1.一种高光谱图像特征提取方法,其特征在于,包括如下步骤:输入待分类的原始高光谱影像数据集,包括:已经标记的高光谱影像数据以及未标记的高光谱影像数据;
针对已经标记的高光谱影像数据,进行线性判别分析,得到第一投影矩阵;
针对未标记的高光谱影像数据,进行主成分分析,得到第二投影矩阵;
将第一投影矩阵与第二投影矩阵进行合并,得到第三投影矩阵;
针对所述第三投影矩阵,进行图谱判别分析,提取最终的特征矩阵。
2.根据权利要求1所述的高光谱图像特征提取方法,其特征在于,所述将第一投影矩阵与第二投影矩阵进行合并,得到第三投影矩阵,过程为:以列为标准固定,所述第一投影矩阵在上,所述第二投影矩阵在下,将二者进行上下拼接,得到拼接后的矩阵即为所述第三投影矩阵。
3.根据权利要求1或2所述的高光谱图像特征提取方法,其特征在于,所述第一投影矩阵中行的数量与所述第二投影矩阵中行的数量相同,所述第一投影矩阵中列的数量与所述第二投影矩阵中列的数量相同,所述已经标记的高光谱影像数据与所述未标记的高光谱影像数据选择的是同样频带的数据。
4.根据权利要求1所述的高光谱图像特征提取方法,其特征在于,所述针对已经标记的高光谱影像数据,进行线性判别分析,得到第一投影矩阵,过程如下:针对已经标记的高光谱影像数据进行归一化;
将归一化后的已经标记的高光谱影像数据进行线性判别分析,得到第一投影矩阵。
5.根据权利要求1所述的高光谱图像特征提取方法,其特征在于,所述针对未标记的高光谱影像数据,进行主成分分析,得到第二投影矩阵,过程如下:针对未标记的高光谱影像数据进行归一化;
将归一化后的未标记的高光谱影像数据,进行主成分分析,得到第二投影矩阵。
6.根据权利要求4所述的高光谱图像特征提取方法,其特征在于,所述将归一化后的已经标记的高光谱影像数据进行线性判别分析,得到第一投影矩阵,过程如下:针对所述归一化后的已经标记的高光谱影像数据,计算各像素点之间的类间散度矩阵和类内散度矩阵;
基于所述类间散度矩阵以及所述类内散度矩阵,通过计算Fisher比率的最优值,得到转换矩阵;
所述求解Fisher比率的最优值等价于求解广义特征值分解,通过所述线性判别分析,得到第二投影矩阵。
7.根据权利要求5所述的高光谱图像特征提取方法,其特征在于,所述将归一化后的未标记的高光谱影像数据,进行主成分分析,得到第二投影矩阵,过程如下:计算归一化后的未标记的高光谱影像数据的协方差矩阵;
根据所述协方差矩阵,求得对应的特征值和特征向量;
将所述特征值从大到小进行排序,得到前p′个特征值大的主成分特征向量,所述主成分特征向量即为第二投影矩阵。
8.根据权利要求1所述的高光谱图像特征提取方法,其特征在于,所述针对所述第三投影矩阵,进行图谱判别分析,提取最终的特征矩阵,过程如下:基于所述第三投影矩阵,构建邻接矩阵和度矩阵;
计算类内权重以及类间权重;
构建拉普拉斯矩阵;
采用类内权重以及类间权重,基于拉普拉斯矩阵,进行图谱切割,得各个特征值各自对应的特征向量;
将所述各自对应的特征向量组成的矩阵按行进行标准化,标准化的结果即为最终的特征矩阵。
9.根据权利要求1所述的高光谱图像特征提取方法,其特征在于,所述第三投影矩阵,采用k‑means算法聚类证明其有效性,过程如下:输入所述第三投影矩阵作为聚类样本集;
确定最大迭代次数、第一阈值、第二阈值;
采用k‑means算法对所述聚类样本集进行聚类;
输出聚类结果;
将聚类结果与所述第三投影矩阵中已经标记类别的数据进行比较,若分类一致,则证明所述第三投影矩阵是有效的;所述第三投影矩阵中未标记类别的数据,其分类也是正确的。
10.根据权利要求9所述的高光谱图像特征提取方法,其特征在于,所述第一阈值,规定簇内点之间的距离小于等于所述第一阈值;
所述第二阈值,规定簇间的距离大于等于所述第二阈值。