CN104463247B - 一种高光谱图像分类中光谱向量互相关特征的抽取方法 - Google Patents

Abstract

本发明公开了一种高光谱图像分类中光谱向量互相关特征的抽取方法，包括高光谱图像数据预处理——归一化、去噪、降维等；boostrap采样和加权平均获取参考样本集；光谱信号随机过程理论假设——假设一，光谱信号是一平稳随机过程某一时刻的随机试验，假设二，每个随机试验取值的概率都相等，其次根据随机过程自相关理论对光谱信号进行抽象，得出自相关系数计算公式，最后将其组合成自相关特征向量；采用最优方向法(MOD)对相关性特征向量进行稀疏分解。本发明从随机过程互相关的角度提出高光谱分类中特征抽取方法，具有较好的抗噪性和稳定性高，能够提高高光谱分类的精度。

Description

一种高光谱图像分类中光谱向量互相关特征的抽取方法

技术领域

本发明属于高光谱图像处理领域，尤其涉及一种高光谱图像分类中光谱向量互相关特征的抽取方法。

背景技术

高光谱图像将传统的空间维信息和光谱维信息有机地融合和为一体，在获取场景空间图像的同时，得到场景内所有对象的连续光谱，从而实现依据对象光谱特征分类和识别的目标。与传统的全色、多光谱遥感相比，因其高光谱分辨率和空间分辨率，有效得结合的光谱信息与空间信息，且数据量丰富，数据模型易于描述，高光谱图像在识别与精确分类方面具有突出的优势。随着高光谱成像技术的发展和成熟，高光谱图像处理技术已被广泛成功应用于医学诊断，农业检测，矿物探测，环境监测等领域中。

高光谱图像分类问题仍然是高光谱图像分析与处理技术的所面临的一大难题。高光谱图像本身存在很大缺陷，例如海量造成的数据冗余度过大，高空间分辨率带来的光谱混合以及噪声的影响，大大增加了精细分类的难度。传统的高光谱特征匹配分类方法需要大量的先验知识，对光谱特征数据库依赖性太高，而统计分类方法运算速度慢，精度受训练样本的影响较大。已有的特征抽取和分类方法往往受限于高光谱图像自身的缺陷，表现为算法的稳定性和鲁棒性不足。

发明内容

本发明的目的就是为了解决上述问题，提供一种高光谱图像分类中光谱向量互相关特征的抽取方法，它具有能有效应对小样本学习分类问题，且具有良好的抗噪性，能有效提高整个分类系统的分类精确度优点。

为了实现上述目的，本发明采用如下技术方案：

一种高光谱图像分类中光谱向量互相关特征的抽取方法，包括以下步骤：

步骤(1)：对高光谱图像原始数据进行预处理得到训练样本集合；所述预处理包括：将三维高光谱数据转化为二维特征向量矩阵、数据归一化、采用主成分分析法进行降维和随机抽取部分已标记样本构成训练样本集合；

步骤(2)：采取boostrap抽样法从训练样本集合中获取参考样本集，计算训练样本集合中的训练样本与参考样本集的参考样本的互相关系数，构建互相关系数特征向量；

步骤(3)：特征选择：根据步骤(2)中构建的互相关系数特征向量，从降低计算复杂度角度出发需要进行特征再选择，选择方法是对步骤(2)中构建的相关系数特征向量进行稀疏表示，稀疏化相关系数特征向量得到稀疏特征向量。

所述步骤(1)包括：

步骤(1-1)：将三维高光谱图像转换成二维特征矢量形式：

$I_{M\×N\×K}\stackrel{L=M\×N}{\⇒}{I}_{1_{L\×K}}---\left(1\right)$

${\mathrm{Lable}}_{M\×N}\stackrel{L=M\×N}{\⇒}{\mathrm{Lable}}_{1_{L\×1}}---\left(2\right)$

其中，I是三维高光谱图像，M为图像行数，N为图像列数，K为特征数，I₁是转化后的二维特征矩阵，I₁的每一行对应一个样本，每一列对应一个特征，L是像元总数，Lable是对应于I的标签矩阵，Lable₁是对应于I₁的标签矩阵；

步骤(1-2)：数据归一化：按照特征维，即所述步骤(1-1)中I₁的列，搜索每列中的特征值的最小值x_min、最大值x_max，将[x_min,x_max]之间的原特征值映射到[-1,1]之间，映射关系如公式(3)所示：

$y=\frac{(y_{\max }-y_{\min })*(x-x_{\min })}{x_{\max }-x_{\min }}+y_{\min }---\left(3\right)$

其中，y_max＝1，y_min＝-1，x是I₁中原特征值，y是映射到[-1,1]之间后的特征值，用y取代x，I₁经归一化后得到归一化后的图像数据I₂；

步骤(1-3)：采用主成分分析法(PCA)对归一化后的图像数据I₂进行主成分分析，降低图像噪声和特征维度：

主成分分析过程如下：归一化后的图像数据I₂表示成I₂＝(x₁,x₂,…,x_i,…,x_L)^T，其中x_i为一个K×1的列向量，表示一个样本。

样本中心化，即对I₂中所有样本进行中心化操作，具体方法为将I₂中所有向量减去全局均值向量 $\stackrel{\‾}{x}=\frac{1}{L}{\mathrm{\Σ}}_{i=0}^L{x}_i.$

计算中心化后的I₂的协方差矩阵Σ＝I₂ ^T*I₂，然后对协方差矩阵Σ特征分解，得到特征值矩阵Λ和特征向量矩阵ω，对I₂进行主成分变换：

I₃＝I₂*ω (4)

I₃是经过PCA降维后的图像数据，I₃的特征维度K1(列数)远小于I₂的特征维数K。

步骤(1-4)：随机抽取训练样本集合：

抽取方式采用随机数方法，即随机产生一组1～L之间的随机数a＝(a₁,a₂,...,a_l)，随机数不重复，l是随机数的个数。

将生成的随机数作为行标号，从步骤(1-3)的I₃中抽取对应的行组成训练样本集合train_matrix_l×K1，

将生成的随机数作为行标号，从步骤(1-1)的Lable₁抽取对应的标签，组成训练样本类别标签集合trian_label_l×1。

train_matrix_l×K1的每一行代表一个训练样本，对应rtian_label_l×1中相应行的类标签。

所述步骤(2)包括：

步骤(2-1)：采取boostrap抽样法构建各类别参考样本集合：

假设有c类，且每类参考样本数N_i。对类别i，根据所述步骤(1-4)中训练样本类别标签集合trian_label_l×1和训练样本集合train_matrix_l×K1，首先从训练样本集合train_matrix_l×K1中抽取类别标签为i的样本，构成样本子集Sub_i，其次从Sub_i中有放回抽取样本子集Sub_i样本总数的80％加权平均，所述加权平均公式如下：

${\mathrm{ref}}_i=\underset{i=1}{\overset{l1}{\mathrm{\Σ}}}{x}_i/l1---\left(5\right)$

其中，ref_i是加权后的新样本，是一个1×K1的行向量，x_i是抽取的样本，l1是抽取的样本数。

抽取N_i次后，会得到一个新的参考样本矩阵

汇总所有类别参考样本矩阵，得到总体参考样本矩阵Ref＝(Ref₁,Ref₂,…,Ref_c)^T。

步骤(2-2)：假设任意两个光谱特征向量x₁＝(x₁₁,x₁₂,…,x_1K1)^T，x₂＝(x₂₁,x₂₂,…,x_2K1)^T,分别是随机过程X(t,ω)的两次不同时间t，t+τ的随机试验，则X(t,ω)＝x₁,X(t+τ,ω)＝x₂对于离散平稳随机过程，同一平稳随机过程不同时间随机试验的互相关有：

$R_{\mathrm{XY}}\left(\mathrm{\τ}\right)=E\left\{X(t,\mathrm{\ω})X(t+\mathrm{\τ},\mathrm{\ω})\right\}=\underset{{\mathrm{\ω}}_i\∈\mathrm{\Ω}}{\mathrm{\Σ}}X(t,{\mathrm{\ω}}_i)*X(t+\mathrm{\τ},{\mathrm{\ω}}_i)*P\left({\mathrm{\ϖ}}_i\right)---\left(6\right)$

R_XY(τ)表示两个随机实验X(t,ω)、X(t+τ，ω)的互相关，τ为时间间隔，Ω＝{ω₁,ω₂,…,ω_i,…,ω_N}表示随机试验样本空间，N为随机试验所有可能结果的个数，ω_i是某次随机试验的结果，P(ω_i)是随机试验取得ω_i的概率。

当t固定时，令X(ω)＝X(t,ω)，Y(ω)＝X(t+τ,ω)，则公式(6)改写为：

$R_{\mathrm{XY}}\left(\mathrm{\τ}\right)=E\left\{X\left(\mathrm{\ω}\right)Y\left(\mathrm{\ω}\right)\right\}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_{1i}*x_{2i}*P\left({\mathrm{\ω}}_i\right)---\left(7\right)$

R_XY(τ)表示两个随机试验的互相关，x_1i＝X(t,ω_i)、x_2i＝X(t+τ,ω_i)分别对应于光谱特征向量x₁、x₂第i个特征值，ω_i∈Ω＝{ω₁,ω₂,…,ω_i,…,ω_N}，Ω表示随机试验样本空间，N为随机试验所有可能结果的个数，且N＝K1，ω_i是某次随机试验的结果，P(ω_i)是随机试验取得ω_i的概率；

步骤(2-3)：对步骤(2-2)的条件作进一步假设——假设所有特征取值的概率P(ω_i)相等，则能够去掉公式(7)的P(ω_i)，用R_XY取代R_XY(τ)，进一步转变得：

$R_{\mathrm{XY}}=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_{1i}*x_{2i}=x_1^T*x_2---\left(8\right)$

步骤(2-4)：根据式(8)的形式，结合kernel方法，将原始数据映射到高维空间，引入RBF核函数，其结构如下式所述：

$k(x,r)=e^{-\frac{{\left|\right|x-r\left|\right|}^2}{2{\mathrm{\σ}}^2}}---\left(9\right)$

其中，k(x,r)表示RBF核函数，x表示测试样本列向量，r是参考样本列向量，σ是RBF核函数的参数，且参数σ可调。

公式(8)能够被公式(9)取代：

R_xr＝k(x,r) (10)

R_xr是向量x与r之间的相关系数，x表示测试样本列向量，r是参考样本列向量；

步骤(2-5)：通过计算得到相关系数特征向量构成的训练样本矩阵；

步骤(2-6)：通过计算得到相关系数特征向量构成的测试样本矩阵。

所述步骤(2-5)的步骤为：

步骤(2-5-1)：对所述步骤(1-4)中训练样本集合train_matrix_l×K1中任意训练样本x_i，即train_matrix_l×K1中的一行数据，按照公式(9)和公式(10)计算训练样本x_i与步骤(2-1)的总体参考样本矩阵Ref中每个参考样本的互相关系数，得到训练样本x_i与总参考样本集合Ref所有参考样本的相关系数特征向量cor_i，用cor_i取代x_i作为训练样本；

步骤(2-5-2)：对所述步骤(1-4)中训练样本集合train_matrix_l×K1中所有训练样本x_i，i＝1,2,…,l执行步骤(2-5-1)操作，得到相关系数特征向量构成的训练样本矩阵train＝(cor₁,cor₂,…,cor_l)^T；

所述步骤(2-6)的步骤为：

步骤(2-6-1)：对所述步骤(1-3)I₃中任意一个测试样本x^*，即I₃中的一行数据，按照公式(9)和公式(10)计算测试样本x^*，与步骤(2-1)的总体参考样本矩阵Ref中每个参考样本的互相关系数，得到测试样本x^*，与总参考样本集合Ref所有参考样本的相关系数特征向量cor^*，用cor^*取代x^*，作为测试样本；

步骤(2-6-2)对所述步骤(1-3)I₃中所有测试样本L为I₃中样本数，执行步骤(2-6-1)操作，得到相关系数特征向量构成的测试样本矩阵

所述步骤(3)特征选择的方法为：

步骤(3-1)：采用稀疏分解法对步骤(2-5-2)的训练样本矩阵train中的相关系数训练样本进行稀疏分解，同时获得稀疏字典Φ，稀疏分解后，对应于train中每一个样本cor_i会得到一个稀疏系数特征向量α_i，用α_i取代cro_i,得到稀疏系数训练样本集合Train。

步骤(3-2)：对所述步骤(2-6-2)相关系数测试样本矩阵test在步骤(3-1)的稀疏字典Φ上进行稀疏分解，稀疏分解后，对应于test中每一个样本会得到一个稀疏系数特征向量用取代得到稀疏系数测试样本集合Test。

所述稀疏分解的方法如下，稀疏分解的基本模型为：

$\arg \min \{\frac{1}{2}{\left|\right|y-\mathrm{\Φ\α}\left|\right|}^2+\mathrm{\λ}{\left|\right|\mathrm{\α}\left|\right|}_1\}---\left(11\right)$

y是未稀疏化的特征向量，Φ是稀疏字典，α是特征向量y在稀疏字典Φ上分解的稀疏系数，λ是一个控制稀疏系数α变化的参数。

所述稀疏字典Φ采用最优方向法(MOD)学习获得：

以步骤(2-5-2)中train的相关系数训练样本作为MOD算法的输入样本X，寻找到一个稀疏字典Φ：

$\left[\begin{array}{ccc}\arg \underset{\mathrm{\Φ},A}{\min }{\left|\right|X-\mathrm{\ΦA}\left|\right|}_2^2& s.t.{\left|\right|{\mathrm{\β}}_i\left|\right|}_0^0\≤T& \∀i---\left(12\right)\end{array}\right]$

X是输入样本，A稀疏系数矩阵，β_i表示A中的第i列。

本发明的有益效果：

本发明从随机过程分析理论的角度出发，将光谱向量视作同一随机过程不同时刻的随机试验结果，将高光谱分类问题转化为两个随机试验的互相关问题，互相关系数越大，两个光谱向量属于同一类的概率越大。通过引入核方法，将光谱向量非线性映射到高维空间，计算待分类样本与参考样本之间的互相关系数，并组合成相关系数特征特征向量，并通过稀疏分解方法稀疏化相关系数特征向量，完成高光谱分类特征抽取过程。

本方法具有良好的抗噪性，稳定性，计算复杂度低，分类精度高等优点。

附图说明

图1本发明过光谱分类中自相关特征抽取法流程图；

图2相关性特征向量构建原理图。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

如图1所示，自相关特征抽取方法的过程是：

1)数据转换。将原始三维高光谱数据I转换成二维特征数据I₁，每一行对应一个样本，每一列对应一个特征。

2)数据归一化。数据归一化完成的是一个数据映射过程。步骤1)中I₁数据被投影映射到[-1,1]区间内。其过程是，搜索每列中的特征值的最小值x_min、最大值x_max，将[x_min,x_max]映射到[-1,1]之间。

3)采用主成分分析方法(PCA)对数据进行降维消噪。在2)的基础上对数据进行降维，要求用尽可能少的维度，表示尽可能多的原始图像信息。PCA降维后得到预处理数据集。

4)样本集的获取。样本集合包括训练样本集合和参考样本集合。本发明首先采用随机数方法获取训练样本集合，随机生成要抽取样本编号，然后从步骤3)中预处理数据集中抽取对应的样本，组成训练样本集合。然后采用boostrap采样方法获取参考样本集合，对训练样本按类别有放回采样，每次抽取一定数量样本加权平均计算出一个参考样本。一方面充分保证样本选择的随机性，另一方面，通过样本加权平均，增加参考样本的代表性。

5)相关系数的计算。将光谱信号看做一个平稳随机过程，每个样本对应一个时间t的随机实验结果。平稳随机过程互相关公式：

$\begin{array}{c}{R}_{\mathrm{XY}}\left(\mathrm{\τ}\right)=E\left\{X(t,\mathrm{\ω})Y(t+\mathrm{\τ},\mathrm{\ω})\right\}\\ =\underset{i}{\mathrm{\Σ}}x(t,{\mathrm{\ω}}_i)*y(t+\mathrm{\τ},{\mathrm{\ω}}_i)*P\left({\mathrm{\ω}}_i\right)\end{array}---\left(1\right)$

在高光谱图像中，ω_i对应于波段数，则可以假设取得每个ω_i的概率P(ω_i)是相等的，所以可以消除(13)式中P(ω_i)对相关系数的影响。

相关系数计算分为两个过程：

(1)对于训练样本集，任意一个训练样本，分别计算其与4)中参考样本集中所有

样本的互相关系数R，然后组合成相关性特征向量。

(2)对于原数据样本，对任意未标记样本，4)中参考样本集中所有样本的互相关系数R，然后将其组合成相关性特征向量。

如图2所示，相关性特征向量的构建过程。

6)相关性特征向量的稀疏化表示。必要性：(1)4)中的新构建的参考样本集中样本数目可能很大，根据5)中计算，所得相关性特征向量维度会很高；(2)系数表示能简化计算，降低数据量，提高分类效率。

所选方法为稀疏表示，基于5)中训练样本相关性特征向量结婚训练一个稀疏字典，训练方法是最优方向法(MOD)，然后对原相关性特征向量进行稀疏分解。

7)分类器测试，主要是对特征抽取算法进行评估。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (9)

1.一种高光谱图像分类中光谱向量互相关特征的抽取方法，其特征是，包括以下步骤：

步骤(1)：对高光谱图像原始数据进行预处理得到训练样本集合；所述预处理包括：将三维高光谱数据转化为二维特征向量矩阵、数据归一化、采用主成分分析法进行降维和随机抽取部分已标记样本构成训练样本集合；

步骤(2)：采取boostrap抽样法从训练样本集合中获取参考样本集，计算训练样本集合中的训练样本与参考样本集的参考样本的互相关系数，构建互相关系数特征向量：

步骤(2-1)：采取boostrap抽样法构建各类别参考样本集合；

步骤(2-2)：假设任意两个光谱特征向量x₁＝(x₁₁，x₁₂，...，x_1K1)^T，x₂＝(x₂₁，x₂₂，…，x_2K1)^T，分别是随机过程X(t，ω)的两次不同时间t，t+τ的随机试验，则X(t，ω)＝x₁,X(t+τ，ω)＝x₂，对于离散平稳随机过程，同一平稳随机过程不同时间随机试验的互相关有：

$R_{XY}\left(\mathrm{\τ}\right)=E\left\{X(t,\mathrm{\ω})X(t+\mathrm{\τ},\mathrm{\ω})\right\}=\underset{{\mathrm{\ω}}_i\∈\mathrm{\Ω}}{\Σ}X(t,{\mathrm{\ω}}_i)*X(t+\mathrm{\τ},{\mathrm{\ω}}_i)*P\left({\mathrm{\ω}}_i\right)---\left(6\right)$

R_XY(τ)表示两个随机实验X(t，ω)、X(t+τ，ω)的互相关，τ为时间间隔，Ω＝{ω₁，ω₂，...，ω_i，...，ω_N}表示随机试验样本空间，N为随机试验所有可能结果的个数，ω_i是某次随机试验的结果，P(ω_i)是随机试验取得ω_i的概率；

当t固定时，令X(ω)＝X(t，ω)，Y(ω)＝X(t+τ，ω)，则公式(6)改写为：

$R_{XY}\left(\mathrm{\τ}\right)=E\left\{X\left(\mathrm{\ω}\right)Y\left(\mathrm{\ω}\right)\right\}=\underset{i=1}{\overset{N}{\Σ}}{x}_{1i}*x_{2i}*P\left({\mathrm{\ω}}_i\right)---\left(7\right)$

R_XY(τ)表示两个随机试验的互相关，x_1i＝X(t，ω_i)、x_2i＝X(t+τ，ω_i)分别对应于光谱特征向量x₁、x₂第i个特征值，ω_i∈Ω＝{ω₁，ω₂，…，ω_i，…，ω_N}，Ω表示随机试验样本空间，N为随机试验所有可能结果的个数，且N＝K1，ω_i是某次随机试验的结果，P(ω_i)是随机试验取得ω_i的概率；

步骤(2-3)：对步骤(2-2)的条件作进一步假设——假设所有特征取值的概率P(ω_i)相等，则能够去掉公式(7)的P(ω_i)，用R_XY取代R_XY(τ)，进一步转变得：

$R_{XY}=\underset{i=1}{\overset{N}{\Σ}}{x}_{1i}*x_{2i}=x_1^T*x_2---\left(8\right)$

步骤(2-4)：根据式(8)的形式，结合kernel方法，将原始数据映射到高维空间，引入径向基函数RBF核函数，其结构如下式所述：

$k(x,r)=e^{-\frac{\left|\right|x-r|{|}^2}{2{\mathrm{\σ}}^2}}---\left(9\right)$

其中，k(x，r)表示RBF核函数，x表示测试样本列向量，r是参考样本列向量，σ是RBF核函数的参数，且参数σ可调；

公式(8)能够被公式(9)取代：

R_xr＝k(x，r) (10)

R_xr是向量x与r之间的相关系数，x表示测试样本列向量，r是参考样本列向量；

步骤(2-5)：通过计算得到相关系数特征向量构成的训练样本矩阵；

步骤(2-6)：通过计算得到相关系数特征向量构成的测试样本矩阵；

步骤(3)：特征选择：根据步骤(2)中构建的互相关系数特征向量，从降低计算复杂度角度出发需要进行特征再选择，选择方法是对步骤(2)中构建的相关系数特征向量进行稀疏表示，稀疏化相关系数特征向量得到稀疏特征向量。

2.如权利要求1所述的一种高光谱图像分类中光谱向量互相关特征的抽取方法，其特征是，所述将三维高光谱数据转化为二维特征向量矩阵的步骤为：

步骤(1-1)：将三维高光谱图像转换成二维特征矢量形式：

其中，I是三维高光谱图像，M为图像行数，N为图像列数，K为特征数，I₁是转化后的二维特征矩阵，I₁的每一行对应一个样本，每一列对应一个特征，L是像元总数，Lable是对应于I的标签矩阵，Lable₁是对应于I₁的标签矩阵。

3.如权利要求2所述的一种高光谱图像分类中光谱向量互相关特征的抽取方法，其特征是，所述数据归一化的步骤为：

步骤(1-2)：按照特征维，即所述步骤(1-1)中I₁的列，搜索每列中的特征值的最小值x_min、最大值x_max，将[x_min，x_max]之间的原特征值映射到[-1,1]之间，映射关系如公式(3)所示：

$y=\frac{(y_{max}-y_{min})*(x-x_{min})}{x_{max}-x_{min}}+y_{min}---\left(3\right)$

其中，y_max＝1，y_min＝-1，x是I₁中原特征值，y是映射到[-1,1]之间后的特征值，用y取代x，I₁经归一化后得到归一化后的图像数据I₂。

4.如权利要求3所述的一种高光谱图像分类中光谱向量互相关特征的抽取方法，其特征是，所述采用主成分分析法进行降维的步骤为：

步骤(1-3)：采用主成分分析法对归一化后的图像数据I₂进行主成分分析，降低图像噪声和特征维度：

主成分分析过程如下：归一化后的图像数据I₂表示成I₂＝(x₁，x₂，...，x_i，...，x_L)^T，其中x_i为一个K×1的列向量，表示一个样本；L是像元总数；

样本中心化，即对I₂中所有样本进行中心化操作，具体方法为将I₂中所有向量减去全局均值向量

计算中心化后的I₂的协方差矩阵∑＝I₂ ^T*I₂，然后对协方差矩阵∑特征分解，得到特征值矩阵Λ和特征向量矩阵ω，对I₂进行主成分变换：

I₃＝I₂*ω (4)

I₃是经过主成分分析法PCA降维后的图像数据，I₃的特征维度K1远小于I₂的特征维数K。

5.如权利要求4所述的一种高光谱图像分类中光谱向量互相关特征的抽取方法，其特征是，所述随机抽取部分已标记样本构成训练样本集合的步骤为：

步骤(1-4)：随机抽取训练样本集合：

抽取方式采用随机数方法，即随机产生一组1～L之间的随机数随机数不重复，是随机数的个数；

将生成的随机数作为行标号，从步骤(1-3)的I₃中抽取对应的行组成训练样本集合

将生成的随机数作为行标号，从步骤(1-1)的Lable₁抽取对应的标签，组成训练样本类别标签集合

的每一行代表一个训练样本，对应中相应行的类标签。

6.如权利要求5所述的一种高光谱图像分类中光谱向量互相关特征的抽取方法，其特征是，所述步骤(2-5)的步骤为：

步骤(2-5-1)：对所述步骤(1-4)中训练样本集合中任意训练样本x_i，即中的一行数据，按照公式(9)和公式(10)计算训练样本x_i与步骤(2-1)的总体参考样本矩阵Ref中每个参考样本的互相关系数，得到训练样本x_i与总参考样本集合Ref所有参考样本的相关系数特征向量cor_i，用cor_i取代x_i作为训练样本；

步骤(2-5-2)：对所述步骤(1-4)中训练样本集合中所有训练样本x_i，执行步骤(2-5-1)操作，得到相关系数特征向量构成的训练样本矩阵

所述步骤(2-6)的步骤为：

步骤(2-6-1)：对所述步骤(1-3)I₃中任意一个测试样本x^*，即I₃中的一行数据，按照公式(9)和公式(10)计算测试样本x^*，与步骤(2-1)的总体参考样本矩阵Ref中每个参考样本的互相关系数，得到测试样本x^*，与总参考样本集合Ref所有参考样本的相关系数特征向量cor^*，用cor^*取代x^*，作为测试样本；

步骤(2-6-2)对所述步骤(1-3)I₃中所有测试样本i＝1，2，…，L，L为I₃中样本数，执行步骤(2-6-1)操作，得到相关系数特征向量构成的测试样本矩阵

7.如权利要求6所述的一种高光谱图像分类中光谱向量互相关特征的抽取方法，其特征是，所述步骤(3)特征选择的方法为：

步骤(3-1)：采用稀疏分解法对步骤(2-5-2)的训练样本矩阵train中的相关系数训练样本进行稀疏分解，同时获得稀疏字典Φ，稀疏分解后，对应于train中每一个样本cor_i会得到一个稀疏系数特征向量α_i，用α_i取代cor_i,得到稀疏系数训练样本集合Train；

步骤(3-2)：对所述步骤(2-6-2)相关系数测试样本矩阵test在步骤(3-1)的稀疏字典Φ上进行稀疏分解，稀疏分解后，对应于test中每一个样本会得到一个稀疏系数特征向量用取代得到稀疏系数测试样本集合Test。

8.如权利要求5所述的一种高光谱图像分类中光谱向量互相关特征的抽取方法，其特征是，所述步骤(2-1)的步骤为：

假设有c类，且每类参考样本数N_i；对类别i，根据所述步骤(1-4)中训练样本类别标签集合和训练样本集合首先从训练样本集合中抽取类别标签为i的样本，构成样本子集Sub_i，其次从Sub_i中有放回抽取样本子集Sub_i样本总数的80％加权平均，所述加权平均公式如下：

其中，ref_i是加权后的新样本，是一个1×K1的行向量，x_i是抽取的样本，是抽取的样本数；

抽取N_i次后，会得到一个新的参考样本矩阵

汇总所有类别参考样本矩阵，得到总体参考样本矩阵Ref＝(Ref₁，Ref₂，…，Ref_c)^T。

9.如权利要求7所述的一种高光谱图像分类中光谱向量互相关特征的抽取方法，其特征是，

所述稀疏分解的方法如下，稀疏分解的基本模型为：

$\arg min\left\{\frac{1}{2}\right||y-\mathrm{\Φ}\mathrm{\α}|{|}^2+\mathrm{\λ}\left|\right|\mathrm{\α}\left|{|}_1\right\}---\left(11\right)$

y是未稀疏化的特征向量，Φ是稀疏字典，α是特征向量y在稀疏字典Φ上分解的稀疏系数，λ是一个控制稀疏系数α变化的参数；

所述稀疏字典Φ采用最优方向法学习获得：

以步骤(2-5-2)中train的相关系数训练样本作为最优方向法的输入样本X，寻找到一个稀疏字典Ф：

$\begin{array}{ccc}\arg \underset{\mathrm{\Φ},A}{min}\left|\right|X-\mathrm{\Φ}A|{|}_2^2& s.t.\left|\right|{\mathrm{\β}}_i|{|}_0^0\≤T& \∀i\end{array}---\left(12\right)$

X是输入样本，A稀疏系数矩阵，β_i表示A中的第i列。