驟3)得到的投影矩陣,將訓練樣本的高維數據降維,得到訓練樣本的低維嵌入特征;
5)通過步驟3)得到的投影矩陣,將待分類的高光譜圖像作為測試樣本并將測試樣本的高維數據降維,得到測試樣本低維嵌入;
6)根據步驟4)得到的訓練樣本的低維嵌入特征并結合選取的分類器,即可對測試樣本的低維嵌入進行分類,得到高光譜圖像分類結果。
2.根據權利要求1所述的基于局部流形嵌入的高光譜圖像分類方法,其特征在于:步驟1)對訓練樣本各數據點利用同類近鄰點進行重構的方法為,
對訓練樣本每個數據點xi,從來自同類的數據中選取k1個近鄰點來重構xi,重構點為
式中,sij為數據點xi與xj之間的重構權值,且si=[si1,si2,…,siN]T;
若xi與xj為同類近鄰,sij≠0,否則sij=0,其定義為:
式中,歸一化值
3.根據權利要求1所述的基于局部流形嵌入的高光譜圖像分類方法,其特征在于:步驟2)中類內圖、類內重構圖、類間圖和類間重構圖的構建如下,
構建類內圖Gw={X,Ww},X為圖的頂點,若圖中兩頂點xi和xj屬于來自同類數據的k1近鄰,則在xi和xj之間構建一條連接邊,否則,xi和xj之間無邊,邊的權值為表示xi和xj間的相似關系,定義為:
式中,參數
構建類內重構圖為圖的頂點,若xi和xj屬于來自同類數據的k1近鄰,則在對應的和之間構建一條連接邊,否則,和之間無邊,邊的權值為表示和間的相似關系,定義為:
式中,參數
構建類間圖Gb={X,Wb},X為圖的頂點,若圖中兩頂點xi和xj屬于非同類數據的k2近鄰,則在xi和xj之間構建一條連接邊,否則,xi和xj不連接,邊的權值為表示xi和xj間的近似程度,定義為:
式中,參數
構建類間重構圖為圖的頂點,若xi和xj屬于非同類數據的k2近鄰,則在對應的和之間構建一條連接邊,否則,和不連接,邊的權值為表示和間的近似程度,定義為:
式中,參數
4.根據權利要求1所述的基于局部流形嵌入的高光譜圖像分類方法,其特征在于:步驟3)中投影矩陣按如下方法確定,
對于類內數據,在低維空間中不改變類內圖和類內重構圖的相似關系,使同類數據及其重構數據盡可能聚集在一起,進而減小同類數據間的差異,目標函數表示為:
式中,和為對角矩陣,且S=[s1,s2,…,sN],si=[si1,si2,…,siN]T;
對于類間數據,在低維空間中抑制類間圖和類間重構圖中數據間的相似性,分離開非同類數據,進而增大非同類數據間的差異,目標函數表示為:
式中,和為對角矩陣,且
將式(16)和(17)的優(yōu)化問題轉化為:
由拉格朗日乘子法,得到:
XMbXTV=λXMwXTV (19)
通過求取式(19)的特征值,并由大到小排列,取前d個特征值對應的特征向量組成投影矩陣V=[v1,v2,…,vd]。
5.根據權利要求3所述的基于局部流形嵌入的高光譜圖像分類方法,其特征在于:在構建圖時,把非同類近鄰設置為同類近鄰的整數倍,即k2為k1的整數倍。