技術特征：

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,…,x_N]，l_i為x_i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x_i，從來自同類的數據中選取k₁個近鄰點來重構x_i，重構點為

式中，s_ij為數據點x_i與x_j之間的重構權值，且s_i＝[s_i1,s_i2,…,s_iN]^T；

若x_i與x_j為同類近鄰，s_ij≠0，否則s_ij＝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G^w＝{X,W^w}，X為圖的頂點，若圖中兩頂點x_i和x_j屬于來自同類數據的k₁近鄰，則在x_i和x_j之間構建一條連接邊，否則，x_i和x_j之間無邊，邊的權值為表示x_i和x_j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x_i和x_j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G^b＝{X,W^b}，X為圖的頂點，若圖中兩頂點x_i和x_j屬于非同類數據的k₂近鄰，則在x_i和x_j之間構建一條連接邊，否則，x_i和x_j不連接，邊的權值為表示x_i和x_j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x_i和x_j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,…,s_N]，s_i＝[s_i1,s_i2,…,s_iN]^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：

$max\frac{V^T{\mathrm{XM}}^b{X}^{T}V}{V^T{\mathrm{XM}}^w{X}^{T}V}---\left(18\right)$

由拉格朗日乘子法，得到：

XM^bX^TV＝λXM^wX^TV (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,…,v_d]。

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。