[发明专利]基于核Fisher自适应学习的高光谱遥感图像端元分类方法

摘要

基于Fisher数据依赖核学习机的高光谱遥感图像端元分类器，解决了目前高光谱图像端元分类方法存在分辨率低的问题。本发明的过程为：选定判定高光谱遥感图像训练样本集的标注形式，获得优化目标函数，然后获得最优参数或数据依赖核参数；根据获得的参数，得到不变结构或变结构的最优核函数，进而获得最优Fisher分类器，利用该分类器即可实现对实测高光谱遥感图像进行分类。本发明能够准确地对高光谱遥感图像的端元进行分类，提高了高光谱遥感图像的分辨率，能够应用于地形军事目标侦察、高效的战事打击效果评估、海军潜艇实时海上环境监测、突发自然灾害的应急响应技术领域。

主权项

基于核Fisher自适应学习的高光谱遥感图像端元分类方法，其特征在于包括：步骤Ⅰ、对高光谱遥感图像端元分类任务判断结构变化与否的优化方法，若结构变化优化则跳转执行步骤Ⅲ、若结构不变化优化则顺序执行步骤Ⅱ； 步骤Ⅱ、采用传统核函数，然后利用Fisher准则和最大间隔准则获得优化目标函数，再通过基于遗传算法的自适应寻求算法对获得的优化目标函数进行计算，获得最优参数和不变结构的最优核函数，后接执行步骤Ⅳ；步骤Ⅲ、采用数据依赖核函数，然后利用全局流形保持设计准则获得优化目标函数，再通过基于拉格朗日法的自适应寻求算法对获得的优化目标函数进行计算，获得数据依赖核参数和变结构的最优核函数，后接执行步骤Ⅳ；步骤Ⅳ、根据步骤Ⅱ所得不变结构的最优核函数或步骤Ⅲ所得变结构的最优核函数得到最优Fisher分类器，再对实测高光谱遥感图像进行分类，获得该高光谱遥感图像的类别。