【技術實現步驟摘要】
本專利技術涉及，屬于高光譜數據處理方法與應用
，適用于高光譜數據高精度分類的理論方法和應用技術研究。
技術介紹
高光譜遙感能夠在接近連續的狹窄光譜波段上獲取地物的光譜信息，更加細致的刻畫了地物特性，為地物的區分提供了更豐富的信息。高光譜數據的分類技術研究一直是高光譜遙感應用的主要研究方向之一，該類技術的發展大大推動高光譜數據的應用，使得高光譜遙感在航空航天、對地觀測、月球與火星探測、生物醫學等各個領域取得了突出的成^ ο與寬波段遙感不同，高光譜數據具有多波段、光譜近連續、數據量大、信息量冗余大等特點，這為高光譜數據后續處理與分析帶來了很大挑戰對高光譜數據高維特征空間進行處理需要很大的計算量；高光譜數據波段間具有高度相關性和冗余性，其核心信息實則蘊含在相對低維數據中；隨著特征維數的增加，數據在高維空間表現出不同于低維空間的特性，因此對高維特征處理方法不同與低維特征，問題更加復雜；監督分類器需要的訓練樣本數量是維數的函數，有限的訓練樣本制約了現有分類技術的應用，當訓練樣本數目有限時，分類性能不會隨著維數的增加不斷提高，而是存在一個最優維數，直接對訓練樣本有限的高光譜數據進行分析處理，效果往往不佳。因此高光譜數據分類應用往往以特征提取或特征選擇作為第一步特征提取通過數據從較高維空間到較低維空間的變換實現降維，而特征選擇則直接從原始特征空間篩選重要特征構成子集，保留了原特征的物理含義。對高光譜數據分類應用來說該步驟的重要性毋庸置疑。針對單一類別優化的特征選擇方法是一種針對高精度分類的方法，在通常的應用中，服務于分類的特征空間只有一個，然而通過對“類別”與“...
【技術保護點】
【技術特征摘要】
1.一種高光譜數據多特征空間構建與融合分類方法，其特征在于它包含以下步驟(1)、獲取高光譜反射率數據，建立高光譜初始特征空間；(2)、利用實維分析方法，確定待分地物類別數；(3)、利用半自動圖像端元訓練樣本選擇方法，獲取待分類別訓練樣本；(4)、根據可分性最大原則，確定單一類別可分性量度準則；(5)、根據步驟(4)確定的可分性量度準則、利用優化算法，獲取權值優化特征空間；(6)、對步驟( 得到的權值優化特征空間進行單一類別優化線性變換，得到針對單一類別優化的線性變換特征空間；(7)、對步驟(6)得到的線性變換特征空間進行分類，分別得到針對單一類別優化的分類結果；(8)、設計融合規則，融合由步驟(7)得到的單一類別優化分類結果，得到精確的融合分類結果。2.根據權利要求1所述的一種高光譜數據多特征空間構建與融合分類方法，其特征在于步驟(1)中所述初始特征空間包括高光譜原始數據、光譜維特征與空間維紋理特征。3.根據權利要求1所述的一種高光譜數據多特征空間構建與融合分類方法，其特征在于步驟( 中所述的確定待分地物類別數目的方法有3種根據地面調查結果/實測數據確定類別數目；直接讀圖確定地物類別數目；利用高光譜高維數據實維分析獲得地物類別數。4.根據權利要求1所述的一種高光譜數據多特征空間構建與融合分類方法，其特征在于步驟(3)中所述的獲取待分類別訓練樣本有3種方法地面實際調查方法、圖像手動選擇方法與半自動圖像端元訓練樣本選擇方法。其中，半自動圖像端元訓練樣本選擇方法分 5步第1步將根據權利要求1步驟( 確定的高光譜數據地物類別數規定為端元類別數目；第2步利用多種端元提取方法獲取圖像端元；第3步結合圖像端元，通過與標準光譜庫比對的方式確定地物類別類型，從端元集合中選擇每類的代表性端元；第4步將每類的代表性端元作為聚類中心進行聚類，得到每類類別的備選端元訓練樣本集合；第5步進行訓練樣本數目均衡，若某類訓練樣本數目小于預先設置的最小樣本數目，則根據該類聚類中心與高光譜圖像中非端元像元光譜曲線光譜角從小到大依次選擇像元光譜作為訓練樣本集中新的訓練樣...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。