CN112329654B - 基于多流形学习算法的高光谱影像数据分类方法及系统 - Google Patents

基于多流形学习算法的高光谱影像数据分类方法及系统 Download PDF

Info

Publication number
CN112329654B
CN112329654B CN202011243735.9A CN202011243735A CN112329654B CN 112329654 B CN112329654 B CN 112329654B CN 202011243735 A CN202011243735 A CN 202011243735A CN 112329654 B CN112329654 B CN 112329654B
Authority
CN
China
Prior art keywords
data set
low
class object
object data
dimensional manifold
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
Application number
CN202011243735.9A
Other languages
English (en)
Other versions
CN112329654A (zh
Inventor
丁玲
窦爱霞
王书民
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
INSTITUTE OF EARTHQUAKE SCIENCE CHINA EARTHQUAKE ADMINISTRATION
Original Assignee
INSTITUTE OF EARTHQUAKE SCIENCE CHINA EARTHQUAKE ADMINISTRATION
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by INSTITUTE OF EARTHQUAKE SCIENCE CHINA EARTHQUAKE ADMINISTRATION filed Critical INSTITUTE OF EARTHQUAKE SCIENCE CHINA EARTHQUAKE ADMINISTRATION
Priority to CN202011243735.9A priority Critical patent/CN112329654B/zh
Publication of CN112329654A publication Critical patent/CN112329654A/zh
Application granted granted Critical
Publication of CN112329654B publication Critical patent/CN112329654B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于多流形学习算法的高光谱影像数据分类方法及系统，涉及高光谱遥感领域，包括：对获取的高光谱遥感影像进行图像分割，得到已知类别对象数据集和未知类别对象数据集；采用光谱角度量方式的等距特征映射算法，确定已知类别对象数据集的第一低维流形数据集和第一本征维数；采用光谱角度量方式的等距特征映射算法，按照每个第一本征维数的数值，确定未知类别对象数据集对应的多个第二低维流形数据集；采用局部线性嵌入算法，计算每个未知类别对象数据集对应的相似度集；将最大相似度对应的第一低维流形数据集的类别确定为未知类别对象数据集的类别。本发明有效提高高光谱影像数据分类的准确度。

Description

基于多流形学习算法的高光谱影像数据分类方法及系统
技术领域
本发明涉及高光谱遥感领域，特别是涉及一种基于多流形学习算法的高光谱影像数据分类方法及系统。
背景技术
在高光谱遥感数据领域，流形学习算法已被成功应用到非线性特征提取、分类、端元提取等方面。尽管许多流形学习算法对人工数据有非常好的结果，但真实的高光谱遥感数据结构通常比较复杂，不容易被准确表征。
随着成像光谱仪空间分辨率的提高，同一地物内部的光谱异质性增强，图像空域信息丰富，也使得基于像元的分类方法难以提取更加丰富的信息。而面向对象方法可以充分利用地物本身的信息，包括光谱信息、形状信息、纹理信息、上下文联系、继承信息等，所以面向对象方法成为了近年来高光谱遥感数据处理的热点。
目前，将流形学习算法作为高光谱遥感数据分类中一个降维预处理方法，主要以观察低维空间中的类别可分性，从而认识流形学习算法对分类的作用及其高光谱遥感数据在流形域的数据特性。流形学习算法假设高光谱遥感数据采样于低维统一流形，通过保持某些几何结构找到潜在的低维流形几何结构，其流形学习算法包括等距特征映射(ISOMAP)算法、局部线性嵌入(LLE)算法、拉普拉斯特征映射(LE)算法、局部切空间排列(LTSA)算法等。对于基于流形学习降维的分类算法往往首先需要将所有输入数据集映射到一个单一的低维流形子空间，然后通过一些分类器(如k近邻或SVM分类器)在该流形上进行分类。面向高光谱遥感数据分类也只是针对光谱特征空间进行单一流形的降维，且只利用像元的光谱信息，忽略了像元之间的空间相关性；另外真实的高光谱遥感数据集可能存在于多个不相同的低维流形中，一类高光谱遥感数据集位于一种流形，多类高光谱遥感数据集则可能分别位于不同的几何流形上，若直接采用单一流形假设的算法不能有效地获得每个数据子集的低维流形。
发明内容
本发明的目的是提供一种基于多流形学习算法的高光谱影像数据分类方法及系统，以提高高光谱影像数据分类的准确度。
为实现上述目的，本发明提供了如下方案：
一种基于多流形学习算法的高光谱影像数据分类方法，包括：
对获取的高光谱遥感影像进行图像分割，得到已知类别对象数据集和未知类别对象数据集；
采用光谱角度量方式的等距特征映射算法，对所述已知类别对象数据集进行降维处理，得到每个所述已知类别对象数据集的第一低维流形数据集以及每个所述第一低维流形数据集对应的第一本征维数；
采用光谱角度量方式的等距特征映射算法，按照每个所述第一本征维数的数值，对同一个所述未知类别对象数据集分别进行降维处理，循环操作，直至得到每个所述未知类别对象数据集对应的多个第二低维流形数据集；其中，一个所述未知类别对象数据集对应的所述第二低维流形数据集的总数与所述第一本征维数的总数相同；
采用局部线性嵌入算法，计算每个所述未知类别对象数据集对应的每个第二低维流形数据集分别与每个所述第一低维流形数据集的相似度，得到每个所述未知类别对象数据集对应的相似度集；其中，一个所述相似度集中元素的总数为所述第一低维流形数据集的总数；一个所述相似度集中的一个元素为同一个所述未知类别对象数据集对应的每个第二低维流形数据集分别与同一个所述第一低维流形数据集的相似度的和；
将第一相似度集中最大相似度对应的第一低维流形数据集的类别确定为所述第一相似度集对应的所述未知类别对象数据集的类别；其中，所述第一相似度集为所述相似度集中的一个。
可选的，所述第一本征维数的确定方法，具体包括：
采用剩余残差算法，估算每个所述已知类别对象数据集的第一本征维数。
可选的，所述采用光谱角度量方式的等距特征映射算法，按照每个所述第一本征维数的数值，对同一个所述未知类别对象数据集分别进行降维处理，循环操作，直至得到每个所述未知类别对象数据集对应的多个第二低维流形数据集，具体包括：
步骤一：计算每个所述未知类别对象数据集的像素均值；
步骤二：基于所述未知类别对象数据集的像素均值和光谱角度量方式的等距特征映射算法，按照每个所述第一本征维数的数值，对同一个所述未知类别对象数据集分别进行降维处理，得到所述未知类别对象数据集对应的多个第二低维流形数据集；
步骤三，重复步骤二，直至得到每个所述未知类别对象数据集对应的多个第二低维流形数据集。
可选的，在执行采用光谱角度量方式的等距特征映射算法，按照每个所述第一本征维数的数值，对同一个所述未知类别对象数据集分别进行降维处理，循环操作，直至得到每个所述未知类别对象数据集对应的多个第二低维流形数据集步骤之后，还包括：
在同一个所述未知类别对象数据集对应的所有第二低维流形数据集中，采用余弦距离度量出最小前K个第二低维流形数据集，进而得到所述未知类别对象数据集对应的最终的第二低维流形数据集，循环操作，直至得到每个所述未知类别对象数据集对应的最终的第二低维流形数据集。
可选的，所述采用局部线性嵌入算法，计算每个所述未知类别对象数据集对应的每个第二低维流形数据集分别与每个所述第一低维流形数据集的相似度，得到每个所述未知类别对象数据集对应的相似度集，具体包括：
步骤一：基于局部线性嵌入算法的原理，采用最小误差准则判断算法，计算一个所述未知类别对象数据集对应的每个第二低维流形数据集分别与每个所述第一低维流形数据集的相似度值，得到所述未知类别对象数据集对应的相似度集；
步骤二，重复操作步骤一，直至得到每个所述未知类别对象数据集对应的相似度集。
一种基于多流形学习算法的高光谱影像数据分类系统，包括：
图像分割模块，用于对获取的高光谱遥感影像进行图像分割，得到已知类别对象数据集和未知类别对象数据集；
第一低维流形数据集确定模块，用于采用光谱角度量方式的等距特征映射算法，对所述已知类别对象数据集进行降维处理，得到每个所述已知类别对象数据集的第一低维流形数据集以及每个所述第一低维流形数据集对应的第一本征维数；
第二低维流形数据集确定模块，用于采用光谱角度量方式的等距特征映射算法，按照每个所述第一本征维数的数值，对同一个所述未知类别对象数据集分别进行降维处理，循环操作，直至得到每个所述未知类别对象数据集对应的多个第二低维流形数据集；其中，一个所述未知类别对象数据集对应的所述第二低维流形数据集的总数与所述第一本征维数的总数相同；
相似度计算模块，用于采用局部线性嵌入算法，计算每个所述未知类别对象数据集对应的每个第二低维流形数据集分别与每个所述第一低维流形数据集的相似度，得到每个所述未知类别对象数据集对应的相似度集；其中，一个所述相似度集中元素的总数为所述第一低维流形数据集的总数；一个所述相似度集中的一个元素为同一个所述未知类别对象数据集对应的每个第二低维流形数据集分别与同一个所述第一低维流形数据集的相似度的和；
类别确定模块，用于将第一相似度集中最大相似度对应的第一低维流形数据集的类别确定为所述第一相似度集对应的所述未知类别对象数据集的类别；其中，所述第一相似度集为所述相似度集中的一个。
可选的，所述第一低维流形数据集确定模块，具体包括：
第一本征维数估算单元，用于采用剩余残差算法，估算每个所述已知类别对象数据集的第一本征维数；
第一低维流形数据集确定单元，用于根据所述第一本征维数和光谱角度量方式的等距特征映射算法，对所述已知类别对象数据集进行降维处理，得到每个所述已知类别对象数据集的第一低维流形数据集以及每个所述第一低维流形数据集对应的第一本征维数。
可选的，所述第二低维流形数据集确定模块，具体包括：
像素均值计算单元，用于计算每个所述未知类别对象数据集的像素均值；
第二低维流形数据集第一确定单元，用于基于所述未知类别对象数据集的像素均值和光谱角度量方式的等距特征映射算法，按照每个所述第一本征维数的数值，对同一个所述未知类别对象数据集分别进行降维处理，得到所述未知类别对象数据集对应的多个第二低维流形数据集；
第二低维流形数据集第二确定单元，用于重复执行第二低维流形数据集第一确定单元，直至得到每个所述未知类别对象数据集对应的多个第二低维流形数据集。
可选的，还包括：
第二低维流形数据集筛选模块，用于在同一个所述未知类别对象数据集对应的所有第二低维流形数据集中，采用余弦距离度量出最小前K个第二低维流形数据集，进而得到所述未知类别对象数据集对应的最终的第二低维流形数据集，循环操作，直至得到每个所述未知类别对象数据集对应的最终的第二低维流形数据集。
可选的，所述相似度计算模块，具体包括：
第一相似度计算单元，用于基于局部线性嵌入算法的原理，采用最小误差准则判断算法，计算一个所述未知类别对象数据集对应的每个第二低维流形数据集分别与每个所述第一低维流形数据集的相似度值，得到所述未知类别对象数据集对应的相似度集；
第二相似度计算单元，用于重复执行第一相似度计算单元，直至得到每个所述未知类别对象数据集对应的相似度集。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明将经典流形学习算法中的等距特征映射算法和局部线性嵌入算法应用至面向对象的高光谱影像数据分类中，有效的融合了高光谱影像光谱-空间特征，并联合多流形学习算法分析，实现了对高光谱影像光谱-空间特征的多类别多流形降维，同时顾及每个对象内部所有像元的流形几何异质性，计算获取每个对象间流形的相似性，进而有效提高高光谱影像数据分类的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一基于多流形学习算法的高光谱影像数据分类方法流程图；
图2为本发明实施例二基于多流形学习算法的高光谱影像数据分类系统结构图；
图3为本发明实施例三基于独立性多流形学习算法的高光谱影像数据分类方法流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于多流形学习算法的高光谱影像数据分类方法及系统，以提高高光谱影像数据分类的准确度。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一
流形学习算法通过保持某些几何特性挖掘出能够表征高维数据的本质结构和非线性特性的低维流形。本发明将经典流形学习算法中的等距特征映射算法和局部线性嵌入算法联合来进行多流形分析并应用于面向对象的高光谱影像数据分类。
等距特征映射算法通过保持高维数据间的测地距离不变，并获得嵌入在高维空间的低维空间的流形表示。与等距特征映射算法保持全局测地线距离的思想不同，局部线性嵌入算法通过保持高维空间中数据间局部邻域点几何结构，将高维数据映射到低维流形中。
等距特征映射算法通过等距映射获取低维空间流形特征表达。首先，通过计算高维空间中数据间相似性度对每个数据点构建其k个近邻点的邻域图x；然后采用Dijkstra方法计算邻域图上两点间的最短路径，并将其近似流形上的测地距离，得到近似测地线距离矩阵，最后利用多维尺度变换(MDS)获得低维空间的降维数据。
局部线性嵌入算法对高维空间中每个数据点构建邻域，并保持其局部几何结构。其中，在每个数据点与近邻点构成的局部结构中，假设它们位于或接近位于流形的一个线性平面上，每个数据点采用近邻点线性重构的系数来表征其局部几何结构，通过在降维数据中保持这个系数以使得低维空间仍然保持原高维空间中的几何结构。
等距特征映射算法和局部线性嵌入算法具有高效、简单、参数少等特点，常用相似度度量方式为欧式距离。但对高光谱影像数据来说，光谱角是针对地物光谱波形相似性的一种度量，对乘性干扰具有良好的抗干扰性，能够减弱光照度等影响。因此，本发明将光谱角度量方式应用到等距特征映射算法和局部线性嵌入算法。
基于此，本发明提供了一种如图1所示的基于多流形学习算法的高光谱影像数据分类方法，具体包括以下步骤：
步骤101：对获取的高光谱遥感影像进行图像分割，得到已知类别对象数据集和未知类别对象数据集。其中，所述未知类别对象数据集的个数为一个或者多个。
步骤102：采用光谱角度量方式的等距特征映射算法，对所述已知类别对象数据集进行降维处理，得到每个所述已知类别对象数据集的第一低维流形数据集以及每个所述第一低维流形数据集对应的第一本征维数。
其中，一个所述已知类别对象数据集对应一个所述第一低维流形数据集，一个所述第一低维流形数据集对应一个所述第一本征维数。
所述第一本征维数的确定方法，具体为采用剩余残差算法，估算每个所述已知类别对象数据集的第一本征维数。
步骤103：采用光谱角度量方式的等距特征映射算法，按照每个所述第一本征维数的数值，对同一个所述未知类别对象数据集分别进行降维处理，循环操作，直至得到每个所述未知类别对象数据集对应的多个第二低维流形数据集；其中，一个所述未知类别对象数据集对应的所述第二低维流形数据集的总数与所述第一本征维数的总数相同；具有包括：
步骤一：计算每个所述未知类别对象数据集的像素均值。
步骤二：基于所述未知类别对象数据集的像素均值和光谱角度量方式的等距特征映射算法，按照每个所述第一本征维数的数值，对同一个所述未知类别对象数据集分别进行降维处理，得到所述未知类别对象数据集对应的多个第二低维流形数据集。
步骤三，重复步骤二，直至得到每个所述未知类别对象数据集对应的多个第二低维流形数据集。
在执行步骤104之前，还包括：在同一个所述未知类别对象数据集对应的所有第二低维流形数据集中，采用余弦距离度量出最小前K个第二低维流形数据集，进而得到所述未知类别对象数据集对应的最终的第二低维流形数据集，循环操作，直至得到每个所述未知类别对象数据集对应的最终的第二低维流形数据集。
步骤104：采用局部线性嵌入算法，计算每个所述未知类别对象数据集对应的每个第二低维流形数据集分别与每个所述第一低维流形数据集的相似度，得到每个所述未知类别对象数据集对应的相似度集；其中，一个所述相似度集中元素的总数为所述第一低维流形数据集的总数；一个所述相似度集中的一个元素为同一个所述未知类别对象数据集对应的每个第二低维流形数据集分别与同一个所述第一低维流形数据集的相似度的和；具体包括：
步骤一：基于局部线性嵌入算法的原理，采用最小误差准则判断算法，计算一个所述未知类别对象数据集对应的每个第二低维流形数据集分别与每个所述第一低维流形数据集的相似度值，得到所述未知类别对象数据集对应的相似度集。
步骤二，重复操作步骤一，直至得到每个所述未知类别对象数据集对应的相似度集。
步骤105：将第一相似度集中最大相似度对应的第一低维流形数据集的类别确定为所述第一相似度集对应的所述未知类别对象数据集的类别；其中，所述第一相似度集为所述相似度集中的一个。
本实施例考虑到类间流形差异性，可以更准确地描述数据分布，更好的挖掘数据的几何结构，实现可视化，进行特征提取，提高后续图像分析的性能等，从而得到更好的分类结果。
实施例二
为实现本发明的目的，本实施例提供了如图2所示的一种基于多流形学习算法的高光谱影像数据分类系统，包括：
图像分割模块201，用于对获取的高光谱遥感影像进行图像分割，得到已知类别对象数据集和未知类别对象数据集。
第一低维流形数据集确定模块202，用于采用光谱角度量方式的等距特征映射算法，对所述已知类别对象数据集进行降维处理，得到每个所述已知类别对象数据集的第一低维流形数据集以及每个所述第一低维流形数据集对应的第一本征维数。
该第一低维流形数据集确定模块202具体包括：
第一本征维数估算单元，用于采用剩余残差算法，估算每个所述已知类别对象数据集的第一本征维数。
第一低维流形数据集确定单元，用于根据所述第一本征维数和光谱角度量方式的等距特征映射算法，对所述已知类别对象数据集进行降维处理，得到每个所述已知类别对象数据集的第一低维流形数据集以及每个所述第一低维流形数据集对应的第一本征维数。
第二低维流形数据集确定模块203，用于采用光谱角度量方式的等距特征映射算法，按照每个所述第一本征维数的数值，对同一个所述未知类别对象数据集分别进行降维处理，循环操作，直至得到每个所述未知类别对象数据集对应的多个第二低维流形数据集；其中，一个所述未知类别对象数据集对应的所述第二低维流形数据集的总数与所述第一本征维数的总数相同。
该第二低维流形数据集确定模块203具体包括：
像素均值计算单元，用于计算每个所述未知类别对象数据集的像素均值；
第二低维流形数据集第一确定单元，用于基于所述未知类别对象数据集的像素均值和光谱角度量方式的等距特征映射算法，按照每个所述第一本征维数的数值，对同一个所述未知类别对象数据集分别进行降维处理，得到所述未知类别对象数据集对应的多个第二低维流形数据集。
第二低维流形数据集第二确定单元，用于重复执行第二低维流形数据集第一确定单元，直至得到每个所述未知类别对象数据集对应的多个第二低维流形数据集。
相似度计算模块204，用于采用局部线性嵌入算法，计算每个所述未知类别对象数据集对应的每个第二低维流形数据集分别与每个所述第一低维流形数据集的相似度，得到每个所述未知类别对象数据集对应的相似度集；其中，一个所述相似度集中元素的总数为所述第一低维流形数据集的总数；一个所述相似度集中的一个元素为同一个所述未知类别对象数据集对应的每个第二低维流形数据集分别与同一个所述第一低维流形数据集的相似度的和；
该相似度计算模块204具体包括：
第一相似度计算单元，用于基于局部线性嵌入算法的原理，采用最小误差准则判断算法，计算一个所述未知类别对象数据集对应的每个第二低维流形数据集分别与每个所述第一低维流形数据集的相似度值，得到所述未知类别对象数据集对应的相似度集。
第二相似度计算单元，用于重复执行第一相似度计算单元，直至得到每个所述未知类别对象数据集对应的相似度集。
类别确定模块205，用于将第一相似度集中最大相似度对应的第一低维流形数据集的类别确定为所述第一相似度集对应的所述未知类别对象数据集的类别；其中，所述第一相似度集为所述相似度集中的一个。
为了降低计算量，本实施例提供的系统还包括：第二低维流形数据集筛选模块，其模块用于在同一个所述未知类别对象数据集对应的所有第二低维流形数据集中，采用余弦距离度量出最小前K个第二低维流形数据集，进而得到所述未知类别对象数据集对应的最终的第二低维流形数据集，循环操作，直至得到每个所述未知类别对象数据集对应的最终的第二低维流形数据集。
实施例三
目前，基于流形学习算法的高光谱影像数据分类方法均假设数据点嵌入在单一低维流形上，实际上多类数据是分别位于不同的低维流形上。本实施例结合等距特征映射算法和局部线性嵌入算法构建了独立性多流形分析方法，并应用于面向对象的高光谱影像数据分类，其流程图如图3所示。
本实施例提供的高光谱影像数据分类方法的流程如下：
步骤(1)：首先，对获取的高光谱遥感影像进行图像分割，得到已知类别对象数据集和未知类别对象数据集；然后将选出的已知类别对象数据集T＝[T1,T2,...,Tn]分别采用光谱角度量方式的等距特征映射算法进行降维，获取不同类别的第一低维流形数据集MT＝[MT1,MT2,...,MTn]。由于选择合适的本征维数d是十分重要的，也是流形学习算法的主要参数，且基于剩余残差法在机器学习领域，如手写数字和人脸识别方面，被证明能够较好的表征高维数据的流形结构，所以本实施例也采用剩余残差法来估算已知类别对象数据集中每个对象的第一本征维数d＝[d1,d2,...,dn]。其中，未知类别对象数据集有一个或者多个。
步骤(2)：首先获取步骤(1)中未知类别对象数据集；然后选出某一未知类别对象数据集Ts，计算其像素均值；接着基于该未知类别对象数据集的像素均值和光谱角度量方式的等距特征映射算法，按照每个第一本征维数的数值，对该未知类别对象数据集分别进行降维处理，得到该未知类别对象数据集对应的多个第二低维流形数据集；其中，该未知类别对象数据集对应的第二低维流形数据集的总数与第一本征维数的总数相同，该未知类别对象数据集对应的本征维数取值dTs分别与不同已知类别的本征维数d相同；最后，采用余弦距离在上述所有第二低维流形数据集中度量出最小前K个第二低维流形数据集MC，进而得到该未知类别对象数据集对应的第二低维流形数据集，循环操作，直至得到每个未知类别对象数据集对应的最终的第二低维流形数据集MC。其度量计算过程为未知类别对象数据集对应的所有第二低维流形数据集与所有已知类别对象数据集的第一低维流形集。
(3)借鉴局部线性嵌入算法原理，采用一种最小误差准则判断方法从同一未知类别对象数据集对应的最终的第二低维流形数据集中找出相似度最高的类别流形。
最小误差准则判断方法细节具体如下：
令某一未知类别对象数据集Ts＝[Tp1,Tp2,...,Tpr]表示Ts的所有像元，Tpr表示Ts的第r个像元。Ts经光谱角度量方式的等距特征映射算法投影到MT中某一个类别流形MTj获取并与其本征维数相同的低维流形WTs，并度量其两个低维流形的相似度。依据局部线性嵌入算法方法，设Tpr在MTj原高维空间对象集上的光谱角距离最小的k'个像元
Figure BDA0002769215050000121
投影到WTs上，它们分别被表示为
Figure BDA0002769215050000122
和
Figure BDA0002769215050000123
令
Figure BDA0002769215050000124
其中cs是重建系数且
Figure BDA0002769215050000125
求出重建系数后，Tpr用MTj原高维空间对象集上的光谱角距离最小的k'个像元的线性组合与Tpr之间的余弦作为该Tpr的重建精度。最后获得的Ts与MTj流形间的相似度为Ts所有像元的重建精度的均值。依据以上算法步骤计算Ts与MT中其他流形的相似度，最终选择相似度最高的类别流形作为Ts的类别。最小误差准则方法通过计算对象中每个像元的流形几何位置关系，充分考虑了对象内部像元的异质性。
本发明将合两类流形学习算法联应用于高光谱面向对象分类中，提出一种基于多流形学习算法的高光谱影像数据分类方法及系统。本发明充分考虑了类间对象和类内对象在高维和低维空间流形几何结构差异性，通过这种方式获取的特征使其极具有判别性，有效的减少了误判的可能性。在采用最小误差准则确定所属类别时，对象中所有像元都参与计算，尽可能考虑对象中像元的流形结构的异质性。
在AVIRIS高光谱图像上的分类识别实验结果表明，本发明能够有效的挖掘了不同类别对象全局和局部流形几何分布信息，特别是针对光谱相似的两类分类问题具有较好的分类效果。采用本发明提出的算法实现的总体分类精度比原始图像面向对象分类和基于单流形的分类分别提高了约9.5％和9.6％。在面向对象分类实际应用中对小区域图像有类别标记的情况具有较好的借鉴意义。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于多流形学习算法的高光谱影像数据分类方法，其特征在于，包括：
对获取的高光谱遥感影像进行图像分割，得到已知类别对象数据集和未知类别对象数据集；
采用光谱角度量方式的等距特征映射算法，对所述已知类别对象数据集进行降维处理，得到每个所述已知类别对象数据集的第一低维流形数据集以及每个所述第一低维流形数据集对应的第一本征维数；
采用光谱角度量方式的等距特征映射算法，按照每个所述第一本征维数的数值，对同一个所述未知类别对象数据集分别进行降维处理，循环操作，直至得到每个所述未知类别对象数据集对应的多个第二低维流形数据集；其中，一个所述未知类别对象数据集对应的所述第二低维流形数据集的总数与所述第一本征维数的总数相同；
采用局部线性嵌入算法，计算每个所述未知类别对象数据集对应的每个第二低维流形数据集分别与每个所述第一低维流形数据集的相似度，得到每个所述未知类别对象数据集对应的相似度集；其中，一个所述相似度集中元素的总数为所述第一低维流形数据集的总数；一个所述相似度集中的一个元素为同一个所述未知类别对象数据集对应的每个第二低维流形数据集分别与同一个所述第一低维流形数据集的相似度的和；
将第一相似度集中最大相似度对应的第一低维流形数据集的类别确定为所述第一相似度集对应的所述未知类别对象数据集的类别；其中，所述第一相似度集为所述相似度集中的一个；
其中，采用局部线性嵌入算法，计算每个所述未知类别对象数据集对应的每个第二低维流形数据集分别与每个所述第一低维流形数据集的相似度，得到每个所述未知类别对象数据集对应的相似度集，具体包括：步骤一：基于局部线性嵌入算法的原理，采用最小误差准则判断算法，计算一个所述未知类别对象数据集对应的每个第二低维流形数据集分别与每个所述第一低维流形数据集的相似度值，得到所述未知类别对象数据集对应的相似度集；步骤二，重复操作步骤一，直至得到每个所述未知类别对象数据集对应的相似度集。
2.根据权利要求1所述的基于多流形学习算法的高光谱影像数据分类方法，其特征在于，所述第一本征维数的确定方法，具体包括：
采用剩余残差算法，估算每个所述已知类别对象数据集的第一本征维数。
3.根据权利要求1所述的基于多流形学习算法的高光谱影像数据分类方法，其特征在于，所述采用光谱角度量方式的等距特征映射算法，按照每个所述第一本征维数的数值，对同一个所述未知类别对象数据集分别进行降维处理，循环操作，直至得到每个所述未知类别对象数据集对应的多个第二低维流形数据集，具体包括：
步骤一：计算每个所述未知类别对象数据集的像素均值；
步骤二：基于所述未知类别对象数据集的像素均值和光谱角度量方式的等距特征映射算法，按照每个所述第一本征维数的数值，对同一个所述未知类别对象数据集分别进行降维处理，得到所述未知类别对象数据集对应的多个第二低维流形数据集；
步骤三，重复步骤二，直至得到每个所述未知类别对象数据集对应的多个第二低维流形数据集。
4.根据权利要求1所述的基于多流形学习算法的高光谱影像数据分类方法，其特征在于，在执行采用光谱角度量方式的等距特征映射算法，按照每个所述第一本征维数的数值，对同一个所述未知类别对象数据集分别进行降维处理，循环操作，直至得到每个所述未知类别对象数据集对应的多个第二低维流形数据集步骤之后，还包括：
在同一个所述未知类别对象数据集对应的所有第二低维流形数据集中，采用余弦距离度量出最小前K个第二低维流形数据集，进而得到所述未知类别对象数据集对应的最终的第二低维流形数据集，循环操作，直至得到每个所述未知类别对象数据集对应的最终的第二低维流形数据集。
5.一种基于多流形学习算法的高光谱影像数据分类系统，其特征在于，包括：
图像分割模块，用于对获取的高光谱遥感影像进行图像分割，得到已知类别对象数据集和未知类别对象数据集；
第一低维流形数据集确定模块，用于采用光谱角度量方式的等距特征映射算法，对所述已知类别对象数据集进行降维处理，得到每个所述已知类别对象数据集的第一低维流形数据集以及每个所述第一低维流形数据集对应的第一本征维数；
第二低维流形数据集确定模块，用于采用光谱角度量方式的等距特征映射算法，按照每个所述第一本征维数的数值，对同一个所述未知类别对象数据集分别进行降维处理，循环操作，直至得到每个所述未知类别对象数据集对应的多个第二低维流形数据集；其中，一个所述未知类别对象数据集对应的所述第二低维流形数据集的总数与所述第一本征维数的总数相同；
相似度计算模块，用于采用局部线性嵌入算法，计算每个所述未知类别对象数据集对应的每个第二低维流形数据集分别与每个所述第一低维流形数据集的相似度，得到每个所述未知类别对象数据集对应的相似度集；其中，一个所述相似度集中元素的总数为所述第一低维流形数据集的总数；一个所述相似度集中的一个元素为同一个所述未知类别对象数据集对应的每个第二低维流形数据集分别与同一个所述第一低维流形数据集的相似度的和；
类别确定模块，用于将第一相似度集中最大相似度对应的第一低维流形数据集的类别确定为所述第一相似度集对应的所述未知类别对象数据集的类别；其中，所述第一相似度集为所述相似度集中的一个；
所述相似度计算模块，具体包括：
第一相似度计算单元，用于基于局部线性嵌入算法的原理，采用最小误差准则判断算法，计算一个所述未知类别对象数据集对应的每个第二低维流形数据集分别与每个所述第一低维流形数据集的相似度值，得到所述未知类别对象数据集对应的相似度集；第二相似度计算单元，用于重复执行第一相似度计算单元，直至得到每个所述未知类别对象数据集对应的相似度集。
6.根据权利要求5所述的基于多流形学习算法的高光谱影像数据分类系统，其特征在于，所述第一低维流形数据集确定模块，具体包括：
第一本征维数估算单元，用于采用剩余残差算法，估算每个所述已知类别对象数据集的第一本征维数；
第一低维流形数据集确定单元，用于根据所述第一本征维数和光谱角度量方式的等距特征映射算法，对所述已知类别对象数据集进行降维处理，得到每个所述已知类别对象数据集的第一低维流形数据集以及每个所述第一低维流形数据集对应的第一本征维数。
7.根据权利要求5所述的基于多流形学习算法的高光谱影像数据分类系统，其特征在于，所述第二低维流形数据集确定模块，具体包括：
像素均值计算单元，用于计算每个所述未知类别对象数据集的像素均值；
第二低维流形数据集第一确定单元，用于基于所述未知类别对象数据集的像素均值和光谱角度量方式的等距特征映射算法，按照每个所述第一本征维数的数值，对同一个所述未知类别对象数据集分别进行降维处理，得到所述未知类别对象数据集对应的多个第二低维流形数据集；
第二低维流形数据集第二确定单元，用于重复执行第二低维流形数据集第一确定单元，直至得到每个所述未知类别对象数据集对应的多个第二低维流形数据集。
8.根据权利要求5所述的基于多流形学习算法的高光谱影像数据分类系统，其特征在于，还包括：
第二低维流形数据集筛选模块，用于在同一个所述未知类别对象数据集对应的所有第二低维流形数据集中，采用余弦距离度量出最小前K个第二低维流形数据集，进而得到所述未知类别对象数据集对应的最终的第二低维流形数据集，循环操作，直至得到每个所述未知类别对象数据集对应的最终的第二低维流形数据集。
CN202011243735.9A 2020-11-10 2020-11-10 基于多流形学习算法的高光谱影像数据分类方法及系统 Active CN112329654B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011243735.9A CN112329654B (zh) 2020-11-10 2020-11-10 基于多流形学习算法的高光谱影像数据分类方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011243735.9A CN112329654B (zh) 2020-11-10 2020-11-10 基于多流形学习算法的高光谱影像数据分类方法及系统

Publications (2)

Publication Number Publication Date
CN112329654A CN112329654A (zh) 2021-02-05
CN112329654B true CN112329654B (zh) 2021-05-28

Family

ID=74316672

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011243735.9A Active CN112329654B (zh) 2020-11-10 2020-11-10 基于多流形学习算法的高光谱影像数据分类方法及系统

Country Status (1)

Country Link
CN (1) CN112329654B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113920345B (zh) * 2021-09-09 2024-04-02 中国地质大学（武汉） 一种基于聚类多重流形测度学习的高光谱影像降维方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101667291A (zh) * 2009-09-25 2010-03-10 西安电子科技大学 基于像素空间信息的高光谱图像分割方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7756342B2 (en) * 2004-09-20 2010-07-13 The United States Of America As Represented By The Secretary Of The Navy Method for image data processing
CN101814148A (zh) * 2010-04-30 2010-08-25 霍振国 基于半监督核自适应学习的遥感高光谱图像分类方法
CN102129571B (zh) * 2011-01-31 2013-03-27 重庆大学 基于半监督流形学习的多光谱遥感数据土地利用分类方法
US20140204092A1 (en) * 2012-04-09 2014-07-24 The Regents Of The University Of California Classification of high dimensional data
CN102903116B (zh) * 2012-10-20 2016-02-24 复旦大学 一类基于图像块距离的高光谱图像流形降维方法
CN103413151B (zh) * 2013-07-22 2017-06-13 西安电子科技大学 基于图正则低秩表示维数约简的高光谱图像分类方法
CN103729651A (zh) * 2014-01-17 2014-04-16 重庆大学 基于局部光谱角度量流形近邻的高光谱遥感影像分类方法
CN104751191B (zh) * 2015-04-23 2017-11-03 重庆大学 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
CN105069482B (zh) * 2015-08-21 2018-06-15 中国地质大学（武汉） 基于空间正则化流形学习算法的高光谱遥感图像分类方法
US10197504B2 (en) * 2016-10-10 2019-02-05 Altria Client Services Llc Method and system of detecting foreign materials within an agricultural product stream
CN106557784B (zh) * 2016-11-23 2020-05-01 上海航天控制技术研究所 基于压缩感知的快速目标识别方法和系统
CN108388869B (zh) * 2018-02-28 2021-11-05 苏州大学 一种基于多重流形的手写数据分类方法及系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101667291A (zh) * 2009-09-25 2010-03-10 西安电子科技大学 基于像素空间信息的高光谱图像分割方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Manifold-Learning-Based Feature Extraction for Classification of Hyperspectral Data: A Review of Advances in Manifold Learning;Lunga D等;《IEEE Signal Processing Magazine》;20141231;第31卷(第1期);第55-66页 *
基于流形学习的新高光谱图像降维算法;普晗晔等;《红外与激光工程》;20140125;第43卷(第1期);第232-237页 *

Also Published As

Publication number Publication date
CN112329654A (zh) 2021-02-05

Similar Documents

Publication Publication Date Title
Lu et al. Joint dictionary learning for multispectral change detection
Tao et al. Person re-identification by dual-regularized kiss metric learning
Zhang et al. An efficient and robust line segment matching approach based on LBD descriptor and pairwise geometric consistency
Rellier et al. Texture feature analysis using a Gauss-Markov model in hyperspectral image classification
CN103077512B (zh) 基于主成分析的数字图像的特征提取与匹配方法
He et al. Weighted sparse graph based dimensionality reduction for hyperspectral images
AU2017201281B2 (en) Identifying matching images
Chang et al. Hyperspectral image classification using nearest feature line embedding approach
CN111680579B (zh) 一种自适应权重多视角度量学习的遥感图像分类方法
Lei et al. Orthogonal locally discriminant spline embedding for plant leaf recognition
CN113850769B (zh) 一种基于Siamese空谱联合卷积网络的高光谱变化检测方法
CN112329654B (zh) 基于多流形学习算法的高光谱影像数据分类方法及系统
Shen et al. Grouped collaborative representation for hyperspectral image classification using a two-phase strategy
Guo et al. Person re-identification by weighted integration of sparse and collaborative representation
Lejbølle et al. Enhancing person re‐identification by late fusion of low‐, mid‐and high‐level features
CN103310456B (zh) 基于Gaussian-Hermite矩的多时相/多模态遥感图像配准方法
KR101789979B1 (ko) 그래디언트 방향 정보에 기반한 하우스도르프 거리 계산 방법
CN109446963B (zh) 基于hsv和lbp结合的地表状态识别方法
Geng et al. Statistical volume analysis: A new endmember extraction method for multi/hyperspectral imagery
Ng et al. Robust pairwise matching of interest points with complex wavelets
Weinmann et al. Material recognition for efficient acquisition of geometry and reflectance
Psalta et al. Modified versions of SLIC algorithm for generating superpixels in hyperspectral images
CN106033545B (zh) 行列式点过程的波段选择方法
Al-Azzawy Eigenface and SIFT for gender classification
Gupta et al. Temporal signature matching for land cover classification

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