(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210507623.2 (22)申请日 2022.05.11 (71)申请人 南京航空航天大 学 地址 210016 江苏省南京市秦淮区御道街 29号 (72)发明人 申远　向雯　扶扬玉　黄一诺　 吴汉杰　李丹　 (74)专利代理 机构 南京苏高专利商标事务所 (普通合伙) 32204 专利代理师 徐红梅 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/74(2022.01) G06V 10/774(2022.01) (54)发明名称 基于空间-光谱原型特征学习的高光谱分类 方法及系统 (57)摘要 本发明公开了一种基于空间 ‑光谱原型特征 学习的高光谱分类方法及系统， 方法包括： S1、 对 原始高光谱图像χ进行降维， 获得降维后的高光 谱图像Z； 为Z中的每一个降维像素构造一个局部 空间‑光谱邻域集Fi； S2、 从Z中随机选择一些降 维像素zi作为训练样本， 其余的降维像素为测试 样本， 构建训练空间 ‑光谱集合F， F中的元素为训 练样本中各降维像素对应的局部空间 ‑光谱邻域 集； 基于F和其对应的训练样本标签数据， 使用空 间‑光谱原型特征学习算法计算得到最优的空 间‑光谱原型集合Pi和线性投影W； S3、 采用最优 的空间‑光谱原型集合Pi和线性投影W对测试样 本进行测试分类。 本发明方法提高了计算效率， 在小样本情况下的分类精度更高， 可应用于高光 谱分类及航天遥感等领域。 权利要求书4页 说明书10页 附图4页 CN 115496933 A 2022.12.20 CN 115496933 A 1.基于空间 ‑光谱原型 特征学习的高光谱分类方法， 其特 征在于， 包括以下步骤： S1、 采用最大噪声比率方法对原始高光谱图像χ进行降维， 获得降维后的高光谱图像Z； 通过光谱相似性和空间结构上下文信息， 为降维后的高光谱图像Z中的每一个降维像素zi 构造一个局部空间 ‑光谱邻域集Fi＝[fi1， ...， fiM]， 其中zi表示Z中的第i个降维像素， fi1表 示与像素zi余弦相似度最小的第1个 像素， fiM表示与像素zi余弦相似度最小的第M个 像素； S2、 从降维后的高光谱图像Z中随机选择一些降维像素zi作为训练样本， 其余的降维像 素为测试样本， 构建训练空间 ‑光谱集合F＝[F1， F2， ...， FN]， 其中N表示训练样本的总数， F1、 F2和FN分别为训练样本中降维像素z1、 z2和zN对应的局部空间 ‑光谱邻域集； 基于训练空 间‑光谱集合F＝[F1， F2， ...， FN]和其对应的训练样 本标签数据， 使用空间 ‑光谱原型特征学 习算法分别计算得到最优的空间 ‑光谱原型集合 和线性投影W， 其中， 是最 优空间‑光谱原型集合Pi中第1个元素， 是最优空间 ‑光谱原型集合Pi中第l个元素， i＝1， 2， ...N； S3、 采用最优的空间 ‑光谱原型集合 和线性投影W对测试样本进行测试分 类。 2.根据权利要求1所述的基于空间 ‑光谱原型特征学习的高光谱分类方法， 其特征在 于， 步骤S1中局部空间 ‑光谱邻域 集的构造方法为： S11、 通过主成分分析PCA从原始高光谱图像χ中提取前三个主成分作 为基础图像， 采用 超像素过分割方法对基础图像进行分割， 生成原 始高光谱图像 χ 的2 ‑D超像素图； S12、 将2‑D超像素图的索引映射到降维后的高光谱图像Z， 得到 3D超像素图； S13、 对于降维后的高光谱图像Z中的第i个降维像素zi， 将降维像素zi及其对应的超像 素中所有像素构成该降维像素zi的局部空间邻域集， 表示为 其中m表示 降维像素zi对应的超像素中的像素个数， 表示该降维像素zi对应的超像素中除本身之外 的第1个像素， 表示该降维像素zi对应的超像素中除本身之外的第m ‑1个像素； S14、 在第i个降维像素zi对应的局部空间邻域集中找出与其余弦相似度最小的M个像 素， 构成该降维像素zi的局部空间 ‑光谱邻域 集 3.根据权利要求2所述的基于空间 ‑光谱原型特征学习的高光谱分类方法， 其特征在 于， 步骤S14中余弦相似度的计算公式为： 其中， 为zi对应的超像素中的第j个 像素。 4.根据权利要求1所述的基于空间 ‑光谱原型特征学习的高光谱分类方法， 其特征在 于， 步骤S2中空间 ‑光谱原型 特征学习算法包括以下步骤： S21、 初始化光谱空间原型集合P ′i和线性投影W ′， 采用sigmoi d函数构建目标损失函数 J； S22、 采用梯度下降法计算得到目标损失函数J相对于线性投影W的梯度 并计算得权　利　要　求　书 1/4 页 2 CN 115496933 A 2到目标损失函数J相对于 的梯度 是子空间内点的第j个参数向量， 其中， 子 空间是 对数据矩阵[fi1‑μi， ...， fiM‑μi]应用奇异值分解得到的子空间， μi为局部空间 ‑光谱邻域集 Fi＝[fi1， ...， fiM]中fi1， ...， fiM的平均值； S23、 基于计算的目标损失函数J相对于线性投影W的梯度 和目标损失函数J相对于 的梯度 利用有限内存BFGS方法来计算梯度下降的步长 τ； S24、 计算梯度下降的方向； S25、 通过有限内存BFGS方法更新线性投影W和 根据更新的 由式 计 算得到最优的空间 ‑光谱原型集合Pi， 其中ui是对数据矩阵[fi1‑μi， ...， fiM‑μi]应用奇异值 分解得到的标准 正交基， j＝1， 2， . ..， l， l表示子空间内点的参数向量的总个数。 5.根据权利要求4所述的基于空间 ‑光谱原型特征学习的高光谱分类方法， 其特征在 于， 步骤S21具体包括以下步骤： S211、 对于每一个降维像素zi， 根据其局部空间 ‑光谱邻域 集为Fi＝[fi1， ...， fiM]， 由式 计算得到初始化的光谱空间原型集 合 再由式g＝W ′Tf计算得到初始化的线性投影W ′， 其中f表示Fi中的一个样本， g表示在初 始化的线性投影W ′中对应于f的一个样本； S212、 对于初始化的线性投影W ′中的每个样本g， 首先分别通过下面公式从对应的同类 和不同类的初始化的光谱空间原型集 合 中计算得到其 最近邻a和b： s.t.ha∈P′iand ha∈Class(f) 其中， ha表示在初始化的光谱 空间原型集合P ′i中与样本g属于同一类的样本， hb表示表 示在初始化的光谱空间原型集合P ′i中与样本g属于不同类的样本， 函数d( ·)用于计算欧 几里得距离， 再由式ppw(g)＝W ′Ta和ppb(g)＝W ′Tb计算得到最近邻居a和b的投影ppw(g)和 ppb(g)； S213、 采用sigmoid函数 来计算损失， 其中Qf定义为 β 表示参数， 根据公式 计算得到目标损失函数J。 6.根据权利要求4所述的基于空间 ‑光谱原型特征学习的高光谱分类方法， 其特征在 于， 步骤S24中梯度下降的方向计算公式为： 权　利　要　求　书 2/4 页 3 CN 115496933 A 3