技術特征：

1.一種基于判別信息和流形信息的高光譜圖像波段選擇方法，包括如下步驟：

(1)輸入高光譜圖像I并將其轉化為二維數據矩陣Y；

(2)對二維數據矩陣Y做歸一化處理，得到原始空間中歸一化的二維數據矩陣X；

(3)使用映射函數φ把原始空間中的二維數據矩陣X表示為高維線性可分空間中對應的形式，并使用核技巧方法構建能表達該形式的核函數K；

(4)計算高維空間下數據的總散度矩陣和類內散度矩陣并將其散度矩陣代入標準線性判別模型中，得到高維空間下的線性判別表達式其中：μ是不等于0的判別參數，I_n是單位矩陣，n是數據集中的樣本數量，tr(·)是矩陣的秩，(·)^-1是矩陣的逆；

(5)計算一個同時包含數據判別信息和流形信息的圖正則矩陣G：

(5a)通過一個常數表達式tr(H^TC_nH)對步驟(4)得到的線性判別表達式做等價變換，得到線性判別表達式的初次等價變換式：其中：C_n是置中心矩陣，H是偽標簽矩陣，矩陣(·)^T是(·)的轉置矩陣；

(5b)使用核函數K對初次等價變換式再進一步等價變換，得到線性判別表達式的最終等價變換式：tr(H^T(C_n-C_n^T(C_n+μK^-1)^-1C_n)H)；

(5c)根據流形學習理論，計算出等價變換后的線性判別表達式中同時帶有判別信息和流形信息的圖正則矩陣：G＝C_n-C_n^T(C_n+μK^-1)^-1C_n；

(6)利用圖正則矩陣G,使用更新迭代的方法計算系數表示矩陣W：

(6a)初始化系數表示矩陣W和偽標簽矩陣H為元素值符合高斯分布的隨機矩陣，初始化與W有關聯的中間變量U為單位矩陣；

(6b)設置最大更新迭代次數為150，并設置當前迭代次數為k＝0；

(6c)利用中間變量U的更新公式計算當前迭代k下的中間變量矩陣U^(k),其中：是W的行向量的l₂范數，u_ii是U中第i行第i列元素；

(6d)利用偽標簽矩陣變量H的更新公式計算當前迭代下的偽標簽矩陣H^(k)，其中：h_ij是H中第i行第j列元素，G⁺＝(|G|+G)/2，G^-＝(|G|-G)/2，λ稱為自由參數，取值范圍是10⁸～10¹²，β稱為約束項平衡參數，取值范圍是10^-2～10³；

(6e)利用系數表示矩陣變量W的更新公式計算當前迭代下的系數表示矩陣W^(k)，其中：w_ij是W中第i行第j列元素，α稱為回歸項平衡參數，取值范圍是0.1～3；

(7)判斷當前迭代次數k是否大于等于最大迭代次數，若是，輸出最終的系數表示矩陣W，執(zhí)行(8)，否則，令k＝k+1，返回步驟(6c)；

(8)完成整個波段選擇過程：

(8a)計算每個波段的評分結果p_i；

(8b)計算所有波段的評分集合||W||_2,1；

(8c)選擇評分最高的一批波段組合成新的數據矩陣X^*，完成波段選擇。

2.根據權利要求1所述的方法，其特征在于，步驟(1)中將輸入的高光譜圖像I轉化為二維數據矩陣Y，是將輸入的三維矩陣圖像I∈R^p×q×m中的p×q個像素點矩陣重新排列成n行的像素點向量，從而把三維圖像I轉化為二維矩陣Y∈R^n×m，其中p×q表示該圖像的像素點個數，m表示波段數目，n＝p×q表示二維數據矩陣的像素點數目，R表示實數域。

3.根據權利要求1所述的方法，其特征在于，步驟(2)對二維數據矩陣Y做歸一化處理，是將二維數據矩陣Y按列歸一化，即分別把每列中的元素歸一化為0-1之間的值，得到歸一化后的二維數據矩陣X∈R^n×m。

4.根據權利要求1所述的方法，其特征在于，步驟(3)中構建的核函數K，表示如下：

$K=\exp (-\frac{\left|\right|x_i-x_j|{|}^2}{2})=\mathrm{\φ}{\left(x_i\right)}^T\·\mathrm{\φ}\left(x_j\right)$

其中，exp(·)表示核技巧方法，x_i和x_j是二維數據矩陣X中的任意兩個樣本，||·||²是范數的平方，φ(x_i)和φ(x_j)分別表述x_i和x_j在高維空間中的映射，φ(x_i)^T·φ(x_j)是φ(x_i)與φ(x_j)的內積。

5.根據權利要求1所述的方法，其特征在于，步驟(4)中的總散度矩陣和類內散度矩陣分別表示如下：

${\hat{S}}_t=\mathrm{\φ}{\left(X\right)}^T{C}_n{\mathrm{HH}}^T{C}_n^T\mathrm{\φ}\left(X\right),$

${\hat{s}}_b=\mathrm{\φ}{\left(X\right)}^T{C}_n{C}_n^T\mathrm{\φ}\left(X\right)$

其中：C_n為置中心矩陣，C_n＝I_n-(1/n)1_n1_n^T，1_n表示元素值都是1的n維列向量，φ(X)是二維數據矩陣X在高維空間中的映射。

6.根據權利要求1所述的方法，其特征在于，步驟(8)中根據W的l_2,1范數||W||_2,1計算每個波段的評分并得到所有波段評分的排序，按如下步驟進行：

(8a)通過W的行向量的元素之和來度量對應的波段特征的重要性，計算對應波段的評分結果p_i：

$p_i=\left(\right|\left|{\hat{w}}_i\right|{|}_2)=\underset{j=1}{\overset{c}{\Σ}}{\left|w_{ij}\right|}^2,$

其中：w_ij表示系數表示矩陣W第i行第j列元素，c表示二維數據矩陣X中的類別個數，p_i越高，表示對應波段越重要；

(8b)將所有波段的評分排序，得到所有波段評分排序的集合||W||_2,1：

$\left|\right|W|{|}_{2,1}=\underset{i=1}{\overset{m}{\Σ}}\left(p_i\right)\frac{1}{2}.$