科创中国

技术领域

[0001] 本发明涉及一种高光谱遥感图像处理方法，具体涉及一种基于张量距离补丁校准的高光谱数据降维方法。

背景技术

[0002] 高光谱影像传感器能够收集到每个像素点包含数百个光谱波段的图像。高光谱影像传感器获得的数据是三维数据，包括两维空间特征（宽度和高度）和一维光谱波段信息。对于高光谱数据的分析和处理，之前的研究者已经证明：光谱间相关性的冗余度是非常高的，所以数据结构中的光谱波段能够在对后续处理没有重要信息损失的情况下，减少很多波段。为能够降低特征之间的冗余度、保持重要的判别信息以便后续分类处理和降低计算成本，通常通过波段选择或波段提取对高光谱图像进行降维处理。根据应用对象的不同，降维方法可以概括分为三类：向量型数据降维分析、矩阵型数据降维分析和张量型数据降维分析。

[0003] 然而，早期的降维方法主要以处理向量型数据为主。以高光谱数据应用为例，向量型降维方法首先需要将三维高光谱图像转变成一维的向量，即只利用高光谱数据中每个像素的光谱特征信息，然后再进行降维分析。尽管光谱特征向量包含许多像素点的光谱信息，但这种向量型降维方法存在着固有的缺陷：每个像素点之间是相互独立的；三维的高光谱数据转变成一维向量会导致数据内部结构的破坏，丢失高光谱数据的空间特征；向量化后维数过高会导致“维数灾难”问题等等。基于此，一些研究者提出以矩阵形式表达数据进行子空间分析。Yu将(Locality preserving projections,LPP)扩展到(two-mensional discriminant locality preserving projections,2DLPP)，其中直接通过矩阵图像数据进行样本局部结构的构建，Lai等对2DLPP进行稀疏表示，提出Sparse two-dimensional local discriminant projections,S2DLDP)。实验结果表明，矩阵型数据降维方法在性能上优于向量型方法，但上述矩阵型降维方法只对原始图像数据进行了单边降维变换，降维后的数据仍存在较多冗余的特征。为克服这些问题，同时考虑像素点的光谱特征信息和空间领域信息，一些研究者提出直接以三阶张量形式表达高光谱数据进行子空间分析。随着多线性代数的发展，继Vasilescuti提出“张量脸”方法后，出现许多张量子空间学习方法。如Lu等直接对主成分分析（Principal Component Analysis，PCA）进行多线性张量型扩展，提出多线性主成分分析（Multilinear Principal Component Analysis，MPCA），Yang等直接对LDA进行张量型拓展，提出多线性判别分析（Multilinear discriminant analysis，MDA）。

[0004] 本发明为了能够反应局部张量样本之间的空间信息及达到全局最优，引 入补丁校准（Patch Alignment，PA）框架；同时考虑到传统的KNN或ε-ball近邻方法都是基于欧氏距离的，而对于张量数据，传统的建图方法不能真正反映张量数据间的距离，为此引入张量距离（Tensor Distance，TD），构建包含类别信息的高质张量近邻图。然后，提出一种同时考虑高光谱地物的空间特征和光谱特征的基于张量距离补丁校准（Tensor Distance Patch Alignment，TDPA）的高光谱数据光谱-空间特征表示和降维方法。