专利名称：基于局部一致性的遥感影像半监督投影降维方法
技术领域：
本发明属于图像处理技术领域，更进一步涉及信息提取和模式识别技术领域中的一种基于局部一致性的遥感影像半监督投影降维方法。本发明可用于在高光谱遥感影像技术领域中进行地物分类，通过波段降维方法减少冗余波段，提高遥感影像的分类精度，利用高光谱图像对复杂地貌地物进行分析，判定出不同类别的地物。
背景技术：
目前在高光谱遥感影像领域中，对高光谱数据进行降维处理的方法通常分为两类特征提取和特征选择的方法。特征提取方法利用原始数据提取其特征参数，通过数学变换压缩波段，将数据投影到低维空间，常见的方法有主成分分析和线性判别分析。特征选择方法是在原始数据众多波段中选择感兴趣的若干波段或选择信息量大和相关性小的若干 波段。Yu 等人在文献“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. ”中提出了一种语义子空间投影的降维方法对图像进行降维处理。该方法首先根据图像数据集的监督信息和K近邻局部几何信息，构造同类近邻结构；在投影后的子空间中，约束来自不同语义类的样本分离，而来自相同语义近邻结构的样本聚集，找到一个最优投影。该方法存在的不足是，由于该方法为有监督的线性降维方法，需要利用大量的监督信息，而对于高光谱图像数据，其类别信息的获取是耗时耗力且非常困难的，从而导致该方法在小样本学习情况下因缺少监督信息而降低了地物分类识别率。河海大学在其申请的专利文件“基于条件互信息的遥感高光谱图像波段选择方法，，(申请号:201010152915. 6申请日2010-04-21公开号101853392A)中公开了一种利用条件互信息对遥感高光谱图像波段选择的方法。该方法首先利用待分类样本给定类别条件下各波段之间的条件互信息进行波段分组；然后，用支持向量机和遗传算法相结合的搜索算法对得到的分组波段进行搜索计算；最后，找到最优波段组合。该方法存在的不足是，该专利申请的方法由于波段相关性和数据信息量不可兼得，在最大信息量的条件下，会导致波段间相关性大，影响分类识别率。
发明内容
本发明的目的在于克服上述已有技术的不足，提出一种基于局部一致性的遥感影像半监督投影降维方法。本发明可在小样本学习情况下，利用少量的监督信息，减少高光谱遥感影像冗余波段，同时，保持了图像局部的一致性，提高高光谱遥感影像地物分类的识别率。本发明实现的具体步骤如下(I)划分遥感影像数据集
将待处理的高光谱数据集作为测试集，按训练-测试样本比选取带标签样本组成有监督信息的训练集。(2)生成矩阵2a)采用语义相似矩阵公式生成测试集的标签矩阵；2b)采用近邻方法生成测试集的近邻矩阵；2c)采用局部一致性约束方法生成测试集的局部一致性矩阵。(3)融合标签矩阵和近邻矩阵采用点积方法融合标签矩阵和近邻矩阵。(4)生成近邻均值向量采用局部近邻均值向量公式生成近邻均值向量。
(5)生成散度矩阵5a)采用相异散度矩阵公式生成测试集的相异散度矩阵；5b)采用相似散度矩阵公式生成测试集的相似散度矩阵；5c)采用局部一致性散度矩阵公式生成测试集的局部一致性散度矩阵。(6)求解最优投影矩阵采用特征值分解方法求解最优投影矩阵。(7)投影降维将最优投影矩阵和测试样本集矩阵相乘，得到测试样本集矩阵的降维矩阵。与现有技术相比，本发明具有以下优点第一，由于本发明采用了半监督学习的方法，克服了现有技术因缺乏足够监督信息而无法精确分类地物的困难，使得本发明具有了利用少量监督信息就可以获得很高的识别率的优点。第二，由于本发明采用了局部一致性约束，克服了现有技术无法在空间上约束近邻样本一致性的困难，使得本发明具有保持相似地物一致性，提高分类识别率的优点。
图I为本发明的流程图；图2为采用本发明与现有技术降维得到的地物识别精度对比图；图3为采用本发明降维得到的地物平均精度图。
具体实施例方式参照图1，对本发明做进一步的详细描述。步骤1，划分遥感影像数据集。将待处理的高光谱数据集作为测试集D e RdXN，按训练-测试样本比选取带标签样本组成有监督信息的训练集A e RdXM;其中，d表示样本特征维数，N表示测试集所有样本的总个数，M表示训练集所有样本的总个数。在本发明的实施例中，样本特征维数d为200，测试集所有样本的总个数N取6929，训练集所有样本的总个数M依次取值689、228、113、74和55。步骤2，生成矩阵。2a)采用语义相似矩阵公式生成测试集的标签矩阵，语义相似矩阵公式如下
权利要求
1.一种基于局部一致性的遥感影像半监督投影降维方法，包括如下步骤 (1)划分遥感影像数据集 将待处理的高光谱数据集作为测试集，按训练-测试样本比选取带标签样本组成有监督信息的训练集； (2)生成矩阵 2a)采用语义相似矩阵公式生成测试集的标签矩阵； 2b)采用近邻方法生成测试集的近邻矩阵； 2c)采用局部一致性约束方法生成测试集的局部一致性矩阵； (3)融合标签矩阵和近邻矩阵 采用点积和归一化方法融合标签矩阵和近邻矩阵； (4)生成近邻均值向量 采用局部近邻均值向量公式生成近邻均值向量； (5)生成散度矩阵 5a)采用相异散度矩阵公式生成测试集的相异散度矩阵； 5b)采用相似散度矩阵公式生成测试集的相似散度矩阵； 5c)采用局部一致性散度矩阵公式生成测试集的局部一致性散度矩阵； (6)求解最优投影矩阵 采用特征值分解方法求解最优投影矩阵； (7)投影降维 将最优投影矩阵和测试样本集矩阵相乘，得到测试样本集矩阵的降维矩阵。
2.根据权利要求I所述的基于局部一致性的遥感影像半监督投影降维方法，其特征在于步骤(I)所述的训练-测试样本比的选取范围为1/120 1/10。
3.根据权利要求I所述的基于局部一致性的遥感影像半监督投影降维方法，其特征在于步骤2a)所述的语义相似矩阵公式如下
4.根据权利要求I所述的基于局部一致性的遥感影像半监督投影降维方法，其特征在于步骤2b)所述的近邻方法如下 第一步，对于测试集中每一个样本，找出与该样本距离最近的k个样本，将得到的所有样本组成近邻结构集合V，k的取值范围为I 20 ; 第二步，采用下列几何结构矩阵公式生成近邻矩阵
5.根据权利要求I所述的基于局部一致性的遥感影像半监督投影降维方法，其特征在于步骤2c)所述的局部一致性约束方法如下 第一步，对于测试集中每一个样本，采用下列不等式约束公式，逐一找出测试集样本对应坐标与该样本对应坐标满足约束的样本
6.根据权利要求I所述的基于局部一致性的遥感影像半监督投影降维方法，其特征在于步骤(4)所述的局部近邻均值向量公式如下
7.根据权利要求I所述的基于局部一致性的遥感影像半监督投影降维方法，其特征在于步骤5a)所述的相异散度矩阵公式如下 其中，D表不测试集的相异散度矩阵M和IIij表不测试集第i和j个样本的均值向量，i= 1,2, . . . , N, j = 1,2, . . . , N, N表示测试集所有样本的总个数；T表示转置符号；SU表示测试样本集的标签矩阵第i行第j列位置对应的元素。
8.根据权利要求I所述的基于局部一致性的遥感影像半监督投影降维方法，其特征在于步骤5b)所述的相似散度矩阵公式如下M = ^(Xi-Xj)(Xi-Xj)tGij 其中，M表示测试集的相似散度矩阵；Xi和&表示测试集的第i和j个样本，i = 1，2,. . . , N, j = 1,2, . . . , N, N表示测试集所有样本的总个数；T表示转置符号；Gij表示测试样本集的近邻矩阵第i行第j列位置对应的元素。
9.根据权利要求I所述的基于局部一致性的遥感影像半监督投影降维方法，其特征在于步骤5c)所述的局部一致性散度矩阵公式如下
全文摘要
本发明公开了一种基于局部一致性的遥感影像半监督投影降维方法。其步骤为(1)划分遥感影像数据集；(2)生成语义相似矩阵、近邻矩阵和局部一致性矩阵；(3)融合标签矩阵和近邻矩阵；(4)生成近邻均值向量；(5)生成相异散度矩阵、相似散度矩阵和局部一致性散度矩阵；(6)求解最优投影矩阵；(7)投影降维。本发明采用基于局部一致性约束的半监督学习方法，提高了小样本学习情况下的识别率。
文档编号G06K9/62GK102902984SQ201210366079
公开日2013年1月30日 申请日期2012年9月27日 优先权日2012年9月27日
发明者杨淑媛, 焦李成, 徐雯晖, 刘芳, 缑水平, 侯彪, 王爽, 杨丽霞, 邓晓政, 王秀秀 申请人:西安电子科技大学