申请/专利权人：中国地质大学(武汉)

申请日：2021-09-09

公开（公告）日：2024-04-02

公开（公告）号：CN113920345B

主分类号：G06V10/762

分类号：G06V10/762;G06V10/774;G06V10/764;G06V20/13

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2022.01.28#实质审查的生效;2022.01.11#公开

摘要：本发明提供了一种基于聚类多重流形测度学习的高光谱影像降维方法，在多重局部测度学习的基础上，引入流形学习。通过多重测度学习，将原本复杂的非线性数据分解称为多个相互关联数据，使得在训练过程中能够更好的把握数据结构中的细节部分，在有针对性的进行训练的同时，还在一定程度上避免了过拟合，能够很好的处理非线性数据。在上述基础上，利用数据标签信息的同时，还能够有效利用数据本身的结构信息，最大化的将有限的先验信息利用起来。在降维的同时，还使得最后求得的特征空间能够有效的将不同类区分开来，对影像后续的分类起到帮助。本发明的有益效果是：线性分线性数据都能进行处理，同时避免了分类计算中的过拟合，提高了分类精度。

主权项：1.一种基于聚类多重流形测度学习的高光谱影像降维方法，其特征在于：包括以下步骤：S1：对获取的高光谱遥感图像进行处理，得到若干个训练样本和训练样本的类别；S2：根据高光谱遥感图像中各波段的像元辐射值和若干个训练样本，使用k-means算法将高光谱遥感图像聚类为Q个簇，每个训练样本只属于一个簇，每一个簇作为一个单独的训练单元进行训练；S3：对簇中训练样本xi，i表示第i个训练样本，根据欧式距离选择最近的k个同类点视为邻近点，然后以训练样本为中心点联合其邻近点构建为一个流形Si，中心点xi的类别即为流形Si的类别；S4：根据邻近点在重构样本点中的贡献，计算重构系数wiq；S5：以中心点之间的欧式距离为标准，选择距离最近的同类别流形以及距离最近的异类别流形；S6：结合步骤S4中计算得到的重构系数，计算流形Si与Sj之间的距离S7：将流形Si以及它的同类别流形Sj，异类别流形Sl构建为一个三重约束；S8：根据步骤S6中计算的流形距离，对步骤S7中的三重约束进行训练，得到局部测度矩阵S9：将所述局部测度矩阵代入步骤S3中，采用步骤S4-8的方法，直至使用所有的训练样本都完成对三重约束的训练后，得到最终的局部测度矩阵Mc；S10：根据所述局部测度矩阵Mc，对待分析高光谱遥感图像的原始数据进行特征空间变换，得到降维后的数据。

全文数据：

权利要求：

百度查询： 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

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD