CN112150396B - 高光谱图像降维方法、装置、终端设备及存储介质 - Google Patents
高光谱图像降维方法、装置、终端设备及存储介质 Download PDFInfo
- Publication number
- CN112150396B CN112150396B CN202011106438.XA CN202011106438A CN112150396B CN 112150396 B CN112150396 B CN 112150396B CN 202011106438 A CN202011106438 A CN 202011106438A CN 112150396 B CN112150396 B CN 112150396B
- Authority
- CN
- China
- Prior art keywords
- sample point
- hyperspectral image
- image data
- dimension reduction
- spatial
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000011159 matrix material Substances 0.000 claims abstract description 61
- 238000001228 spectrum Methods 0.000 claims abstract description 55
- 230000006870 function Effects 0.000 claims description 21
- 230000003595 spectral effect Effects 0.000 claims description 19
- 238000009499 grossing Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 5
- 230000014759 maintenance of location Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000012880 independent component analysis Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种高光谱图像降维方法,包括:确定高光谱图像数据中,每个样本点的a个邻近样本点,a为大于等于1的整数;基于每个样本点与对应的邻近样本点之间的空间距离以及光谱差异,获得对应的权重值;并基于权重值,构建高光谱图像数据的邻接矩阵;基于邻接矩阵获得投影矩阵;并基于投影矩阵得到降维后的高光谱图像数据,从而使得降维后的高光谱图像保留了数据内部的非线性结构,同时,由于构建邻接矩阵时,既考虑了空间距离,又考虑了光谱差异,从而使得降维后的高光谱图像可以保留更多的信息,并且鲁棒性更好。本发明还公开了一种高光谱图像降维装置、终端设备及存储介质,降维的鲁棒性更好。
Description
技术领域
本发明涉及数据处理领域,特别涉及一种高光谱图像降维方法、装置、终端设备及存储介质。
背景技术
高光谱图像数据中存在大量冗余的多重共线性信息,因此,在对图像进行分类及异常点检测识别前,需要对高光谱数据进行降维处理以便保留有价值的信息,减少冗余信息,提高图像的分类与识别的效率。
针对高光谱图像数据的降维处理问题,常规的处理方法是:特征选择和特征提取。特征选择是直接从原始波段选择若干波段用于后续处理,会损失大量信息,因此,目前更倾向于特征提取。
现有文献中,特征提取方法主要包括:主成分分析法(PCA,Principal ComponentsAnalysis)、线性判别分析(LDA,Linear Discriminant Analysis),独立成分分析(ICA,Independent Component Analysis),局部保持投影(LPP,Locality PreservingProjections),近邻保持嵌入(NPE,Neighborhood Preserving Embedding)。
对于主成分分析法和线性判别分析,其无法揭示数据内部的非线性结构;对于局部保持投影、近邻保持嵌入,基于空间距离确定邻接矩阵,鲁棒性较差。
发明内容
本发明的主要目的是提供一种高光谱图像降维方法、装置、终端设备及存储介质,旨在解决现有降维处理过程中,无法揭示数据内部的非线性结构,鲁棒性较差的技术问题。
为实现上述目的,本发明提出一种高光谱图像降维方法,所述高光谱图像降维方法包括以下步骤:
确定高光谱图像数据中,每个样本点的a个邻近样本点,所述a为大于等于1的整数;
基于所述高光谱图像数据中,每个样本点与对应的所述邻近样本点之间的空间距离以及光谱差异,获得对应的权重值;
基于所述高光谱图像数据中,每个样本点与对应的所述邻近样本点之间的权重值,构建所述高光谱图像数据的邻接矩阵;
基于所述邻接矩阵获得投影矩阵;
基于所述投影矩阵获得降维后的高光谱图像数据。
可选的,所述确定高光谱图像数据中,每个样本点的a个邻近样本点之前,所述高光谱图像降维方法还包括:
对所述高光谱图像数据进行平滑滤波。
可选的,所述对所述高光谱图像数据进行平滑滤波的步骤包括:
基于以下公式对所述高光谱图像数据进行平滑滤波:
其中,xi为所述高光谱图像数据中第i个样本点对应的光谱参数,x′i为对所述第i个样本点进行平滑滤波后的光谱参数,vik=exp(-γ0||xi-xik||2),γ0为预设参数,||xi-xik||2为xi-xik的二范数,xik为所述第i个样本点对应的空间邻域Ω(xi)中的第k个样本点的光谱参数,
Ω(xi)={xi(p,q)|p∈[pi-t,pi+t],q∈[qi-t,qi+t]},ω为预设邻域空间,ω=2t+1,t为所述预设邻域空间ω的大小调节参数,t为正整数,pi、qi为所述第i个样本点的空间坐标。
可选的,所述确定高光谱图像数据中,每个样本点的a个邻近样本点的步骤包括:
基于以下公式获得所述高光谱图像数据中,任意两个样本点之间的空谱距离:
其中,xj为所述高光谱图像数据中的第j个样本点对应的光谱参数,dss(xi,xj)为所述第i个样本点到所述第j个样本点的空谱距离,
||xik-xj||2为xik-xj的二范数,
||xik-xj||为xik-xj的范数;
根据所述任意两个样本点之间的空谱距离,确定所述高光谱图像数据中,每个样本点的a个邻近样本点。
可选的,所述基于所述高光谱图像数据中,每个样本点与对应的所述邻近样本点之间的空间距离以及光谱差异,获得对应的权重值的步骤包括:
确定所述高光谱图像数据中,每个样本点与对应的所述邻近样本点之间的空间距离;
基于所述高光谱图像数据中,每个样本点与对应的所述邻近样本点之间的光谱差异与空间距离的商,得到每个样本点与对应的所述邻近样本点之间的空谱联合参数;
基于所述高光谱图像数据中,每个样本点与对应的所述邻近样本点之间的空谱联合参数,确定对应的权重值。
可选的,所述基于所述高光谱图像数据中,每个样本点与对应的所述邻近样本点之间的空谱联合参数,确定对应的权重值的步骤包括:
基于以下公式获得所述高光谱图像数据中,每个样本点与对应的所述邻近样本点之间的权重值:
其中,φi(ib)为所述高光谱图像数据X中的第i个样本点与A(xi)中的第b个邻近样本点对应的权重值,A(xi)为所述第i个样本点对应的邻近样本点集合,
hi(ib)为所述第i个样本点与所述A(xi)中的第b个邻近样本点对应的空谱联合参数;
为所述第i个样本点与所述A(xi)中的第r个邻近样本点对应的空谱联合参数的转置;
hi(ic)为所述第i个样本点与所述A(xi)中的第c个邻近样本点对应的空谱联合参数;
为所述第i个样本点与所述A(xi)中的第g个邻近样本点对应的空谱联合参数的转置。
可选的,所述基于所述邻接矩阵获得投影矩阵的步骤包括:
基于局部保持投影算法中的目标函数以及邻近保持嵌入算法中的目标函数,确定联合目标函数;
基于所述联合目标函数得到投影矩阵。
此外,为实现上述目的,本发明还提出一种高光谱图像降维装置,所述高光谱图像降维装置包括:
确定模块,用于确定高光谱图像数据中,每个样本点最接近的a个邻近样本点,所述a为大于等于1的整数;
获得模块,用于基于所述高光谱图像数据中,每个样本点与对应的所述邻近样本点之间的空间距离以及光谱差异,获得对应的权重值;
构建模块,用于基于所述高光谱图像数据中,每个样本点与对应的所述邻近样本点之间的权重值,构建所述高光谱图像数据的邻接矩阵;
投影模块,用于基于所述邻接矩阵获得投影矩阵;
降维模块,用于基于所述投影矩阵得到降维后的高光谱图像数据。
此外,为实现上述目的,本发明还提出一种终端设备,所述终端设备包括:存储器、处理器及存储在所述存储器上并在所述处理器上运行高光谱图像降维程序,所述高光谱图像降维程序被所述处理器执行时实现上述任一项所述的高光谱图像降维方法的步骤。
此外,为实现上述目的,本发明还提出一种计算机可读存储介质,所述存储介质上存储有高光谱图像降维程序,所述高光谱图像降维程序被处理器执行时实现上述任一项所述的高光谱图像降维方法的步骤。
本发明技术方案通过采用一种高光谱图像降维方法,所述高光谱图像降维方法包括以下步骤:确定高光谱图像数据中,每个样本点的a个邻近样本点,其中,a为大于等于1的整数;基于每个样本点与对应的邻近样本点之间的空间距离以及光谱差异,获得对应的权重值;基于每个样本点与对应的邻近样本点之间的权重值,构建高光谱图像数据的邻接矩阵;基于邻接矩阵获得投影矩阵;并基于投影矩阵得到降维后的高光谱图像数据,本发明中,基于邻近样本点以及邻接矩阵进行降维,从而使得降维后的高光谱图像可以保留数据内部的非线性结构;在构建邻接矩阵时,既考虑了空间距离,又考虑了光谱差异,从而使得降维后的高光谱图像可以保留更多的信息,并且鲁棒性更好。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图示出的结构获得其他的附图。
图1为本发明实施例方案涉及的硬件运行环境的终端设备或智能电视结构示意图;
图2为本发明第一实施例的高光谱图像降维方法的流程示意图;
图3为本发明第二实施例的高光谱图像降维方法的流程示意图;
图4为本发明高光谱图像降维装置的模块示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的终端设备的结构示意图。
终端设备可以是移动电话、智能电话、笔记本电脑、数字广播接收器、个人数字助理(PDA)、平板电脑(PAD)等用户设备(User Equipment,UE)、手持设备、车载设备、可穿戴设备、计算设备、电视机、监控设备或连接到无线调制解调器的其它处理设备、移动台(Mobilestation,MS)等,终端设备台可以是控制面板灯智能家居设备。设备可能被称为用户终端、便携式终端、台式终端等。
通常,终端设备包括:至少一个处理器301、存储器302以及存储在所述存储器上并可在所述处理器上运行的高光谱图像降维程序,所述高光谱图像降维程序配置为实现如下任一实施例所述的高光谱图像降维方法的步骤。
处理器301可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器301可以采用DSP(Digital Signal Processing,数字信号处理)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)、PLA(Programmable Logic Array,可编程逻辑阵列)中的至少一种硬件形式来实现。处理器301也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称CPU(CentralProcessingUnit,中央处理器);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器301可以在集成有GPU(Graphics Processing Unit,图像处理器),GPU用于负责显示屏所需要显示的内容的渲染和绘制。处理器301还可以包括AI(Artificial Intelligence,人工智能)处理器,该AI处理器用于处理有关高光谱图像降维方法操作,使得高光谱图像降维方法模型可以自主训练学习,提高效率和准确度。
存储器302可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器302还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中,存储器302中的非暂态的计算机可读存储介质用于存储至少一个指令,该至少一个指令用于被处理器301所执行以实现本申请中方法实施例提供的高光谱图像降维方法。
在一些实施例中,终端还可选包括有:通信接口303和至少一个外围设备。处理器301、存储器302和通信接口303之间可以通过总线或信号线相连。各个外围设备可以通过总线、信号线或电路板与通信接口303相连。具体地,外围设备包括:射频电路304、显示屏305和电源306中的至少一种。
通信接口303可被用于将I/O(Input/Output,输入/输出)相关的至少一个外围设备连接到处理器301和存储器302。在一些实施例中,处理器301、存储器302和通信接口303被集成在同一芯片或电路板上;在一些其他实施例中,处理器301、存储器302和通信接口303中的任意一个或两个可以在单独的芯片或电路板上实现,本实施例对此不加以限定。
射频电路304用于接收和发射RF(Radio Frequency,射频)信号,也称电磁信号。射频电路304通过电磁信号与通信网络以及其他通信设备进行通信。射频电路304将电信号转换为电磁信号进行发送,或者,将接收到的电磁信号转换为电信号。可选地,射频电路304包括:天线系统、RF收发器、一个或多个放大器、调谐器、振荡器、数字信号处理器、编解码芯片组、用户身份模块卡等等。射频电路304可以通过至少一种无线通信协议来与其它终端进行通信。该无线通信协议包括但不限于:城域网、各代移动通信网络(2G、3G、4G及5G)、无线局域网和/或WiFi(Wireless Fidelity,无线保真)网络。在一些实施例中,射频电路304还可以包括NFC(Near Field Communication,近距离无线通信)有关的电路,本申请对此不加以限定。
显示屏305用于显示UI(User Interface,用户界面)。该UI可以包括图形、文本、图标、视频及其它们的任意组合。当显示屏305是触摸显示屏时,显示屏305还具有采集在显示屏305的表面或表面上方的触摸信号的能力。该触摸信号可以作为控制信号输入至处理器301进行处理。此时,显示屏305还可以用于提供虚拟按钮和/或虚拟键盘,也称软按钮和/或软键盘。在一些实施例中,显示屏305可以为一个,电子设备的前面板;在另一些实施例中,显示屏305可以为至少两个,分别设置在电子设备的不同表面或呈折叠设计;在再一些实施例中,显示屏305可以是柔性显示屏,设置在电子设备的弯曲表面上或折叠面上。甚至,显示屏305还可以设置成非矩形的不规则图形,也即异形屏。显示屏305可以采用LCD(LiquidCrystal Display,液晶显示屏)、OLED(Organic Light-Emitting Diode,有机发光二极管)等材质制备。
电源306用于为电子设备中的各个组件进行供电。电源306可以是交流电、直流电、一次性电池或可充电电池。当电源306包括可充电电池时,该可充电电池可以支持有线充电或无线充电。该可充电电池还可以用于支持快充技术。
本领域技术人员可以理解,图1中示出的结构并不构成对高光谱图像降维设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
此外,本发明实施例还提出一种计算机可读存储介质,所述存储介质上存储有高光谱图像降维程序,所述高光谱图像降维程序被处理器执行时实现如下文任一实施例所述高光谱图像降维方法的步骤。因此,这里将不再进行赘述。另外,对采用相同方法的有益效果描述,也不再进行赘述。对于本申请所涉及的计算机可读存储介质实施例中未披露的技术细节,请参照本申请方法实施例的描述。确定为示例,程序指令可被部署为在一个计算设备上执行,或者在位于一个地点的多个计算设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个计算设备上执行。
本领域普通技术人员可以理解实现下文任一实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述高光谱图像降维程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如下述各方法的实施例的流程。其中,上述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
基于上述硬件结构,提出本发明高光谱图像降维方法的实施例。
参照图2,图2为本发明高光谱图像降维方法的第一实施例的流程示意图,所述高光谱图像降维方法包括以下步骤:
步骤S11:确定高光谱图像数据中,每个样本点的a个邻近样本点。
本实施例中,a为大于等于1的整数,a的取值可以根据实际需要灵活设置,在一个示例中,a的取值范围可以为[10,20],例如,a可以是10、15、20等。
应当理解的是,高光谱图像数据中,包括多个样本点,为每一个样本点,确定比较接近的a个样本点,作为邻近样本点,邻近样本点也为高光谱图像数据中的样本点。
本实施例中,确定高光谱图像数据中,每个样本点的a个邻近样本点的具体方式可以根据实际需要灵活设置。
在一些实施例中,步骤S11包括:基于样本点之间的空间距离,确定高光谱图像数据中,每个样本点的a个邻近样本点。应当理解的是,在高光谱图像数据中,各样本点都有对应的空间坐标,基于样本点的空间坐标,可以获得两个样本点之间的空间距离,然后,基于空间距离,确定与某一样本点空间距离排名前a位的样本点作为该样本点的邻近样本点,其中,空间距离越小,排名越靠前。两个样本点之间的空间距离可以基于以下空间距离获得公式获得:
本实施例中,假设将高光谱图像数据记为X,X∈Rn×m(也就是说,高光谱图像数据为n×m矩阵,n、m均为大于1的整数),X={x1,x2,…,xn-1,xn},也就是说,X包括n个样本点,其中,xi为X中的第i个样本点对应的光谱参数,xj为X中的第j个样本点对应的光谱参数,i、j的取值范围为[1,n],xi∈R1×m(也就是说,xi为1×m矩阵),xj∈R1×m。
为第i个样本点与第j个样本点之间的空间距离,pi、qi为第i个样本点的空间坐标,pj、qj为第j个样本点的空间坐标。
例如,假设高光谱图像数据中包括5个样本点,a为2,第一个样本点与第二、三、四、五样本点之间的空间距离分别为:2、8、7、9,由于第二、三、四、五样本点中,第二、四样本点为与第一样本点之间的空间距离排名前两位的样本点,因此,第二、四样本点为第一样本点的邻近样本点。
在一些实施例中,包括S11包括:
步骤S111:获得高光谱图像数据中,任意两个样本点之间的空谱距离。
其中,基于以下公式获得高光谱图像数据中,任意两个样本点之间的空谱距离:
dss(xi,xj)为第i个样本点到第j个样本点的空谱距离,xik为高光谱图像数据中,第i个样本点对应的空间邻域Ω(xi)中的第k个样本点的光谱参数,k的取值范围为[1,ω2]。应当理解的是,Ω(xi)中的样本点为X中的样本点。
其中,Ω(xi)={xi(p,q)|p∈[pi-t,pi+t],q∈[qi-t,qi+t]},ω为预设邻域空间大小,ω=2t+1,t为所述预设邻域空间ω的大小调节参数,t为正整数;
||xik-xj||2为xik-xj的二范数,exp为以自然常数e为底的指数函数;
||xik-xj||为xik-xj的范数,∑为累加函数。
步骤S112:根据任意两个样本点之间的空谱距离,确定高光谱图像数据中,每个样本点的a个邻近样本点。
基于步骤S111获得出来的空谱距离,确定与某一个样本点空谱距离排名前a位的样本点作为该样本点的邻近样本点,其中,空谱距离越小,排名越靠前。例如,假设高光谱图像数据中包括4个样本点,a为1,第一个样本点与第二、三、四样本点之间的空谱距离分别为:4、7、10、9,由于第二、三、四样本点中,第二样本点为与第一样本点之间的距离最小的1个样本点,因此,第二样本点为第一样本点的邻近样本点。
步骤S12:基于高光谱图像数据中,每个样本点与对应的邻近样本点之间的空间距离以及光谱差异,获得对应的权重值。
本实施例中,在确定每个样本点对应的邻近样本点之后,需要获得各样本点之间的权重值,以构建邻接矩阵。对于样本点与邻近样本点之间的权重值,根据样本点与邻近样本点之间的空间距离以及光谱差异获得。
在一些示例中,步骤S12包括:
步骤S121:确定高光谱图像数据中,每个样本点与对应的邻近样本点之间的空间距离。
其中,获得样本点之间的空间距离的方式,请参见前述记载,此处不再赘述。
步骤S122:基于高光谱图像数据中,每个样本点与对应的邻近样本点之间的光谱差异与空间距离的商,得到每个样本点与对应的邻近样本点之间的空谱联合参数。
空谱联合参数获得公式如下:
hi(ib)为X中的第i个样本点与A(xi)中的第b个邻近样本点对应的空谱联合参数,A(xi)为X中的第i个样本点对应的邻近样本点集合;x(ib)为A(xi)中的第b个邻近样本点的光谱参数;由于每一样本点对应的邻近样本点个数为a,因此A(xi)中包括a个样本点,b的取值范围为[1,a];为A(xi)中的第b个邻近样本点与X中的第i个样本点之间的空间距离,xi-x(ib)为第i个样本点与第i个样本点对应的第b个邻近样本点之间的光谱差异。
步骤S123:基于高光谱图像数据中,每个样本点与对应的邻近样本点之间的空谱联合参数,确定对应的权重值。
其中,基于以下公式获得每个样本点与对应的邻近样本点对应的权重值:
其中,φi(ib)=φ(xi,x(ib))为X中的第i个样本点与A(xi)中的第b个邻近样本点对应的权重值。
基于拉格朗日乘数法对上述公式求解得到权重值获得公式:
其中,为hi(ir)的转置,hi(ir)为X中的第i个样本点与A(xi)中的第r个邻近样本点对应的空谱联合参数;
hi(ic)为X中的第i个样本点与A(xi)中的第c个邻近样本点对应的空谱联合参数;
为hi(ig)的转置,hi(ig)为X中的第i个样本点与A(xi)中的第g个邻近样本点对应的空谱联合参数。
对于hi(ir)、hi(ic)、hi(ig)的获得方式,请参见hi(ib)的获得方式,此处不再赘述。
步骤S13:基于高光谱图像数据中,每个样本点与对应的邻近样本点之间的权重值,构建高光谱图像数据的邻接矩阵。
本实施例中,对于邻接矩阵Φ中的第i行第j列的元素φij(即X中第i个样本点与第j个样本点之间的权重值),若第j个样本点不是第i个样本点的邻近样本点,则φij=0;若第j个样本点是第i个样本点的邻近样本点,则φij等于步骤S12中获得出来的对应的权重值。
为了更好的理解,此处以一个示例进行说明。假设n为4(即高光谱图像数据中包括4个样本点),X={x1,x2,x3,x4},a为2,A(x1)={x2,x3}(即x2为A(x1)中的第1个样本点,x2=x1(11));A(x2)={x3,x4},A(x3)={x2,x4},A(x4)={x3,x2};则对于φ12=φ1(11)、φ13=φ1(12)基于上述权重值获得公式得到(因为第2、3样本点是第1样本点的邻近样本点),φ14=0(因为第4样本点不是第1样本点的邻近样本点);对于φ23=φ2(21)、φ24=φ2(22)基于上述权重值获得公式得到,φ21=0;对于φ32=φ3(31)、φ34=φ3(32)基于上述权重值获得公式得到,φ31=0;对于φ42=φ4(42)、φ43=φ4(41),基于上述权重值获得公式得到,φ41=0,从而可以得到邻接矩阵。
本实施例中,为了保证邻接矩阵的对称性,及权重系数的非负性,先基于高光谱图像数据中,每个样本点与对应的邻近样本点之间的权重值,构建高光谱图像数据的初始邻接矩阵,然后令Φ=max(|Φ|,|ΦT|)以得到最终的邻接矩阵Φ。
步骤S14:基于邻接矩阵获得投影矩阵。
在一些实施例中,步骤S14包括:基于局部保持投影算法中的目标函数,得到投影矩阵。其中,局部保持投影算法中的目标函数为:
约束条件WTXTXW=I
其中,zi为第i个样本点降维后的频谱参数,zj为第j个样本点降维后的频谱参数,L=D-Φ,D为对角矩阵,W为投影矩阵。
在一些实施例中,步骤S14包括:基于邻近保持嵌入算法中的目标函数,得到投影矩阵。具体的,邻近保持嵌入算法中的目标函数为:
约束WTXTXW=I
其中,M=(I-Φ)T(I-Φ),I为单位矩阵。
在一些实施例中,步骤S14包括:
步骤S141:基于局部保持投影算法中的目标函数以及邻近保持嵌入算法中的目标函数,确定联合目标函数。
对于局部保持投影算法中的目标函数以及邻近保持嵌入算法中的目标函数,请参见前述记载。
联合目标函数为:
min(αWTXTLXW+(1-α)WTXTMXW) s.t.WTXTXW=I
其中,α∈[0,1],α的具体取值可以根据实际需要灵活设置。
步骤S142:基于联合目标函数得到投影矩阵。
本实施例中,根据拉格朗日乘数法对以下等式进行求解:
XT(αL+(1-α)M)X=λXTXw,其中,λ为特征值,
得到最小的d个特征值λ1,λ2,…λd,以及对应的特征向量w1,w2,…,wd,从而得到投影矩阵W=(w1,w2,…,wd)。
步骤S15:基于投影矩阵得到降维后的高光谱图像数据。
假设降维后的高光谱图像数据为Z,则Z=XW。
本实施例提供的高光谱图像降维方法,包括以下步骤:确定高光谱图像数据中,每个样本点最接近的a个邻近样本点,其中,a为大于等于1的整数;基于每个样本点与对应的邻近样本点之间的空间距离以及光谱差异,获得对应的权重值;基于每个样本点与对应的邻近样本点之间的权重值,构建高光谱图像数据的邻接矩阵;基于邻接矩阵获得投影矩阵;并基于投影矩阵得到降维后的高光谱图像数据,本发明中,基于邻近样本点以及邻接矩阵进行降维,从而使得降维后的高光谱图像可以保留数据内部的非线性结构;在构建邻接矩阵时,既考虑了空间距离,又考虑了光谱差异,从而使得降维后的高光谱图像可以保留更多的信息,并且鲁棒性更好。
基于第一实施例,提出本发明高光谱图像降维方法的第二实施例,步骤S11之前,参见图3所示,高光谱图像降维方法还包括:
步骤S10:对高光谱图像数据进行平滑滤波。
其中,对高光谱图像数据进行平滑滤波的具体方式可以根据实际需要灵活设置。
在一些实施例中,步骤S10包括:基于以下公式对所述高光谱图像数据进行平滑滤波:
其中,x′i为对所述第i个样本点进行平滑滤波后的光谱参数;
vik=exp(-γ0||xi-xik||2),γ0为预设参数,γ0的取值范围可以是[0.1,0.5],例如,可以是0.1、0.2、0.5等。||xi-xik||2为xi-xik的二范数。
本实施例提供的高光谱图像降维方法,在确定高光谱图像数据中,每个样本点最接近的a个邻近样本点之前,先对高光谱数据进行平滑滤波处理,从而基于平滑滤波处理后的高光谱图像数据进行降维,从而可以减小高光谱图像数据中的噪声。
本实施例中,在前述高光谱图像降维方法实施例的基础上,提供一种高光谱图像降维装置,参照图4,图4为本发明高光谱图像降维装置的模块示意图,所述高光谱图像降维装置包括:
确定模块21,用于确定高光谱图像数据中,每个样本点的a个邻近样本点,a为大于等于1的整数。
获得模块22,用于基于高光谱图像数据中,每个样本点与对应的邻近样本点之间的空间距离以及光谱差异,获得对应的权重值。
构建模块23,用于基于高光谱图像数据中,每个样本点与对应的邻近样本点之间的权重值,构建高光谱图像数据的邻接矩阵。
投影模块24,用于基于邻接矩阵获得投影矩阵。
降维模块25,用于基于投影矩阵得到降维后的高光谱图像数据。
需要说明的是,高光谱图像降维装置还可选的包括有对应的模块,以实施上述高光谱图像降维方法中的其他步骤。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上所述仅为本发明的可选实施例,并非因此限制本发明的专利范围,凡是在本发明的发明构思下,利用本发明说明书及附图内容所作的等效结构变换,或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。
Claims (8)
1.一种高光谱图像降维方法,其特征在于,所述高光谱图像降维方法包括以下步骤:
确定高光谱图像数据中,每个样本点的a个邻近样本点,所述a为大于等于1的整数;
基于所述高光谱图像数据中,每个样本点与对应的所述邻近样本点之间的空间距离以及光谱差异,获得对应的权重值;
基于所述高光谱图像数据中,每个样本点与对应的所述邻近样本点之间的权重值,构建所述高光谱图像数据的邻接矩阵;
基于所述邻接矩阵获得投影矩阵;
基于所述投影矩阵获得降维后的高光谱图像数据;
所述基于所述高光谱图像数据中,每个样本点与对应的所述邻近样本点之间的空间距离以及光谱差异,获得对应的权重值的步骤包括:
确定所述高光谱图像数据中,每个样本点与对应的所述邻近样本点之间的空间距离;
基于所述高光谱图像数据中,每个样本点与对应的所述邻近样本点之间的光谱差异与空间距离的商,得到每个样本点与对应的所述邻近样本点之间的空谱联合参数;
基于所述高光谱图像数据中,每个样本点与对应的所述邻近样本点之间的空谱联合参数,确定对应的权重值;
所述基于所述高光谱图像数据中,每个样本点与对应的所述邻近样本点之间的空谱联合参数,确定对应的权重值的步骤包括:
基于以下公式获得所述高光谱图像数据中,每个样本点与对应的所述邻近样本点之间的权重值:
其中,φi(ib)为所述高光谱图像数据X中的第i个样本点与A(xi)中的第b个邻近样本点对应的权重值,A(xi)为所述第i个样本点对应的邻近样本点集合,
hi(ib)为所述第i个样本点与所述A(xi)中的第b个邻近样本点对应的空谱联合参数;
为所述第i个样本点与所述A(xi)中的第r个邻近样本点对应的空谱联合参数的转置;
hi(ic)为所述第i个样本点与所述A(xi)中的第c个邻近样本点对应的空谱联合参数;
为所述第i个样本点与所述A(xi)中的第g个邻近样本点对应的空谱联合参数的转置。
2.如权利要求1所述的高光谱图像降维方法,其特征在于,所述确定高光谱图像数据中,每个样本点的a个邻近样本点之前,所述高光谱图像降维方法还包括:
对所述高光谱图像数据进行平滑滤波。
3.如权利要求2所述的高光谱图像降维方法,其特征在于,所述对所述高光谱图像数据进行平滑滤波的步骤包括:
基于以下公式对所述高光谱图像数据进行平滑滤波:
其中,xi为所述高光谱图像数据中第i个样本点对应的光谱参数,xi′为对所述第i个样本点进行平滑滤波后的光谱参数,vik=exp(-γ0xi-xik 2),γ0为预设参数,xi-xik 2为xi-xik的二范数,xik为所述第i个样本点对应的空间邻域Ω(xi)中的第k个样本点的光谱参数,
Ω(xi)={xi(p,q)|p∈[pi-t,pi+t],q∈[qi-t,qi+t]},ω为预设邻域空间,ω=2t+1,t为所述预设邻域空间ω的大小调节参数,t为正整数,pi、qi为所述第i个样本点的空间坐标。
4.如权利要求3所述的高光谱图像降维方法,其特征在于,所述确定高光谱图像数据中,每个样本点的a个邻近样本点的步骤包括:
基于以下公式获得所述高光谱图像数据中,任意两个样本点之间的空谱距离:
其中,xj为所述高光谱图像数据中的第j个样本点对应的光谱参数,dss(xi,xj)为所述第i个样本点到所述第j个样本点的空谱距离,
xik-xj 2为xik-xj的二范数,
xik-xj为xik-xj的范数;
根据所述任意两个样本点之间的空谱距离,确定所述高光谱图像数据中,每个样本点的a个邻近样本点。
5.如权利要求1-4任一项所述的高光谱图像降维方法,其特征在于,所述基于所述邻接矩阵获得投影矩阵的步骤包括:
基于局部保持投影算法中的目标函数以及邻近保持嵌入算法中的目标函数,确定联合目标函数;
基于所述联合目标函数得到投影矩阵。
6.一种高光谱图像降维装置,其特征在于,所述高光谱图像降维装置包括:
确定模块,用于确定高光谱图像数据中,每个样本点的a个邻近样本点,所述a为大于等于1的整数;
获得模块,用于基于所述高光谱图像数据中,每个样本点与对应的所述邻近样本点之间的空间距离以及光谱差异,获得对应的权重值;
构建模块,用于基于所述高光谱图像数据中,每个样本点与对应的所述邻近样本点之间的权重值,构建所述高光谱图像数据的邻接矩阵;
投影模块,用于基于所述邻接矩阵获得投影矩阵;
降维模块,用于基于所述投影矩阵获得降维后的高光谱图像数据;
所述获得模块,还用于确定所述高光谱图像数据中,每个样本点与对应的所述邻近样本点之间的空间距离;基于所述高光谱图像数据中,每个样本点与对应的所述邻近样本点之间的光谱差异与空间距离的商,得到每个样本点与对应的所述邻近样本点之间的空谱联合参数;基于所述高光谱图像数据中,每个样本点与对应的所述邻近样本点之间的空谱联合参数,确定对应的权重值;
其中,基于所述高光谱图像数据中,每个样本点与对应的所述邻近样本点之间的空谱联合参数,确定对应的权重值包括:基于以下公式获得所述高光谱图像数据中,每个样本点与对应的所述邻近样本点之间的权重值:
其中,φi(ib)为所述高光谱图像数据X中的第i个样本点与A(xi)中的第b个邻近样本点对应的权重值,A(xi)为所述第i个样本点对应的邻近样本点集合,hi(ib)为所述第i个样本点与所述A(xi)中的第b个邻近样本点对应的空谱联合参数;为所述第i个样本点与所述A(xi)中的第r个邻近样本点对应的空谱联合参数的转置;hi(ic)为所述第i个样本点与所述A(xi)中的第c个邻近样本点对应的空谱联合参数;/>为所述第i个样本点与所述A(xi)中的第g个邻近样本点对应的空谱联合参数的转置。
7.一种终端设备,其特征在于,所述终端设备包括:存储器、处理器及存储在所述存储器上并在所述处理器上运行高光谱图像降维程序,所述高光谱图像降维程序被所述处理器执行时实现如权利要求1至5任一项所述的高光谱图像降维方法的步骤。
8.一种计算机可读存储介质,其特征在于,所述存储介质上存储有高光谱图像降维程序,所述高光谱图像降维程序被处理器执行时实现如权利要求1至5任一项所述的高光谱图像降维方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011106438.XA CN112150396B (zh) | 2020-10-15 | 2020-10-15 | 高光谱图像降维方法、装置、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011106438.XA CN112150396B (zh) | 2020-10-15 | 2020-10-15 | 高光谱图像降维方法、装置、终端设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112150396A CN112150396A (zh) | 2020-12-29 |
CN112150396B true CN112150396B (zh) | 2023-07-25 |
Family
ID=73952086
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011106438.XA Active CN112150396B (zh) | 2020-10-15 | 2020-10-15 | 高光谱图像降维方法、装置、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112150396B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112906528B (zh) * | 2021-02-05 | 2021-10-26 | 北京观微科技有限公司 | 一种融合多源卫星遥感数据的城市建筑物材质分类方法 |
CN118430612A (zh) * | 2023-01-31 | 2024-08-02 | 清华大学 | 信号处理装置及其操作方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101414045B1 (ko) * | 2013-06-24 | 2014-07-02 | 인하대학교 산학협력단 | 분광라이브러리 데이터와 입력된 초분광영상을 이용한 표적탐지방법 |
CN104008394A (zh) * | 2014-05-20 | 2014-08-27 | 西安电子科技大学 | 基于近邻边界最大的半监督高光谱数据降维方法 |
CN105719323A (zh) * | 2016-02-18 | 2016-06-29 | 江苏优图空间信息科技有限公司 | 一种基于优化图谱理论的高光谱降维方法 |
CN108830320A (zh) * | 2018-06-15 | 2018-11-16 | 南京农业大学 | 基于鉴别和鲁棒多特征提取的高光谱图像分类方法 |
CN111368896A (zh) * | 2020-02-28 | 2020-07-03 | 南京信息工程大学 | 基于密集残差三维卷积神经网络的高光谱遥感图像分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8315472B2 (en) * | 2009-05-29 | 2012-11-20 | Raytheon Company | System and method for reducing dimensionality of hyperspectral images |
-
2020
- 2020-10-15 CN CN202011106438.XA patent/CN112150396B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101414045B1 (ko) * | 2013-06-24 | 2014-07-02 | 인하대학교 산학협력단 | 분광라이브러리 데이터와 입력된 초분광영상을 이용한 표적탐지방법 |
CN104008394A (zh) * | 2014-05-20 | 2014-08-27 | 西安电子科技大学 | 基于近邻边界最大的半监督高光谱数据降维方法 |
CN105719323A (zh) * | 2016-02-18 | 2016-06-29 | 江苏优图空间信息科技有限公司 | 一种基于优化图谱理论的高光谱降维方法 |
CN108830320A (zh) * | 2018-06-15 | 2018-11-16 | 南京农业大学 | 基于鉴别和鲁棒多特征提取的高光谱图像分类方法 |
CN111368896A (zh) * | 2020-02-28 | 2020-07-03 | 南京信息工程大学 | 基于密集残差三维卷积神经网络的高光谱遥感图像分类方法 |
Non-Patent Citations (1)
Title |
---|
加权空谱局部保持投影的高光谱图像特征提取;何芳;王榕;于强;贾维敏;;光学精密工程(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112150396A (zh) | 2020-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110348543B (zh) | 眼底图像识别方法、装置、计算机设备及存储介质 | |
CN112150396B (zh) | 高光谱图像降维方法、装置、终端设备及存储介质 | |
CN111353946B (zh) | 图像修复方法、装置、设备及存储介质 | |
US11822760B2 (en) | Method for capturing images for multi windows and electronic device therefor | |
CN112861717B (zh) | 视频相似度检测方法、装置、终端设备以及存储介质 | |
CN112506904B (zh) | 数据质量评估方法、装置、终端设备以及存储介质 | |
CN114168128A (zh) | 生成响应式页面的方法、图形用户界面及电子设备 | |
US20230186530A1 (en) | Electronic device and method of displaying visual information in theme content | |
US20230130530A1 (en) | Use method according to folding state of display, and electronic apparatus using same | |
CN113676713A (zh) | 图像处理方法、装置、设备及介质 | |
US20230221785A1 (en) | Electronic device an method for operating electronic device | |
CN107402973A (zh) | 图片上传、加载方法、上传终端、服务器及存储介质 | |
EP4394570A1 (en) | Method for expanding display of electronic device, and electronic device for supporting same | |
US20230030320A1 (en) | Electronic device displaying user interface and method for operating the same | |
US12088921B2 (en) | Electronic device for reducing low-light noise and method for operating the same | |
EP4162389B1 (en) | Electronic device for converting handwriting to text and method therefor | |
CN116166155A (zh) | 布局方法、可读介质和电子设备 | |
CN113269730A (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
CN112712377A (zh) | 一种产品缺陷整理汇总管理数据库平台系统 | |
CN114723987B (zh) | 图像标签分类网络的训练方法、图像标签分类方法及设备 | |
US20220366664A1 (en) | Electronic device and method for capturing image in the electronic device | |
US20240040234A1 (en) | Electronic device and method for displaying image based on interaction | |
US20230410057A1 (en) | Electronic device and method for performing operation related to software application for schedule management | |
US20230111512A1 (en) | Electronic device and method for generating additional information about file in electronic device | |
US20230066213A1 (en) | Method and apparatus for applying visual effect and setting tag to captured image |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |