一類基於圖像塊距離的高光譜圖像流形降維方法
2023-07-03 20:04:01
專利名稱:一類基於圖像塊距離的高光譜圖像流形降維方法
技術領域:
本發明屬於遙感圖像處理技術領域,具體涉及一種高光譜遙感圖像非線性降維方法。
背景技術:
遙感是本世紀六十年代發展起來的新興綜合技術,與空間、電子光學、計算機、地理學等科學技術緊密相關,是研究地球資源環境的最有力的技術手段之一。高光譜遙感是將成像技術與光譜技術相結合的多維信息獲取技術。高光譜成像儀在電磁波譜的數十至數百個非常窄且連續的光譜段上同時探測目標的二維幾何空間與一維光譜信息。高光譜圖像中,每一個觀測像素都可以提取出一條完整連續的光譜曲線,為地物信息的提取和分析提供了極其豐富的信息,有助於更加精細的地物分類和目標識別。然而,波段數的增多必然導致了信息的冗餘和數據處理複雜性的增加。同時,較高的光譜解析度在增強地物細微差別 分辨能力的同時,也帶來了維數災難(Hughes現象),這種現象嚴重影響了高光譜圖像的處理效果。高光譜圖像特徵降維成為解決這種現象的常用方法,它對於高光譜圖像分類等應用具有特殊的意義,在高光譜圖像處理中具有十分重要的作用[I]。高光譜數據降維技術是以圖像特徵提取為目的,利用低維數據來有效地表達高維數據特徵的數據處理技術。它在有效地保留了圖像信息的同時也大大減少了信息的冗餘,更有利於信息的快速提取。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。它的主要目標是通過線性變換尋找一組最優的單位正交向量基,並用它們的線性組合來重構原樣本,以使重建後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。下面介紹與本發明相關的一些概念
流形學習算法
流形學習算法是一種常見的非線性降維方法,它是基於這樣的假設高維數據在特徵空間中對應的點分布在「低維流形」上。因此,流形學習算法實現降維的目的是尋找原始數據在「低維流形」上的嵌入坐標。代表性的流形學習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]算法和拉普拉斯特徵映射(Laplacian Eigenmap, LE) [7]算法等。作為一種局部性保持算法,LLE認為數據流形具有局部線性,即一個數據點可以通過其鄰域完全重建,於是可以通過在降維空間中儘可能保持其局部線性特徵來實現降維。ISOMAP算法則是一種通過保持流形上兩點間的測地線距離來保持數據集的全局幾何特性。它保證了降維結果的穩健性和全局最優性,但是其運算複雜度較高。鄰接點個數C或者鄰域距離c )和低維數據的維度(固有維度) 是LLE和ISOMAP算法的兩個主要參數。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^,內在維度s,高維原始數據集,其中為數據點個數,£為數據維度。輸出低維映射空間數據集
權利要求
1.一類基於圖像塊距離的高光譜圖像流形降維方法,其特徵在於,採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,同時兼顧到觀測點周圍的空間結構 對於大小為
2.根據權利要求I所述的基於圖像塊距離的高光譜圖像流形降維方法,其特徵在於,採用改進的LLE算法;已知水平寬度、垂直寬度和波段數分別為fT、i¥和L的高光譜圖像數據矩陣 鄰接點個數數據集內在維數τ所述改進LLE算法的步驟如下 步驟一計算圖像塊距離矩陣 Ca)圖像鏡像擴展對應於大小為WXw的圖像±夾,原始數據擴充為
3.根據權利要求I所述的基於圖像塊距離的高光譜圖像流形降維方法,其特徵在於,採用改進的ISOMAP算法; 已知水平寬度、垂直寬度和波段數分別為『、/£和£的高光譜圖像數據矩陣Xei^xjsci ,鄰接點個數人,數據集內在維數/所述的改進ISOMAP算法的步驟如下步驟一計算圖像塊距離矩陣 Ca)圖像鏡像擴展對應於大小為WXw的圖像±夾,原始數據擴充為X e Λ[^+ι>- )/2]χ[ + .>- )/2]χΙ,使得處於邊緣和四角的像素也可以使用圖像塊距離; (b)對於原始數據集上的任意兩個觀測像素點X Iit和X ^ ,根據式(I)計算圖像塊距離q ),得到圖像塊距離矩陣D/W) e Rnxn ; 步驟二 在全樣本點中尋找每個樣本點的Z個鄰近點,並基於構建鄰域圖,計算最短路徑矩陣和執行MDS算法,得到最優嵌入結果。
全文摘要
本發明屬於遙感圖像處理技術領域,具體為一類基於圖像塊距離的高光譜圖像流形降維方法。本發明提出一種新的距離度量——圖像塊距離度量,並將其應用於流形學習的鄰域選擇和低維坐標嵌入中,得到一類新的高光譜遙感圖像非線性降維方法。本發明利用高光譜圖像物理特性,結合圖像的光譜信息和空間信息,可以更好地保持了數據點之間的局部特性,在最大限度減小圖像信息冗餘的基礎之上,很好的保持了原始數據集的特性。本發明對各種不同的高光譜數據都表現出良好的適用性。在基於高光譜遙感圖像的高精度的地物分類以及地面目標的檢測和識別方面具有重要的應用價值。
文檔編號G06T7/00GK102903116SQ201210400139
公開日2013年1月30日 申請日期2012年10月20日 優先權日2012年10月20日
發明者普晗曄, 王斌, 張立明 申請人:復旦大學