專利名稱：一類基于圖像塊距離的高光譜圖像流形降維方法
技術(shù)領(lǐng)域：
本發(fā)明屬于遙感圖像處理技術(shù)領(lǐng)域，具體涉及一種高光譜遙感圖像非線性降維方法。
背景技術(shù)：
遙感是本世紀(jì)六十年代發(fā)展起來的新興綜合技術(shù)，與空間、電子光學(xué)、計(jì)算機(jī)、地理學(xué)等科學(xué)技術(shù)緊密相關(guān)，是研究地球資源環(huán)境的最有力的技術(shù)手段之一。高光譜遙感是將成像技術(shù)與光譜技術(shù)相結(jié)合的多維信息獲取技術(shù)。高光譜成像儀在電磁波譜的數(shù)十至數(shù)百個(gè)非常窄且連續(xù)的光譜段上同時(shí)探測目標(biāo)的二維幾何空間與一維光譜信息。高光譜圖像中，每一個(gè)觀測像素都可以提取出一條完整連續(xù)的光譜曲線，為地物信息的提取和分析提供了極其豐富的信息，有助于更加精細(xì)的地物分類和目標(biāo)識(shí)別。然而，波段數(shù)的增多必然導(dǎo)致了信息的冗余和數(shù)據(jù)處理復(fù)雜性的增加。同時(shí)，較高的光譜分辨率在增強(qiáng)地物細(xì)微差別 分辨能力的同時(shí)，也帶來了維數(shù)災(zāi)難(Hughes現(xiàn)象)，這種現(xiàn)象嚴(yán)重影響了高光譜圖像的處理效果。高光譜圖像特征降維成為解決這種現(xiàn)象的常用方法，它對于高光譜圖像分類等應(yīng)用具有特殊的意義，在高光譜圖像處理中具有十分重要的作用[I]。高光譜數(shù)據(jù)降維技術(shù)是以圖像特征提取為目的，利用低維數(shù)據(jù)來有效地表達(dá)高維數(shù)據(jù)特征的數(shù)據(jù)處理技術(shù)。它在有效地保留了圖像信息的同時(shí)也大大減少了信息的冗余，更有利于信息的快速提取。常見的高光譜圖像降維算法可以分為線性降維和非線性降維兩大類[2] [7]。主成分分析(Principal Component Analysis, PCA) [2]是一種最常用的線性降維方法。它的主要目標(biāo)是通過線性變換尋找一組最優(yōu)的單位正交向量基，并用它們的線性組合來重構(gòu)原樣本，以使重建后的樣本和原樣本的誤差最小。其它代表性的線性降維算法還有獨(dú)立成分分析(Independent Component Analysis, I CA) [3],線性判別分析(Linear Discriminant Analysis, LDA) [4]等算法。下面介紹與本發(fā)明相關(guān)的一些概念
流形學(xué)習(xí)算法
流形學(xué)習(xí)算法是一種常見的非線性降維方法，它是基于這樣的假設(shè)高維數(shù)據(jù)在特征空間中對應(yīng)的點(diǎn)分布在“低維流形”上。因此，流形學(xué)習(xí)算法實(shí)現(xiàn)降維的目的是尋找原始數(shù)據(jù)在“低維流形”上的嵌入坐標(biāo)。代表性的流形學(xué)習(xí)算法有局部線性嵌入(Locally Linear Embedding, LLE) [5]算法，等距映身寸(Isometric Feature Mapping,IS0MAP) [6]算法和拉普拉斯特征映射(Laplacian Eigenmap, LE) [7]算法等。作為一種局部性保持算法，LLE認(rèn)為數(shù)據(jù)流形具有局部線性，即一個(gè)數(shù)據(jù)點(diǎn)可以通過其鄰域完全重建，于是可以通過在降維空間中盡可能保持其局部線性特征來實(shí)現(xiàn)降維。ISOMAP算法則是一種通過保持流形上兩點(diǎn)間的測地線距離來保持?jǐn)?shù)據(jù)集的全局幾何特性。它保證了降維結(jié)果的穩(wěn)健性和全局最優(yōu)性，但是其運(yùn)算復(fù)雜度較高。鄰接點(diǎn)個(gè)數(shù)C或者鄰域距離c )和低維數(shù)據(jù)的維度(固有維度) 是LLE和ISOMAP算法的兩個(gè)主要參數(shù)。兩種算法的步驟如下算法局部線性嵌入算法(Locally Linear Embedding, LLE)
輸入鄰域大小^，內(nèi)在維度s，高維原始數(shù)據(jù)集，其中為數(shù)據(jù)點(diǎn)個(gè)數(shù)，￡為數(shù)據(jù)維度。輸出低維映射空間數(shù)據(jù)集
權(quán)利要求
1.一類基于圖像塊距離的高光譜圖像流形降維方法，其特征在于，采用一種新的圖像塊距離度量，該距離度量將觀測像素看作高維流形上的一點(diǎn)，同時(shí)兼顧到觀測點(diǎn)周圍的空間結(jié)構(gòu) 對于大小為
2.根據(jù)權(quán)利要求I所述的基于圖像塊距離的高光譜圖像流形降維方法，其特征在于，采用改進(jìn)的LLE算法；已知水平寬度、垂直寬度和波段數(shù)分別為fT、i￥和L的高光譜圖像數(shù)據(jù)矩陣 鄰接點(diǎn)個(gè)數(shù)數(shù)據(jù)集內(nèi)在維數(shù)τ所述改進(jìn)LLE算法的步驟如下 步驟一計(jì)算圖像塊距離矩陣 Ca)圖像鏡像擴(kuò)展對應(yīng)于大小為WXw的圖像±夾，原始數(shù)據(jù)擴(kuò)充為
3.根據(jù)權(quán)利要求I所述的基于圖像塊距離的高光譜圖像流形降維方法，其特征在于，采用改進(jìn)的ISOMAP算法； 已知水平寬度、垂直寬度和波段數(shù)分別為『、/￡和￡的高光譜圖像數(shù)據(jù)矩陣Xei^xjsci ,鄰接點(diǎn)個(gè)數(shù)人,數(shù)據(jù)集內(nèi)在維數(shù)/所述的改進(jìn)ISOMAP算法的步驟如下步驟一計(jì)算圖像塊距離矩陣 Ca)圖像鏡像擴(kuò)展對應(yīng)于大小為WXw的圖像±夾，原始數(shù)據(jù)擴(kuò)充為X e Λ[^+ι>- )/2]χ[ + .>- )/2]χΙ，使得處于邊緣和四角的像素也可以使用圖像塊距離； (b)對于原始數(shù)據(jù)集上的任意兩個(gè)觀測像素點(diǎn)X Iit和X ^ ,根據(jù)式(I)計(jì)算圖像塊距離q ),得到圖像塊距離矩陣D/W) e Rnxn ； 步驟二 在全樣本點(diǎn)中尋找每個(gè)樣本點(diǎn)的Z個(gè)鄰近點(diǎn)，并基于構(gòu)建鄰域圖，計(jì)算最短路徑矩陣和執(zhí)行MDS算法，得到最優(yōu)嵌入結(jié)果。
全文摘要
本發(fā)明屬于遙感圖像處理技術(shù)領(lǐng)域，具體為一類基于圖像塊距離的高光譜圖像流形降維方法。本發(fā)明提出一種新的距離度量——圖像塊距離度量，并將其應(yīng)用于流形學(xué)習(xí)的鄰域選擇和低維坐標(biāo)嵌入中，得到一類新的高光譜遙感圖像非線性降維方法。本發(fā)明利用高光譜圖像物理特性，結(jié)合圖像的光譜信息和空間信息，可以更好地保持了數(shù)據(jù)點(diǎn)之間的局部特性，在最大限度減小圖像信息冗余的基礎(chǔ)之上，很好的保持了原始數(shù)據(jù)集的特性。本發(fā)明對各種不同的高光譜數(shù)據(jù)都表現(xiàn)出良好的適用性。在基于高光譜遙感圖像的高精度的地物分類以及地面目標(biāo)的檢測和識(shí)別方面具有重要的應(yīng)用價(jià)值。
文檔編號(hào)G06T7/00GK102903116SQ201210400139
公開日2013年1月30日 申請日期2012年10月20日 優(yōu)先權(quán)日2012年10月20日
發(fā)明者普晗曄, 王斌, 張立明 申請人:復(fù)旦大學(xué)