0019] 9)利用测试数据点在各流形的投影矩阵下的低维嵌入特征，分别计算测试数据点 与每个流形中各样本数据点之间的低维嵌入特征最小距离，得到测试数据点相对于各流形 的低维嵌入特征最小距离值；然后，以各个低维嵌入特征最小距离值中的最小值所对应的 流形的地物类别作为测试数据点所属的地物类别；由此，分别确定高光谱遥感影像中各个 测试数据点所属的类别，得到高光谱遥感影像中的地物类别的分类结果。
[0020] 上述稀疏自适应半监督多流形学习的高光谱影像分类方法中，具体而言，所述步 骤2)具体为：根据不同光谱波段对地物的光谱反射特性，将M行N列像素尺寸的高光谱遥 感影像转换为Q行B列的光谱数据矩阵X Q:
[0021] XQ= {x 1； x2, xq, xq}t；
[0022] 其中，Q表示高光谱遥感影像的数据点空间尺寸，且Q = MXN，B表示高光谱遥感 影像的光谱波段数；光谱数据矩阵XQ中的每一行表示高光谱遥感影像中的一个数据点在各 个光谱波段上的光谱数据值，每一列表示高光谱遥感影像中各个数据点在一个光谱波段的 光谱数据值；x q表示高光谱遥感影像中第q个数据点在各个光谱波段上的光谱数据值所构 成的光谱数据向量，qe {1，2,…，Q} ;T为矩阵转置符号。
[0023] 上述稀疏自适应半监督多流形学习的高光谱影像分类方法中，具体而言，所述步 骤3)得到的样本数据矩阵具体为：
[0024] X = {(x1； lj), (x2, 12), ???, (xi； li), ???, (xu, lu), xu+1, xu+2, ???, xjT；
[0025] 其中，X表示样本数据矩阵，11表示从高光谱遥感影像中选取的一个样本数据点的 光谱数据向量，li表示对光谱数据向量xj*注的样本类别标签，i G {1,2, ???，]!}，n表示从 高光谱遥感影像中选取作为样本数据点的数量，样本数据矩阵X中前u个样本数据点的光 谱数据向量根据先验知识标注有样本类别标签，其余的n-u个样本数据点的光谱数据向量 无样本类别标签。
[0026] 上述稀疏自适应半监督多流形学习的高光谱影像分类方法中，具体而言，所述步 骤4)具体为：
[0027] 41)对样本数据矩阵X中任一个样本数据点的光谱数据向量Xi，i e {1，2,…，n}， n表示从高光谱遥感影像中选取作为样本数据点的数量，利用样本数据矩阵X中的其它各 个光谱数据向量建立 Xi的仿射空间表示方程：
[0028]
[0029] 其中，e为松弛变量值，且〇〈 e〈10 ; ^ ? | |为12范数运算符，c 1表示样本数据矩 阵X中第i个样本数据点的光谱数据向量Xi的仿射空间表示向量，即：
[0030] Ci= [c i;1，ci;2，…，ci;J，…，(^，上
[0031] Cu表示xi的仿射空间方程中对应于光谱数据向量h的表示系数，je{1，2,… ，n}且j乒i ;
[0032]42)根据稀疏表示优化模型min | | Qa | |:和约束条件| | X心| |彡e，lTCi= 1对x i 的仿射空间表示方程进行求解，得到Xl.的同时满足稀疏优化模型和约束条件的仿射空间表 示向量q的最优解；其中，
【主权项】
1. 一种稀疏自适应半监督多流形学习的高光谱影像分类方法，其特征在于，包括如下 步骤： 1) 读入高光谱遥感影像数据； 2) 将高光谱遥感影像中每一个数据点根据其光谱波段生成一个光谱数据向量，从而由 各个数据点的光谱数据向量组成整幅高光谱遥感影像的光谱数据矩阵； 3) 从高光谱遥感影像中选取部分数据点作为样本数据点，由各个样本数据点的光谱数 据向量组成样本数据矩阵，并根据先验知识从样本数据矩阵中选取部分样本数据点的光谱 数据向量进行已知地物类别的标注，生成相应的样本类别标签； 4) 利用样本数据矩阵分别对其中每个样本数据点的光谱数据向量在仿射空间中构建 稀疏优化模型，并优化求解得到每个样本数据点对应的仿射空间表示向量，从而得到样本 数据矩阵对应的仿射空间表示矩阵； 5) 根据样本数据矩阵中标注有样本类别标签的样本数据点进行半监督多流形划分，构 建所有样本数据点的多流形稀疏相似图； 6) 根据仿射空间表示矩阵和样本数据矩阵中标记的样本类别标签，利用半监督方法确 定多流形稀疏相似图中各样本数据点之间的相似权重值，且根据多流形稀疏相似图中不同 流形结构的划分关系，得到各个流形的半监督相似权重矩阵，进而由各个流形的半监督相 似权重矩阵组成多流形稀疏相似图的半监督相似权重对角矩阵； 7) 构建低维嵌入目标优化函数，利用多流形稀疏相似图的半监督相似权重对角矩阵通 过稀疏多流形嵌入算法计算得到各流形的投影矩阵，进而得到每个流形中各个样本数据点 相对于其投影矩阵所投影的低维嵌入特征； 8) 对高光谱遥感影像中的测试数据点，分别利用各流形的投影矩阵对测试数据点的光 谱数据向量进行投影，得到测试数据点的光谱数据向量分别在各流形的投影矩阵下的低维 嵌入特征； 9) 利用测试数据点在各流形的投影矩阵下的低维嵌入特征，分别计算测试数据点与每 个流形中各样本数据点之间的低维嵌入特征最小距离，得到测试数据点相对于各流形的低 维嵌入特征最小距离值；然后，以各个低维嵌入特征最小距离值中的最小值所对应的流形 的地物类别作为测试数据点所属的地物类别；由此，分别确定高光谱遥感影像中各个测试 数据点所属的类别，得到高光谱遥感影像中的地物类别的分类结果。
2. 根据权利要求1所述稀疏自适应半监督多流形学习的高光谱影像分类方法，其特征 在于，所述步骤2)具体为：根据不同光谱波段对地物的光谱反射特性，将M行N列像素尺寸 的高光谱遥感影像转换为Q行B列的光谱数据矩阵X Q: Xq - 1，X2，…，Xq，…，Xq}; 其中，Q表示高光谱遥感影像的数据点空间尺寸，且Q = MXN，B表示高光谱遥感影像 的光谱波段数；光谱数据矩阵\中的每一行表示高光谱遥感影像中的一个数据点在各个光 谱波段上的光谱数据值，每一列表示高光谱遥感影像中各个数据点在一个光谱波段的光谱 数据值；X q表示高光谱遥感影像中第q个数据点在各个光谱波段上的光谱数据值所构成的 光谱数据向量，qe {1，2, ···，〇} ;T为矩阵转置符号。
3. 根据权利要求1所述稀疏自适应半监督多流形学习的高光谱影像分类方法，其特征 在于，所述步骤3)得到的样本数据矩阵具体为： X = {(X1, I1)，（x2, I2)，…，（Xi, Ii)，…，（xu，lu)，xu+1，x u+2，…，xjτ; 其中，X表示样本数据矩阵，Xi表示从高光谱遥感影像中选取的一个样本数据点的光谱 数据向量，Ii表示对光谱数据向量Xi标注的样本类别标签，i e {1,2,表示从高光 谱遥感影像中选取作为样本数据点的数量，样本数据矩阵X中前u个样本数据点的光谱数 据向量根据先验知识标注有样本类别标签，其余的n-u个样本数据点的光谱数据向量无样 本类别标签。
4. 根据权利要求1所述稀疏自适应半监督多流形学习的高光谱影像分类方法，其特征 在于，所述步骤4)具体为： 41) 对样本数据矩阵X中任一个样本数据点的光谱数据向量Xi，i e {1，2, ···，!!}，n表 示从高光谱遥感影像中选取作为样本数据点的数量，利用样本数据矩阵X中的其它各个光 谱数据向量建立X i的仿射空间表示方程： I [ (X1-Xi)，（X2-Xi)，…，（Xj-X i)，…，（Xn-Xi) ] Ci I I < ε ; s. ?. I - I 其中，ε为松弛变量值，且〇〈 ε〈10 · I I为I2范数运算符，c i表示样本数据矩阵X 中第i个样本数据点的光谱数据向量Xi的仿射空间表示向量，即： Ci - Cc i，1，Ci，2,…，Ci，j，…，Ci，rJ ; Ci，j表示Xi的仿射空间方程中对应于光谱数据向量Xj的表示系数，j e α，2，···，η}且 j乒i ; 42