本發(fā)明涉及高光譜圖像分類，尤其涉及一種基于四元數(shù)rayleigh熵的lda的hsi分類方法及電商應(yīng)用裝置。

背景技術(shù)：

1、高光譜成像技術(shù)將成像技術(shù)與光譜技術(shù)結(jié)合，在獲取樣本的照片的同時(shí)，還能夠獲得樣本的化學(xué)成分和化學(xué)成分空間分布信息，能夠探測(cè)目標(biāo)的二維幾何空間信息及一維光譜信息，因此在食品安全、醫(yī)學(xué)診斷、航天領(lǐng)域等方面有著廣泛的應(yīng)用。高光譜成像技術(shù)中的一個(gè)重要步驟是高光譜圖像(hsi)分類，高光譜圖像(hsi)分類先將高光譜圖像中包含的空間、光譜和輻射信息通過(guò)特定方法轉(zhuǎn)化為有效的特征向量，再根據(jù)特征向量對(duì)樣本成分進(jìn)行分類分析。

2、傳統(tǒng)的hsi分類方法通常依賴于空間紋理與形態(tài)學(xué)特征提取、空間鄰域信息獲取及空間信息后處理等技術(shù)，這些方法雖然在計(jì)算量和樣本需求上較小，但其分類精度很難滿足要求。隨著技術(shù)的發(fā)展，使用四元數(shù)判別方法來(lái)處理hsi分類越來(lái)越廣泛，四元數(shù)是一種擴(kuò)展的復(fù)數(shù)，包含一個(gè)實(shí)部和三個(gè)虛部，可以同時(shí)表示空間中的多個(gè)維度。在hsi分類中，四元數(shù)的應(yīng)用能夠更好地捕捉和利用數(shù)據(jù)的空間和光譜信息，從而提高分類精度。其中，線性判別分析(linear?discriminant?analysis，lda)是一種經(jīng)典的統(tǒng)計(jì)方法，用于降維和分類。lda的目標(biāo)是在保持類別可分性的前提下，找到一個(gè)線性組合的特征，使得不同類別的數(shù)據(jù)在這個(gè)新的特征空間中盡可能分離，同時(shí)同類數(shù)據(jù)盡可能接近。rayleigh熵(rayleighentropy，瑞利熵)是指在信號(hào)處理和通信領(lǐng)域中，利用瑞利分布來(lái)描述信號(hào)的散布特性，瑞利分布是一種連續(xù)概率分布，可以用于描述如不同光譜的光強(qiáng)分布情況等。然而，使用四元數(shù)判別方法來(lái)處理hsi分類，需要基于大量的樣本數(shù)據(jù)分析，若采用傳統(tǒng)的四元數(shù)判別方法，其計(jì)算復(fù)雜程度和計(jì)算量是比較大的，導(dǎo)致hsi分類的效率較低。

3、因此，有必要提出一種新的hsi分類方法，以降低使用四元數(shù)判別方法來(lái)處理hsi分類時(shí)的計(jì)算復(fù)雜程度和計(jì)算量，進(jìn)而提高h(yuǎn)si分類的效率。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供了一種基于四元數(shù)rayleigh熵的lda的hsi分類方法及電商應(yīng)用裝置，可以降低使用四元數(shù)判別方法來(lái)處理hsi分類時(shí)的計(jì)算復(fù)雜程度和計(jì)算量，進(jìn)而提高h(yuǎn)si分類的效率。

2、為了解決上述技術(shù)問(wèn)題，本發(fā)明第一方面公開(kāi)了一種基于四元數(shù)rayleigh熵的lda的hsi分類方法，所述方法包括：

3、使用四元數(shù)向量表示待分類高光譜圖像的所有像素向量，獲得所述待分類高光譜圖像對(duì)應(yīng)的四元數(shù)集合qh×n，其中，n為所述像素向量的數(shù)量，h為每個(gè)所述像素向量對(duì)應(yīng)的所述四元數(shù)向量的數(shù)量；

4、從n個(gè)所述像素向量中確定出m個(gè)訓(xùn)練像素向量，獲取訓(xùn)練數(shù)據(jù)集合qh×m和所述訓(xùn)練數(shù)據(jù)集合對(duì)應(yīng)的數(shù)據(jù)類別集合rc×m，其中，m是預(yù)設(shè)的訓(xùn)練樣本個(gè)數(shù)，c是光譜類別總數(shù)；

5、根據(jù)所述訓(xùn)練數(shù)據(jù)集合qh×m和所述訓(xùn)練數(shù)據(jù)集合對(duì)應(yīng)的所述數(shù)據(jù)類別集合rc×m，確定所述待分類高光譜圖像對(duì)應(yīng)的全局四元數(shù)散度矩陣sg和類間四元數(shù)散度矩陣sb；

6、分別對(duì)所述全局四元數(shù)散度矩陣sp和所述類間四元數(shù)散度矩陣sb進(jìn)行四元數(shù)特征值分解，獲得所述全局四元數(shù)散度矩陣sg的分解結(jié)果和所述類間四元數(shù)散度矩陣sb的分解結(jié)果；

7、根據(jù)所述全局四元數(shù)散度矩陣sp的分解結(jié)果和所述類間四元數(shù)散度矩陣sb的分解結(jié)果，確定所述待分類高光譜圖像對(duì)應(yīng)的目標(biāo)投影向量矩陣；

8、根據(jù)所述目標(biāo)投影向量矩陣對(duì)所述待分類高光譜圖像進(jìn)行分類。

9、作為一種可選的實(shí)施方式，在本發(fā)明第一方面中，所述待分類高光譜圖像包括n個(gè)像素向量，每個(gè)所述像素向量包括m個(gè)光譜波段和每個(gè)所述光譜波段對(duì)應(yīng)的輻射值，其中，n和m均為正整數(shù)；所述使用四元數(shù)向量表示待分類高光譜圖像的所有像素向量，包括：

10、對(duì)于待分類高光譜圖像上的每一個(gè)像素向量，將該像素向量的m個(gè)所述光譜波段確定為對(duì)應(yīng)的h個(gè)四元數(shù)向量，其中，所述為向上取整符號(hào)，該像素向量對(duì)應(yīng)的前h-1個(gè)所述四元數(shù)向量中的每個(gè)所述四元數(shù)向量用于表示該像素向量上連續(xù)的4個(gè)所述光譜波段和每個(gè)所述光譜波段對(duì)應(yīng)的輻射值，該像素向量對(duì)應(yīng)的第h個(gè)所述四元數(shù)向量用于表示該像素向量上連續(xù)的m-4·h個(gè)所述光譜波段和每個(gè)所述光譜波段對(duì)應(yīng)的輻射值。

11、作為一種可選的實(shí)施方式，在本發(fā)明第一方面中，所述根據(jù)所述訓(xùn)練數(shù)據(jù)集合qh×m和所述訓(xùn)練數(shù)據(jù)集合對(duì)應(yīng)的所述數(shù)據(jù)類別集合rc×m，確定所述待分類高光譜圖像對(duì)應(yīng)的全局四元數(shù)散度矩陣sp和類間四元數(shù)散度矩陣sb，包括：

12、根據(jù)所述訓(xùn)練數(shù)據(jù)集合qh×m和所述訓(xùn)練數(shù)據(jù)集合對(duì)應(yīng)的所述數(shù)據(jù)類別集合rc×m，確定測(cè)試數(shù)據(jù)矩陣ate∈qh×(n-m)、訓(xùn)練數(shù)據(jù)矩陣at∈qh×m和所述訓(xùn)練數(shù)據(jù)矩陣對(duì)應(yīng)的類別矩陣ct∈rc×m；

13、根據(jù)所述訓(xùn)練數(shù)據(jù)矩陣at和所述類別矩陣ct，確定第一中間矩陣ag和第二中間矩陣ab，并確定出所述待分類高光譜圖像對(duì)應(yīng)的全局四元數(shù)散度矩陣和類間四元數(shù)散度矩陣

14、其中，第一中間矩陣ag和第二中間矩陣ab通過(guò)以下公式確定：

15、

16、

17、上式中，為所述訓(xùn)練數(shù)據(jù)集合qh×m的均值向量，為所述待分類高光譜圖像對(duì)應(yīng)的所有第c類四元數(shù)向量的均值向量，l∈r1×m為具有1行m列個(gè)元素且每個(gè)元素都是1的行向量。

18、作為一種可選的實(shí)施方式，在本發(fā)明第一方面中，所述分別對(duì)所述全局四元數(shù)散度矩陣sg和所述類間四元數(shù)散度矩陣sb進(jìn)行四元數(shù)特征值分解，包括：

19、根據(jù)如下公式對(duì)所述全局四元數(shù)散度矩陣sg進(jìn)行四元數(shù)特征值分解：

20、

21、其中，ug為第一分解矩陣，dg為第二分解矩陣；

22、根據(jù)如下公式對(duì)所述類間四元數(shù)散度矩陣sb進(jìn)行四元數(shù)特征值分解：

23、

24、其中，為所述全局四元數(shù)散度矩陣sg對(duì)應(yīng)的匹配矩陣，ub為第三分解矩陣，db為第四分解矩陣。

25、作為一種可選的實(shí)施方式，在本發(fā)明第一方面中，所述根據(jù)所述全局四元數(shù)散度矩陣sg的分解結(jié)果和所述類間四元數(shù)散度矩陣sb的分解結(jié)果，確定所述待分類高光譜圖像對(duì)應(yīng)的目標(biāo)投影向量矩陣，包括：

26、根據(jù)所述全局四元數(shù)散度矩陣sg的分解結(jié)果和所述類間四元數(shù)散度矩陣sb的分解結(jié)果，確定初始投影向量矩陣

27、確定目標(biāo)投影向量矩陣其中，q為預(yù)設(shè)的閾值，所述閾值q∈{1，2，3，…，c-1}。

28、作為一種可選的實(shí)施方式，在本發(fā)明第一方面中，所述根據(jù)所述目標(biāo)投影向量矩陣對(duì)所述待分類高光譜圖像進(jìn)行分類，包括：

29、根據(jù)所述目標(biāo)投影向量矩陣確定所述待分類高光譜圖像對(duì)應(yīng)的光譜方向上的四元數(shù)分類特征

30、對(duì)所述光譜方向上的四元數(shù)分類特征af進(jìn)行空間信息處理，獲得所述待分類高光譜圖像對(duì)應(yīng)的空間方向上的四元數(shù)分類特征as；

31、根據(jù)所述空間方向上的四元數(shù)分類特征as對(duì)所述待分類高光譜圖像進(jìn)行分類。

32、作為一種可選的實(shí)施方式，在本發(fā)明第一方面中，所述待分類高光譜圖像為目標(biāo)樣品對(duì)應(yīng)的高光譜圖像，所述方法還包括：

33、根據(jù)所述對(duì)所述待分類高光譜圖像進(jìn)行分類后獲得的分類結(jié)果，確定所述目標(biāo)樣品上的多個(gè)目標(biāo)化學(xué)成分和每個(gè)所述目標(biāo)化學(xué)成分對(duì)應(yīng)的空間分布信息。

34、本發(fā)明第二方面公開(kāi)了一種基于四元數(shù)rayleigh熵的lda的hsi分類電商應(yīng)用裝置，該裝置用于對(duì)電子商務(wù)中的待分類高光譜圖像進(jìn)行分類，該裝置包括：

35、數(shù)據(jù)轉(zhuǎn)換模塊，用于使用四元數(shù)向量表示待分類高光譜圖像的所有像素向量，獲得所述待分類高光譜圖像對(duì)應(yīng)的四元數(shù)集合qh×n，其中，n為所述像素向量的數(shù)量，h為每個(gè)所述像素向量對(duì)應(yīng)的所述四元數(shù)向量的數(shù)量；

36、向量分析模塊，用于從n個(gè)所述像素向量中確定出m個(gè)訓(xùn)練像素向量，獲取訓(xùn)練數(shù)據(jù)集合qh×m和所述訓(xùn)練數(shù)據(jù)集合對(duì)應(yīng)的數(shù)據(jù)類別集合rc×m，其中，m是預(yù)設(shè)的訓(xùn)練樣本個(gè)數(shù)，c是光譜類別總數(shù)；

37、散度分析模塊，用于根據(jù)所述訓(xùn)練數(shù)據(jù)集合qh×m和所述訓(xùn)練數(shù)據(jù)集合對(duì)應(yīng)的所述數(shù)據(jù)類別集合rc×m，確定所述待分類高光譜圖像對(duì)應(yīng)的全局四元數(shù)散度矩陣sg和類間四元數(shù)散度矩陣sb；

38、特征分解模塊，用于分別對(duì)所述全局四元數(shù)散度矩陣sg和所述類間四元數(shù)散度矩陣sb進(jìn)行四元數(shù)特征值分解，獲得所述全局四元數(shù)散度矩陣sp的分解結(jié)果和所述類間四元數(shù)散度矩陣sb的分解結(jié)果；

39、投影分解模塊，用于根據(jù)所述全局四元數(shù)散度矩陣sg的分解結(jié)果和所述類間四元數(shù)散度矩陣sb的分解結(jié)果，確定所述待分類高光譜圖像對(duì)應(yīng)的目標(biāo)投影向量矩陣；

40、圖像分析模塊，用于根據(jù)所述目標(biāo)投影向量矩陣對(duì)所述待分類高光譜圖像進(jìn)行分類。

41、作為一種可選的實(shí)施方式，在本發(fā)明第二方面中，所述待分類高光譜圖像包括n個(gè)像素向量，每個(gè)所述像素向量包括m個(gè)光譜波段和每個(gè)所述光譜波段對(duì)應(yīng)的輻射值，其中，n和m均為正整數(shù)；所述數(shù)據(jù)轉(zhuǎn)換模塊使用四元數(shù)向量表示待分類高光譜圖像的所有像素向量的具體方式，包括：

42、對(duì)于待分類高光譜圖像上的每一個(gè)像素向量，將該像素向量的m個(gè)所述光譜波段確定為對(duì)應(yīng)的h個(gè)四元數(shù)向量，其中，所述為向上取整符號(hào)，該像素向量對(duì)應(yīng)的前h-1個(gè)所述四元數(shù)向量中的每個(gè)所述四元數(shù)向量用于表示該像素向量上連續(xù)的4個(gè)所述光譜波段和每個(gè)所述光譜波段對(duì)應(yīng)的輻射值，該像素向量對(duì)應(yīng)的第h個(gè)所述四元數(shù)向量用于表示該像素向量上連續(xù)的m-4·h個(gè)所述光譜波段和每個(gè)所述光譜波段對(duì)應(yīng)的輻射值。

43、作為一種可選的實(shí)施方式，在本發(fā)明第二方面中，所述散度分析模塊根據(jù)所述訓(xùn)練數(shù)據(jù)集合qh×m和所述訓(xùn)練數(shù)據(jù)集合對(duì)應(yīng)的所述數(shù)據(jù)類別集合rc×m，確定所述待分類高光譜圖像對(duì)應(yīng)的全局四元數(shù)散度矩陣sg和類間四元數(shù)散度矩陣sb的具體方式，包括：

44、根據(jù)所述訓(xùn)練數(shù)據(jù)集合qh×m和所述訓(xùn)練數(shù)據(jù)集合對(duì)應(yīng)的所述數(shù)據(jù)類別集合rc×m，確定測(cè)試數(shù)據(jù)矩陣ate∈qh×(n-m)、訓(xùn)練數(shù)據(jù)矩陣at∈qh×m和所述訓(xùn)練數(shù)據(jù)矩陣對(duì)應(yīng)的類別矩陣ct∈rc×m；

45、根據(jù)所述訓(xùn)練數(shù)據(jù)矩陣at和所述類別矩陣ct，確定第一中間矩陣ap和第二中間矩陣ab，并確定出所述待分類高光譜圖像對(duì)應(yīng)的全局四元數(shù)散度矩陣和類間四元數(shù)散度矩陣

46、其中，第一中間矩陣ag和第二中間矩陣ab通過(guò)以下公式確定：

47、

48、

49、上式中，為所述訓(xùn)練數(shù)據(jù)集合qh×m的均值向量，為所述待分類高光譜圖像對(duì)應(yīng)的所有第c類四元數(shù)向量的均值向量，l∈r1×m為具有1行m列個(gè)元素且每個(gè)元素都是1的行向量。

50、作為一種可選的實(shí)施方式，在本發(fā)明第二方面中，所述特征分解模塊分別對(duì)所述全局四元數(shù)散度矩陣sg和所述類間四元數(shù)散度矩陣sb進(jìn)行四元數(shù)特征值分解的具體方式，包括：

51、根據(jù)如下公式對(duì)所述全局四元數(shù)散度矩陣sg進(jìn)行四元數(shù)特征值分解：

52、

53、其中，ug為第一分解矩陣，dg為第二分解矩陣；

54、根據(jù)如下公式對(duì)所述類間四元數(shù)散度矩陣sb進(jìn)行四元數(shù)特征值分解：

55、

56、其中，為所述全局四元數(shù)散度矩陣sg對(duì)應(yīng)的匹配矩陣，ub為第三分解矩陣，db為第四分解矩陣。

57、作為一種可選的實(shí)施方式，在本發(fā)明第二方面中，所述投影分解模塊根據(jù)所述全局四元數(shù)散度矩陣sg的分解結(jié)果和所述類間四元數(shù)散度矩陣sb的分解結(jié)果，確定所述待分類高光譜圖像對(duì)應(yīng)的目標(biāo)投影向量矩陣的具體方式，包括：

58、根據(jù)所述全局四元數(shù)散度矩陣sg的分解結(jié)果和所述類間四元數(shù)散度矩陣sb的分解結(jié)果，確定初始投影向量矩陣

59、確定目標(biāo)投影向量矩陣其中，q為預(yù)設(shè)的閾值，所述閾值q∈{1，2，3，…，c-1}。

60、作為一種可選的實(shí)施方式，在本發(fā)明第二方面中，所述圖像分析模塊根據(jù)所述目標(biāo)投影向量矩陣對(duì)所述待分類高光譜圖像進(jìn)行分類的具體方式，包括：

61、根據(jù)所述目標(biāo)投影向量矩陣確定所述待分類高光譜圖像對(duì)應(yīng)的光譜方向上的四元數(shù)分類特征

62、對(duì)所述光譜方向上的四元數(shù)分類特征af進(jìn)行空間信息處理，獲得所述待分類高光譜圖像對(duì)應(yīng)的空間方向上的四元數(shù)分類特征as；

63、根據(jù)所述空間方向上的四元數(shù)分類特征as對(duì)所述待分類高光譜圖像進(jìn)行分類。

64、作為一種可選的實(shí)施方式，在本發(fā)明第二方面中，所述待分類高光譜圖像為目標(biāo)樣品對(duì)應(yīng)的高光譜圖像，該裝置還包括：

65、成分分析模塊，用于根據(jù)所述對(duì)所述待分類高光譜圖像進(jìn)行分類后獲得的分類結(jié)果，確定所述目標(biāo)樣品上的多個(gè)目標(biāo)化學(xué)成分和每個(gè)所述目標(biāo)化學(xué)成分對(duì)應(yīng)的空間分布信息。

66、本發(fā)明第三方面公開(kāi)了另一種基于四元數(shù)rayleigh熵的lda的hsi分類電商應(yīng)用裝置，該裝置用于對(duì)電子商務(wù)中的待分類高光譜圖像進(jìn)行分類，所述裝置包括：

67、存儲(chǔ)有可執(zhí)行程序代碼的存儲(chǔ)器；

68、與所述存儲(chǔ)器耦合的處理器；

69、所述處理器調(diào)用所述存儲(chǔ)器中存儲(chǔ)的所述可執(zhí)行程序代碼，執(zhí)行本發(fā)明第一方面公開(kāi)的基于四元數(shù)rayleigh熵的lda的hsi分類方法。

70、本發(fā)明第四方面公開(kāi)了一種計(jì)算機(jī)存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)存儲(chǔ)介質(zhì)存儲(chǔ)有計(jì)算機(jī)指令，所述計(jì)算機(jī)指令被調(diào)用時(shí)，用于執(zhí)行本發(fā)明第一方面公開(kāi)的基于四元數(shù)rayleigh熵的lda的hsi分類方法。

71、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：

72、本發(fā)明的基于四元數(shù)rayleigh熵的lda的hsi分類方法，從全局四元數(shù)散度矩陣的分解結(jié)果和類間四元數(shù)散度矩陣的分解結(jié)果中確定待分類高光譜圖像對(duì)應(yīng)的目標(biāo)投影向量矩陣，類間四元數(shù)散度矩陣則有助于在四元數(shù)空間中進(jìn)行有效的數(shù)據(jù)分類，而四元數(shù)投影向量矩陣表達(dá)了四元數(shù)在特定方向上的特性。本發(fā)明降低了使用四元數(shù)判別方法來(lái)處理hsi分類時(shí)的計(jì)算復(fù)雜程度和計(jì)算量，進(jìn)而提高了hsi分類的效率。