一种基于高光谱数据信息极大化的物质最优分类识别方法
【专利摘要】一种基于高光谱数据信息极大化的物质最优分类识别方法，步骤为：（1）从采集到的高光谱数据中选取训练数据；（2）对训练数据依次进行零均值化、保能量降维和单元规范化预处理；（3）根据预处理数据，估算行降维维数矩阵；（4）逐行降维维数数组进行信息极大化列降维特征矩阵计算；（5）逐列降维特征矩阵进行分类器训练；（6）根据训练结果，选择最优特征矩阵和最优分类器；（7）根据所得最优特征矩阵和最优分类器对待分类的高光谱数据进行物质分类识别。本发明方法可实现从高阶统计量角度对高光谱数据进行约减，达到更高的分类效率，并且易于扩展添加新的分类器，便于生成性能更优的分类器，从而更好的进行物质分类识别。
【专利说明】一种基于高光谱数据信息极大化的物质最优分类识别方法
【技术领域】
[0001]本发明属于高光谱数据处理【技术领域】，涉及一种对高光谱数据进行信息极大化最优分类利用的方法，由此可以对不同的物质进行最优分类。
【背景技术】
[0002]高光谱遥感技术(也称作成像光谱技术)是近二十年来发展起来的一种新兴遥感技术。高光谱遥感是当今遥感技术的前沿，高光谱技术首先应用在地质矿物的识别中，而后广泛地应用在大气科学、生态、地质、水文和海洋科学中。高光谱遥感数据相对于传统的多光谱数据拥有更加丰富的光谱信息，其成功应用表明高光谱遥感较高的应用潜力。我国是少数几个拥有高光谱成像技术的国家之一，近几年来我国技术学者在矿物识别、植被遥感、赤潮监测、精准农业等多个方面展开高光谱数据应用研究，均取得了较好的效果。
[0003]高光谱遥感之所以受到世界各国遥感科学家的普遍关注，是因为高光谱遥感具有不同于传统多光谱遥感的新特点，主要表现在:①波段多一可以为每个像元提供几十、数百甚至上千个波段；②光谱范围窄一波段范围一般小于IOnm ;③波段连续一有些传感器可以在350~2500nm的太阳光谱范围内提供几乎连续的地物光谱；④数据量大——随着波段数的增加，数据量成指数增加信息冗余增加一一由于相邻波段高度相关，冗余信息也相对增加。因此，一些针对传统遥感数据的图像处理方法和技术，如特征提取、图像分类等技术面临挑战。
[0004]现有的高光谱数据已经能够通过多种途径快速获取，能够用于物质分类确定中。常用的高光谱数据分类方法主要是基于以最大似然法、光谱角填图、主成分分析、小波变换、人工神经网络等为代表的分类方法，在特征提取时没有考虑到训练数据中的类别信息和高阶统计特征，并非按照分类能力进行特征选择和降维，一般只能用于进行数量较少种类物质的物质分类。`
【发明内容】
[0005]本发明的技术解决问题是:克服现有技术的不足，提供了一种分类效率高、物质识别精度高的基于高光谱数据信息极大化的物质最优分类识别方法。
[0006]本发明的技术解决方案是:一种基于高光谱数据信息极大化的物质最优分类识别方法，步骤如下:
[0007](I)从采集到的η维高光谱数据中选取t个数据组成tXn的训练数据矩阵XWIS，选取不同于X?的s个数据组成sXn的测试数据矩阵Xem，其中t和s均为正整数；
[0008](2)将Xm中的每一列进行零均值处理，获得数据矩阵X ;然后对斜方差X*XT做特征值分解，取保v%能量的特征值对应的特征向量作为行向量构成保能量降维矩阵R，100>v ^ 95，利用保能量降维矩阵R对数据矩阵X进行降维获得降维数据矩阵X* ;最后对降
维数据矩阵X*的每一行进行单元化处理，得到PXn的数据矩阵Z , P由V唯一确定；[0009](3)根据步骤(2)的结果构建
【权利要求】
1.一种基于高光谱数据信息极大化的物质最优分类识别方法，其特征在于步骤如下: (1)从采集到的η维高光谱数据中选取t个数据组成tXn的训练数据矩阵Xinis，选取不同于的s个数据组成sXn的测试数据矩阵Χ#Μ，其中t和s均为正整数； (2)将Xinis*的每一列进行零均值处理，获得数据矩阵X;然后对斜方差X*XT做特征值分解，取保V%能量的特征值对应的特征向量作为行向量构成保能量降维矩阵R，100>V > 95，利用保能量降维矩阵R对数据矩阵X进行降维获得降维数据矩阵X* ;最后对降维数据矩阵X*的每一行进行单元化处理，得到PXn的数据矩阵文，pfiV唯一确定；
(3)根据步骤(2)的结果构建
【文档编号】G01N21/31GK103868865SQ201410061232
【公开日】2014年6月18日 申请日期:2014年2月24日 优先权日:2014年2月24日
【发明者】文高进, 张春晓, 林招荣, 尚志鸣, 王洪民, 张倩 申请人:北京空间机电研究所