CN103955711A - 一种成像光谱目标识别分析中的模式识别方法 - Google Patents

Abstract

一种成像光谱目标识别分析中的模式识别方法，获取待测图像像元中三维成像光谱数据的像元光谱二维矩阵；对待预测的像元光谱矩阵进行校正光谱误差的预处理，得到预处理后的像元光谱二维矩阵；根据训练样本特征权重，计算预测样本与训练样本之间的权重欧式距离，通过权重欧式距离分别获取预测样本的在每个训练样本类别内的n_c个近邻，根据所获的这些近邻，分别构建超平面；计算预测样本到每个构建的超平面的最小距离；判断预测样本到哪个超平面距离最近，模式识别的结果就是预测样本属于这个超平面所属的类别。本发明解决了现有技术中的模式识别方法复杂度高与识别精度低的问题。

Description

一种成像光谱目标识别分析中的模式识别方法

技术领域

本发明涉及成像光谱目标识别分析技术领域，尤其涉及一种成像光谱目标识别分析中的模式识别方法。

背景技术

成像光谱是二十世纪地球观测***中最重要的技术突破之一，它克服了传统多波段、多光谱在波段数、波段范围、精细信息表达等方面的局限性，以较窄的波段区间、较多的波段数量提供目标信息，能够从光谱空间中对目标予以细分和鉴别，在多个领域都得到了广泛应用。得到成像光谱数据信息后，需要对目标的光谱进行归类与判别，将反应不同材料与成分含量的光谱进行分类，并判断出目标的组成成分，进而判断出目标性质。由于光谱分辨率大幅度提高，成像光谱数据比多光谱具有更强的潜在目标识别能力，但在有限训练样本条件下，数据维数的增高使样本/维数比率大大降低。采用常规的统计模式识别方法反而无法得到较好地分类结果。目前对成像光谱数据进行模式识别所采用的最广泛的方法为神经网络与支持向量机方法。然而由于在成像光谱目标分类识别的处理时，经常会遇到“异物同谱”或者“同物异谱”现象，即不同的目标光谱数据呈现相似的特征，同一目标由于某种原因呈现出不同的光谱特征，这使得目标的直方图多呈现多峰正态分布，使得神经网络分类算法难于收敛，严重降低识别精度。

目前所用的支持向量机函数通常是直接在输入空间中构造线性分类超平面，然而很多问题在输入空间中并不是线性可分的，类别之间的分类面用非线性的曲面能够更好的描述。而基于非线性核函数的支持向量机方法计算复杂，参数寻优有时候会陷入死循环并且计算量大，在多类目标识别的情况下存在局限性。

综上所述，现有的模式识别方法，在识别精度和计算复杂程度上不令人满意，导致在上位机具体实施方面局限性较大，从而导致模式识别精度降低。

发明内容

本发明技术解决问题：克服现有技术的不足，提供一种成像光谱目标识别分析中的模式识别方法，以解决现有技术中的模式识别方法复杂度高与识别精度低的问题。

本发明提供的模式识别方法在计算预测样本与训练样本之间的距离时，考虑到训练样本特征权重，并在计算样本的近邻与超平面时引入了权重欧式距离，权重值为所有训练样本组间特征值之差与组内特征值之差之比，突出了贡献大的波长特征值。通过权重欧式距离选出的近邻样本构建的超平面更接近于实际数学模型，结果精度相对较高。

为达到上述目的，本发明的技术方案是这样实现的：

步骤101，获取待测图像像元中三维成像光谱数据的像元光谱二维矩阵；

步骤102，对待预测的像元光谱二维矩阵进行校正光谱误差的预处理，得到预处理后的预测像元光谱二维矩阵；

步骤103，将预处理后的预测像元光谱二维矩阵即预测样本，与光谱库中同样经过上述预处理后的已知类别光谱即训练样本，进行模式识别匹配；计算训练样本特征权重；

步骤104，根据训练样本特征权重，计算预测样本与训练样本之间的权重欧式距离，通过权重欧式距离分别获取预测样本的在每个训练样本类别内的n_c个近邻，根据所获的这些近邻，分别构建超平面；

步骤105，计算预测样本到每个构建的超平面的最小距离；

步骤106，判断预测样本到哪个超平面距离最近，模式识别的结果就是预测样本属于这个超平面所属的类别。

所述述步骤101中获取待测图像像元中三维成像光谱数据的像元光谱二维矩阵，具体包括：

将所述待预测图像像元中的三维成像光谱数据表示为成像光谱反射率的像元光谱二维矩阵：

R_m×n＝[p₁,p₁...p_y×i+j...p_x×y],0＜i≤x,0＜j≤y,

或R_m×n＝[p₁,p₁...p_i+x×j...p_x×y],0＜i≤x,0＜j≤y,

其中，R_m×n表示像元光谱二维矩阵，[p₁,p₁...p_y×i+j...p_x×y]和[p₁,p₁...p_i+x×j...p_x×y]表示待测图像的像元光谱矢量，m表示波段数，n表示待测图像像元的总数，x表示待测图像像元的行数，y表示待测图像像元的列数，n＝x×y。

所述步骤102中对待预测的像元光谱二维矩阵进行校正光谱误差的预处理，得到预处理后的预测像元光谱二维矩阵的方法采用标准正交变换方法和小波去噪方法。

所述步骤103是将预处理后的预测像元光谱二维矩阵即预测样本与光谱库中同样经过上述预处理后的已知类别光谱即训练样本进行模式识别匹配；计算训练样本特征权重具体如下：

设已经存在训练样本集,包含L个样本，J个类别，每个样本包含d个特征,记为：x_i＝(x_i1,...,x_id)^T其所属类别为y_i＝c(i＝1,...,L；c＝1,...,J)；

计算训练样本的特征权重：

$r_j=\frac{{\mathrm{\Σ}}_i{\mathrm{\Σ}}_{c}I(y_i=c){({\stackrel{\‾}{x}}_{\mathrm{cj}}-{\stackrel{\‾}{x}}_j)}^2}{{\mathrm{\Σ}}_i{\mathrm{\Σ}}_{c}I(y_i=c){(x_{\mathrm{ij}}-{\stackrel{\‾}{x}}_{\mathrm{cj}})}^2}$

$w_j=\frac{\exp \left(r_j\right)}{{\mathrm{\Σ}}_{j=1}^d\exp \left(r_j\right)},\∀j=1,...,d$

其中r_j为计算过程中间变量；为全部训练样本第j维特征的全局均值；y_i＝c(i＝1,...,L；c＝1,...,J)为训练样本对应的类别；为第训练样本第j维特征的均值；I(□)一个函数，当y_i＝c时为1，否则为0；x_ij为训练样本x_i第j维特征值；w_j为训练样本第j维特征的权重值；d为样本特征个数。

所述步骤104中根据训练样本特征权重，计算预测样本与训练样本之间的权重欧式距离：

$D(x_i,q)=\sqrt{\underset{j=1}{\overset{d}{\mathrm{\Σ}}}{w}_j{(x_{\mathrm{ij}}-q_j)}^2}$

其中D(x_i,q)为预测样本与所给定的每个类别的样本之间的权重欧式距离；x_ij为训练样本第j维特征值；q_j为预测样本的像元的光谱向量q＝(q₁,...,q_d)^T的第j维特征值；w_j为训练样本第j维特征的权重值。

所述步骤104中通过权重欧式距离分别获取预测样本的在每个训练样本类别内的n_c个近邻，根据所获的这些近邻，分别构建超平面，具体如下：

${\mathrm{LH}}_c\left(q\right)=\left\{s\right|s=\underset{i=1}{\overset{n_c}{\mathrm{\Σ}}}{\mathrm{\α}}_i{V}_{.j}+m_c\}$

$m_c=\frac{1}{n_c}\underset{i=1}{\overset{n_c}{\mathrm{\Σ}}}{p}_{\mathrm{ci}}$

V_.i＝p_ci-m_c

$\mathrm{\α}={({\mathrm{\α}}_1,...,{\mathrm{\α}}_{n_c})}^T$

其中LH_c(q)为所构造的超平面的集合；s为超平面；m_c为预测样本的属于类别c的n_c个近邻的平均值；p_ci为预测样本属于类别c的近邻；V_.i为近邻与近邻平均值之间的特征差值；V_.j为近邻与近邻平均值之间的特征差值的列向量；α为构造超平面时所选用的拉普拉斯算子向量；a_i为a的分量；n_c为人为选择，n_c≥2，并且n_c不能超过训练样本个数。

所述步骤105计算预测样本到每个构建的超平面的最小距离：

$\begin{array}{c}{J}_c\left(q\right)=\underset{\mathrm{\α}}{\min }\underset{j=1}{\overset{d}{\mathrm{\Σ}}}{w}_j{(V_{j.}\mathrm{\α}+m_{\mathrm{cj}}-q_j)}^2+\mathrm{\λ}{\mathrm{\α}}^T\mathrm{\α}\\ =\underset{\mathrm{\α}}{\min }{(s-q)}^{T}W(s-q)+\mathrm{\λ}{\mathrm{\α}}^T\mathrm{\α}\end{array}$

W＝diag(w₁,...,w_d)

其中J_c(q)为拉格朗日最小距离算子；w_j为训练样本第j维特征的权重值；V_j.为近邻与近邻平均值之间的特征差值的第j维特征值；m_cj为m_c的第j维特征值；q_j为预测样本的第j维特征值；α为构造超平面时所选用的拉普拉斯算子向量，V所有的近邻与近邻平均值之间的特征差值组成的向量，W为所有训练样本的特征权重组成的对角向量；s为超平面；q为预测样本；w₁,...,w_d为特征权重；λ是一个用于控制α值可能过大的参数，取值通常为0‐10之间。

所述步骤106中判断预测样本到哪个超平面距离最近，那么模式识别的结果就是预测样本属于这个超平面所属的类别：

label(q)＝argmin_cJ_c(q)

其中label(q)为预测样本所属类别；J_c(q)为拉格朗日最小距离算子；argmin_cJ_c(q)代表使J_c(q)的值最小的超平面所属于的类别。

本发明与现有技术相比的优点在于：本发明所提供的成像光谱目标识别分析中的模式识别方法，从光谱维角度进行物质类别的判断，从而实现对目标组成成分的识别。本发明的优点在于在模式识别过程中，更好的匹配目标光谱与光谱库中的已知光谱的特征信息，突出不同类别之间目标光谱的特征，无复杂的参数设置，是一种确定性算法不具有随机性；该算法可解决样本间特征相似，变量冗余的问题；计算预测样本与超平面距离时考虑了特征的权重，且选择的权重为特征波长在类别组间与组内的欧式距离之比，突出了贡献较大的波长特征值，使得模式识别结果精度较高。此外，本发明是针对光谱维进行的模式识别操作，可以采集一个像元点的光谱后立即进行运算，无需等待整个区域的目标光谱都采集完成，从而更好的满足了目标识别在实时性上的要求。

附图说明

图1为本发明所述的模式识别方法的流程图；

图2为本发明实施例的原始成像光谱图像的示意图；

图3为本发明实施例的待预测区域图像的示意图；

图4为本发明实施例的待测图像像元中三维成像光谱数据的像元光谱二维矩阵示意图。其中：横坐标为未经预处理的预测样本的波长，纵坐标为未经预处理的预测样本的反射率值；

图5为本发明实施例的预处理后的预测像元光谱二维矩阵示意图。其中：横坐标为经过预处理后的预测样本的波长，纵坐标为经过预处理后的预测样本的相对强度。

具体实施方式

下面结合附图和具体实施例对本发明的技术方案进一步详细阐述。

本发明所提供的成像光谱目标识别分析中的模式识别方法的流程图，如图1所示，主要包括以下步骤：

步骤101，获取待测图像像元中三维成像光谱数据的像元光谱二维矩阵。

将获取的待测图像像元的三维成像光谱数据表示为成像光谱反射率的像元光谱二维矩阵，如下：

R_m×n＝[p₁,p₁...p_y×i+j...p_x×y],0＜i≤x,0＜j≤y,    (1)

或R_m×n＝[p₁,p₁...p_i+x×j...p_x×y],0＜i≤x,0＜j≤y,    (2)

其中，(1)式为待预测图像像元按行展开的表示形式，(2)式为待预测图像像元按列展开的表示形式，R_m×n表示像元光谱二维矩阵，m表示波段数，n表示待预测图像像元的总数，x表示待预测图像像元的行数，y表示待预测图像像元的列数，n＝x×y。[p₁,p₁...p_y×i+j...p_x×y]和[p₁,p₁...p_i+x×j...p_x×y]表示待预测图像的像元光谱矢量，在按行展开的R_m×n中，p_y×i+j表示待预测图像中第i行第j列对应像元的光谱矢量。每个像元的光谱矢量包括该像元在各个波段处的反射率值，例如：假设第h个像元的光谱矢量为p_h，则p_h＝[p_h1,p_h2...p_hk...p_hm]^T，[p_h1,p_h2...p_hk...p_hm]^T代表[p_h1,p_h2...p_hk...p_hm]的转置矩阵，其中p_hk表示第h个像元在第k个波段处的反射率值。由于成像光谱仪获取的是图像像元点在每个波段处的反射率值，因此该反射率值为已知量。

步骤102，对待预测的像元光谱矩阵进行校正光谱误差的预处理，得到预处理后的预测像元光谱二维矩阵。

对预处理后的像元光谱二维矩阵进行预处理的目的是校正因大气散射等引起的噪声与光谱误差，预处理的方法为标准正交变换和小波变换。

其中，标准正交变换处理的公式如下：

$p_{\mathrm{hk},\mathrm{snv}}=\frac{p_{\mathrm{hk}}-{\stackrel{\‾}{p}}_h}{\sqrt{\underset{k=1}{\overset{m}{\mathrm{\Σ}}}{(p_{\mathrm{hk}}-{\stackrel{\‾}{p}}_h)}^2}}{(m-1)}^{1/2}---\left(3\right)$

其中，p_hk,snv表示经过正交变换处理后待预测图像中第h个像元在第k个波段的反射率的值，m表示波段数，m-1表示自由度，表示待预测图像中第h个像元在各个波段处反射率的平均值；p_hk为预测图像中第h个像元在第k个波段的反射率的值。

所用的小波变换方法原理及步骤如下：

离散序列的小波变换如下:

$f\left(t\right)=\underset{k\∈z}{\mathrm{\Σ}}{c}_{J,k}{\mathrm{\ψ}}_{J,k}\left(t\right)+\underset{j=1}{\overset{J}{\mathrm{\Σ}}}\underset{k\∈z}{\mathrm{\Σ}}{d}_{j,k}{\mathrm{\ψ}}_{j,k}\left(t\right)---\left(4\right)$

f(t)为信号的离散序列表达式，ψ_J,k(t)是小波基函数，c_J,k是第J层光谱信号的系数，也是低频系数,d_j,k是第j光谱信号的高频系数；t是时间序列。

首先，选择一个小波函数及分解尺度。

然后，用门限的方法来处理小波分解后的高频系数。本发明采用软阈值的方法设定门限值，具体如下：

${\hat{w}}_{j,k}=\left\{\begin{array}{cc}\mathrm{sgn}\left(w_{j,k}\right)\left({|w}_{j,k}\right|-\mathrm{\&lambda;})& \left|w_{j,k}\right|\&GreaterEqual;\mathrm{\&lambda;};\\ 0& \left|w_{j,k}\right|<\mathrm{\&lambda;};\end{array}\right.,\mathrm{\&lambda;}=\mathrm{\&sigma;}*\sqrt{2\log \left(N\right)}---\left(5\right)$

其中N为小波分解的层次；σ为噪声信号的标准偏差；w_j,k为刚开始设定的门限值初值；为计算后得到的门限值；λ为软阈值；

最后，按照公式(4)重构待预测光谱样本光谱p_hk,snv,去掉高频系数所代表的光谱信号，保留低频系数所代表的光谱信号，得到新的光谱信号q_hk；。

在进行预处理之后，可以得到校正光谱后较准确的光谱信息。需要指出的是，本发明的预处理方法不仅仅局限于上述两种处理方法，其他任何能校正因大气散射引起的光谱误差的方法与去噪方法也应属于本发明的保护范围。

步骤103，将预处理后的预测像元光谱二维矩阵即预测样本，与光谱库中同样经过上述预处理后的已知类别光谱即训练样本，进行模式识别匹配；计算训练样本特征权重；

设已经存在训练样本集,包含L个样本，J个类别，每个样本包含d个特征,记为：x_i＝(x_i1,...,x_id)^T其所属类别为y_i＝c(i＝1,...,L；c＝1,...,J).；

计算训练样本的特征权重：

$r_j=\frac{{\mathrm{\&Sigma;}}_i{\mathrm{\&Sigma;}}_{c}I(y_i=c){({\stackrel{\&OverBar;}{x}}_{\mathrm{cj}}-{\stackrel{\&OverBar;}{x}}_j)}^2}{{\mathrm{\&Sigma;}}_i{\mathrm{\&Sigma;}}_{c}I(y_i=c){(x_{\mathrm{ij}}-{\stackrel{\&OverBar;}{x}}_{\mathrm{cj}})}^2}$

$w_j=\frac{\exp \left(r_j\right)}{{\mathrm{\&Sigma;}}_{j=1}^d\exp \left(r_j\right)},\&ForAll;j=1,...,d---\left(6\right)$

其中r_j为计算过程中间变量；为全部训练样本第j维特征的全局均值；y_i＝c(i＝1,...,L；c＝1,...,J),为训练样本对应的类别；为第训练样本第j维特征的均值；I(□)一个函数，当y_i＝c时为1，否则为0；x_ij为训练样本x_i第j维特征值；w_j为训练样本第j维特征的权重值；d为样本特征个数。

步骤104，根据训练样本特征权重，计算预测样本与训练样本之间的权重欧式距离：

$D(x_i,q)=\sqrt{\underset{j=1}{\overset{d}{\mathrm{\&Sigma;}}}{w}_j{(x_{\mathrm{ij}}-q_j)}^2}---\left(7\right)$

其中D(x_i,q)为预测样本与所给定的每个类别的样本之间的权重欧式距离；x_ij为训练样本x_i第j维特征值；q_j为预测样本的像元的光谱向量q＝(q₁,...,q_d)^T的第j维特征值；w_j为训练样本第j维特征的权重值。

通过权重欧式距离分别获取预测样本的在每个训练样本类别内的n_c个近邻，根据所获的这些近邻，分别构建超平面：

${\mathrm{LH}}_c\left(q\right)=\left\{s\right|s=\underset{i=1}{\overset{n_c}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i{V}_{.j}+m_c\}$

$m_c=\frac{1}{n_c}\underset{i=1}{\overset{n_c}{\mathrm{\&Sigma;}}}{p}_{\mathrm{ci}}$

V_.i＝p_ci-m_c

$\mathrm{\&alpha;}={({\mathrm{\&alpha;}}_1,...,{\mathrm{\&alpha;}}_{n_c})}^T---\left(8\right)$

其中LH_c(q)为所构造的超平面的集合；s为超平面；m_c为预测样本的属于类别c的n_c个近邻的平均值；p_ci为预测样本属于类别c的近邻；V_.i为近邻与近邻平均值之间的特征差值；V_.j为近邻与近邻平均值之间的特征差值的列向量；α为构造超平面时所选用的拉普拉斯算子向量；a_i为a的分量；n_c为人为选择，n_c≥2，并且n_c不能超过训练样本个数。

步骤105，计算预测样本到每个构建的超平面的最小距离：

$\begin{array}{c}{J}_c\left(q\right)=\underset{\mathrm{\&alpha;}}{\min }\underset{j=1}{\overset{d}{\mathrm{\&Sigma;}}}{w}_j{(V_{j.}\mathrm{\&alpha;}+m_{\mathrm{cj}}-q_j)}^2+\mathrm{\&lambda;}{\mathrm{\&alpha;}}^T\mathrm{\&alpha;}\\ =\underset{\mathrm{\&alpha;}}{\min }{(s-q)}^{T}W(s-q)+\mathrm{\&lambda;}{\mathrm{\&alpha;}}^T\mathrm{\&alpha;}\end{array}$

W＝diag(w₁,...,w_d)   (9)

其中J_c(q)为拉格朗日最小距离算子；w_j为训练样本第j维特征的权重值；V_j.为近邻与近邻平均值之间的特征差值的第j维特征值；m_cj为m_c的第j维特征值；q_j为预测样本的第j维特征值；α为构造超平面时所选用的拉普拉斯算子向量，V所有的近邻与近邻平均值之间的特征差值组成的向量，W为所有训练样本的特征权重组成的对角向量；w₁,...,w_d为特征权重；s为超平面；q为预测样本；λ是一个用于控制α值可能过大的参数，取值通常为0‐10之间。

步骤106，判断预测样本到哪个样本超平面距离最近，那么模式识别的结果就是预测样本属于这个样本超平面所属的类别，具体如下：

label(q)＝argmin_cJ_c(q)    (11)

其中label(q)为预测样本q所属类别；J_c(q)为拉格朗日最小距离算子；argmin_cJ_c(q)代表使J_c(q)的值最小的超平面所属于的类别。

下面结合具体实施例对上述发明的成像光谱目标识别分析中的模式识别方法进一步详细阐述。本实例所用的成像光谱数据来源于机载成像光谱仪，机载成像光谱仪为采用推扫成像方式的光谱仪。本实施例中使用的成像光谱图像如图2所示，大小1354x2030为像元，每个像元224包括个波长，波长范围从369.85纳米到2506.81纳米，波长间隔为10纳米。具体识别过程如下：

取图2中所示方框内的像元的图像为本实施例的待预测的图像像元，方框内的像元总数为n＝20×20＝400个像元，并且方框内的像元光谱在光谱库中已经有确定与之匹配的类别，方框内的像元属三个类别。图3为待预测图像的三维成像示意图；图4为获取的待测图像像元中三维成像光谱数据的像元光谱二维矩阵；

对待预测的像元光谱二维矩阵进行校正光谱误差的预处理，方法为标准正交变换处理与小波去噪处理，得到预处理后的预测像元光谱二维矩阵，如图5所示；

将预处理后的像元光谱在光谱库中进行识别。本发明实施例中光谱库中具有15种已知不同类别的光谱，包括实施例中预测像元光谱的类别。表1为本发明模式识别结果。

表1

本发明所提供的成像光谱目标识别分析中的模式识别方法，从光谱维角度进行物质类别的判断，从而实现对目标组成成分的识别。本发明的优点在于在模式识别过程中，更好的匹配目标光谱与光谱库中的已知光谱的特征信息，突出不同类别之间目标光谱的特征，无复杂的参数设置，是一种确定性算法不具有随机性；该算法可解决样本间特征相似，变量冗余的问题；计算预测样本与超平面距离时考虑了特征的权重，且选择的权重为特征波长在类别组间与组内的欧式距离之比，突出了贡献较大的波长特征值，使得模式识别结果精度较高。此外，本发明是针对光谱维进行的模式识别操作，可以采集一个像元点的光谱后立即进行运算，无需等待整个区域的目标光谱都采集完成，从而更好的满足了目标识别在实时性上的要求。

提供以上实施例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。

Claims (8)

1.一种成像光谱目标识别分析中的模式识别方法，其特征在于包括以下步骤：

步骤101，获取待测图像像元中三维成像光谱数据的像元光谱二维矩阵；

步骤102，对待预测的像元光谱二维矩阵进行校正光谱误差的预处理，得到预处理后的预测像元光谱二维矩阵；

步骤103，将预处理后的预测像元光谱二维矩阵即预测样本，与光谱库中同样经过上述预处理后的已知类别光谱即训练样本，进行模式识别匹配；计算训练样本特征权重；

步骤104，根据训练样本特征权重，计算预测样本与训练样本之间的权重欧式距离，通过权重欧式距离分别获取预测样本的在每个训练样本类别内的n_c个近邻，根据所获的这些近邻，分别构建超平面；

步骤105，计算预测样本到每个构建的超平面的最小距离；

步骤106，判断预测样本到哪个超平面距离最近，模式识别的结果就是预测样本属于这个超平面所属的类别。

2.根据权利要求1所述成像光谱的目标识别分析中的模式识别方法，其特征在于：所述述步骤101中获取待测图像像元中三维成像光谱数据的像元光谱二维矩阵，具体包括：

将所述待预测图像像元中的三维成像光谱数据表示为成像光谱反射率的像元光谱二维矩阵：

R_m×n＝[p₁,p₁...p_y×i+j...p_x×y],0＜i≤x,0＜j≤y,

或R_m×n＝[p₁,p₁...p_i+x×j...p_x×y],0＜i≤x,0＜j≤y,

其中，R_m×n表示像元光谱二维矩阵，[p₁,p₁...p_y×i+j...p_x×y]和[p₁,p₁...p_i+x×j...p_x×y]表示待测图像的像元光谱矢量，m表示波段数，n表示待测图像像元的总数，x表示待测图像像元的行数，y表示待测图像像元的列数，n＝x×y。

3.根据权利要求1所述成像光谱目标识别分析中的模式识别方法，其特征在于：所述步骤102中对待预测的像元光谱二维矩阵进行校正光谱误差的预处理，得到预处理后的预测像元光谱二维矩阵的方法采用标准正交变换方法和小波去噪方法。

4.根据权利要求1所述成像光谱目标识别分析中的模式识别方法，其特征在于：所述步骤103是将预处理后的预测像元光谱二维矩阵即预测样本与光谱库中同样经过上述预处理后的已知类别光谱即训练样本进行模式识别匹配；计算训练样本特征权重具体如下：

设已经存在训练样本集,包含L个样本，J个类别，每个样本包含d个特征,记为：x_i＝(x_i1,...,x_id)^T其所属类别为y_i＝c(i＝1,...,L；c＝1,...,J)；

计算训练样本的特征权重：

$r_j=\frac{{\mathrm{\&Sigma;}}_i{\mathrm{\&Sigma;}}_{c}I(y_i=c){({\stackrel{\&OverBar;}{x}}_{\mathrm{cj}}-{\stackrel{\&OverBar;}{x}}_j)}^2}{{\mathrm{\&Sigma;}}_i{\mathrm{\&Sigma;}}_{c}I(y_i=c){(x_{\mathrm{ij}}-{\stackrel{\&OverBar;}{x}}_{\mathrm{cj}})}^2}$

$w_j=\frac{\exp \left(r_j\right)}{{\mathrm{\&Sigma;}}_{j=1}^d\exp \left(r_j\right)},\&ForAll;j=1,...,d$

其中r_j为计算过程中间变量；为全部训练样本第j维特征的全局均值；y_i＝c(i＝1,...,L；c＝1,...,J)为训练样本对应的类别；为第训练样本第j维特征的均值；I()一个函数，当y_i＝c时为1，否则为0；x_ij为训练样本x_i第j维特征值；w_j为训练样本第j维特征的权重值；d为样本特征个数。

5.根据权利要求1所述成像光谱目标识别分析中的模式识别方法，其特征在于：所述步骤104中根据训练样本特征权重，计算预测样本与训练样本之间的权重欧式距离：

$D(x_i,q)=\sqrt{\underset{j=1}{\overset{d}{\mathrm{\&Sigma;}}}{w}_j{(x_{\mathrm{ij}}-q_j)}^2}$

其中D(x_i,q)为预测样本与所给定的每个类别的样本之间的权重欧式距离；x_ij为训练样本第j维特征值；q_j为预测样本的像元的光谱向量q＝(q₁,...,q_d)^T的第j维特征值；w_j为训练样本第j维特征的权重值。

6.根据权利要求1所述成像光谱目标识别分析中的模式识别方法，其特征在于：所述步骤104中通过权重欧式距离分别获取预测样本的在每个训练样本类别内的n_c个近邻，根据所获的这些近邻，分别构建超平面，具体如下：

${\mathrm{LH}}_c\left(q\right)=\left\{s\right|s=\underset{i=1}{\overset{n_c}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i{V}_{.j}+m_c\}$

$m_c=\frac{1}{n_c}\underset{i=1}{\overset{n_c}{\mathrm{\&Sigma;}}}{p}_{\mathrm{ci}}$

V_.i＝p_c1-m_c

$\mathrm{\&alpha;}={({\mathrm{\&alpha;}}_1,...,{\mathrm{\&alpha;}}_{n_c})}^T$

其中LH_c(q)为所构造的超平面的集合；s为超平面；m_c为预测样本的属于类别c的n_c个近邻的平均值；p_ci为预测样本属于类别c的近邻；V_.i为近邻与近邻平均值之间的特征差值；V_.j为近邻与近邻平均值之间的特征差值的列向量；α为构造超平面时所选用的拉普拉斯算子向量；a_i为a的分量；n_c为人为选择，n_c≥2，并且n_c不能超过训练样本个数。

7.根据权利1要求所述成像光谱目标识别分析中的模式识别方法，其特征在于：所述步骤105计算预测样本到每个构建的超平面的最小距离：

$\begin{array}{c}{J}_c\left(q\right)=\underset{\mathrm{\&alpha;}}{\min }\underset{j=1}{\overset{d}{\mathrm{\&Sigma;}}}{w}_j{(V_{j.}\mathrm{\&alpha;}+m_{\mathrm{cj}}-q_j)}^2+\mathrm{\&lambda;}{\mathrm{\&alpha;}}^T\mathrm{\&alpha;}\\ =\underset{\mathrm{\&alpha;}}{\min }{(s-q)}^{T}W(s-q)+\mathrm{\&lambda;}{\mathrm{\&alpha;}}^T\mathrm{\&alpha;}\end{array}$

1＝diag(w₁,...,w_d)

其中J_c(q)为拉格朗日最小距离算子；w_j为训练样本第j维特征的权重值；V_j.为近邻与近邻平均值之间的特征差值的第j维特征值；m_cj为m_c的第j维特征值；q_j为预测样本的第j维特征值；α为构造超平面时所选用的拉普拉斯算子向量，V所有的近邻与近邻平均值之间的特征差值组成的向量，W为所有训练样本的特征权重组成的对角向量；s为超平面；q为预测样本；w₁,...,w_d为特征权重；λ是一个用于控制α值可能过大的参数，取值通常为0‐10之间。

8.根据权利要求1所述成像光谱目标识别分析中的模式识别方法，其特征在于：所述步骤106中判断预测样本到哪个超平面距离最近，那么模式识别的结果就是预测样本属于这个超平面所属的类别：

label(q)＝argmin_cJ_c(q)

其中label(q)为预测样本所属类别；J_c(q)为拉格朗日最小距离算子；argmin_cJ_c(q)代表使J_c(q)的值最小的超平面所属于的类别。