遥感特征提取方法及装置与流程

1.本发明实施例涉及遥感图像处理技术，尤其涉及一种遥感特征提取方法及装置。


背景技术：

2.遥感图像分类技术是遥感数字图像处理中的关键技术之一，目前已经被广泛的应用于农业、军事等诸多领域，在各行各业都发挥了重要的作用。
3.但是，在遥感图像分类过程中经常会出现训练数据和测试数据来自两幅不同的遥感图像的情况，此时，测试数据和训练数据不是同分布，使用传统的机器学习在这种情况下，存在遥感特征提取效果差的问题，因此，无法适用于遥感图像分类。


技术实现要素：

4.本发明实施例提供了一种遥感特征提取方法及装置，以实现提高遥感特征提取质量的效果。
5.第一方面，本发明实施例提供了一种遥感特征提取方法，该方法包括：
6.将待处理遥感数据向预设数量的主成分子空间进行投影，得到预设数量的主成分投影数据；其中，预设数量为n+2，n为正整数，所述待处理遥感数据包括遥感目标域数据；
7.将所述待处理遥感数据向预设数量的相关性子空间进行投影，得到预设数量的相关性投影数据；
8.根据所述主成分投影数据以及所述相关性投影数据，确定遥感投影数据，并对所述遥感投影数据进行降维处理，得到与所述待处理遥感数据相对应的遥感特征数据。
9.第二方面，本发明实施例还提供了一种遥感特征提取装置，该装置包括：
10.主成分投影模块，用于将待处理遥感数据向预设数量的主成分子空间进行投影，得到预设数量的主成分投影数据；其中，预设数量为n+2，n为正整数，所述待处理遥感数据包括遥感目标域数据；
11.相关性投影模块，用于将所述待处理遥感数据向预设数量的相关性子空间进行投影，得到预设数量的相关性投影数据；
12.特征提取模块，用于根据所述主成分投影数据以及所述相关性投影数据，确定遥感投影数据，并对所述遥感投影数据进行降维处理，得到与所述待处理遥感数据相对应的遥感特征数据。
13.第三方面，本发明实施例还提供了一种电子设备，所述电子设备包括：
14.一个或多个处理器；
15.存储装置，用于存储一个或多个程序，
16.当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明实施例任一所述的遥感特征提取方法。
17.第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例任一所述的遥感特征提取方法。
18.本发明实施例的技术方案，通过将待处理遥感数据向预设数量的主成分子空间进行投影，得到预设数量的主成分投影数据，将待处理遥感数据向预设数量的相关性子空间进行投影，得到预设数量的相关性投影数据，根据主成分投影数据以及相关性投影数据，确定遥感投影数据，并对遥感投影数据进行降维处理，得到与待处理遥感数据相对应的遥感特征数据，解决了遥感图像数据特征提取效果差的问题，实现了提高遥感特征提取质量的效果。
附图说明
19.为了更加清楚地说明本发明示例性实施例的技术方案，下面对描述实施例中所需要用到的附图做一简单介绍。显然，所介绍的附图只是本发明所要描述的一部分实施例的附图，而不是全部的附图，对于本领域普通技术人员，在不付出创造性劳动的前提下，还可以根据这些附图得到其他的附图。
20.图1为本发明实施例一所提供的一种遥感特征提取方法的流程示意图；
21.图2为本发明实施例二所提供的一种相关性子空间确定方法的流程示意图；
22.图3为本发明实施例二所提供的一种主成分子空间确定方法的流程示意图；
23.图4为本发明实施例三所提供的一种中间子空间对齐的原理示意图；
24.图5为本发明实施例三所提供的pic56特征对齐前的数据分布图；
25.图6为本发明实施例三所提供的pic56特征对齐后的数据分布图；
26.图7为本发明实施例三所提供的pic56中第一类数据特征对齐前后的数据分布对比图；
27.图8为本发明实施例三所提供的pic56中第二类数据特征对齐前后的数据分布对比图；
28.图9为本发明实施例三所提供的pic56中第三类数据特征对齐前后的数据分布对比图；
29.图10为本发明实施例三所提供的pic56中第四类数据特征对齐前后的数据分布对比图；
30.图11为本发明实施例三所提供的pic56中第五类数据特征对齐前后的数据分布对比图；
31.图12为本发明实施例三所提供的pic56中第六类数据特征对齐前后的数据分布对比图；
32.图13为本发明实施例三所提供的pic56中第七类数据特征对齐前后的数据分布对比图；
33.图14为本发明实施例三所提供的pic56中第八类数据特征对齐前后的数据分布对比图；
34.图15为本发明实施例三所提供的pic56中第九类数据特征对齐前后的数据分布对比图；
35.图16为本发明实施例四所提供的一种遥感特征提取装置的结构示意图；
36.图17为本发明实施例五所提供的一种电子设备的结构示意图。
具体实施方式
37.下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
38.实施例一
39.图1为本发明实施例一所提供的一种遥感特征提取方法的流程示意图，本实施例可适用于在对遥感图像进行迁移学习以提高分类准确率的情况，该方法可以由遥感特征提取装置来执行，该装置可以通过软件和/或硬件的形式实现，该硬件可以是电子设备，可选的，电子设备可以是移动终端、pc端、服务器等。
40.如图1所述，本实施例的方法具体包括如下步骤：
41.s110、将待处理遥感数据向预设数量的主成分子空间进行投影，得到预设数量的主成分投影数据。
42.其中，预设数量为n+2，n为正整数。待处理遥感数据包括遥感目标域数据，遥感源数据可以是待进行分类的在源域中的遥感数据。源域和目标域是迁移学习中的相关术语，源域指的是迁移学习中已知的包含了大量训练数据的领域，目标域指的是迁移学习中未知的不包含训练数据或仅包含少量训练数据的领域。主成分子空间可以是基于pca(principal component analysis，主成分分析)确定的各低维空间。主成分投影数据可以是待处理遥感数据在各个主成分子空间上的投影数据。
43.具体的，将待处理遥感数据分别在各个主成分子空间进行投影，可以得到待处理遥感数据在各个主成分子空间下的投影数据，即得到预设数量的主成分投影数据。
44.s120、将待处理遥感数据向预设数量的相关性子空间进行投影，得到预设数量的相关性投影数据。
45.其中，相关性子空间可以是基于cca(canonical correlation analysis，典型关联分析)确定的各低维空间。相关性投影数据可以是待处理遥感数据在各个相关性子空间上的投影数据。
46.具体的，将待处理遥感数据分别在各个相关性子空间进行投影，可以得到待处理遥感数据在各个相关性子空间下的投影数据，即得到预设数量的相关性投影数据。
47.s130、根据主成分投影数据以及相关性投影数据，确定遥感投影数据，并对遥感投影数据进行降维处理，得到与待处理遥感数据相对应的遥感特征数据。
48.其中，遥感投影数据可以是主成分投影数据和相关性投影数据进行串联得到的数据。降维处理可以是遥感投影数据经过降维方法进行处理后得到的数据，降维方法可以是pls(partial least squares，偏最小二乘法)等降维方法。遥感特征数据可以是用于后续进行分类或分析处理等的特征数据。
49.具体的，将投影得到的主成分投影数据以及相关性投影数据进行拼接，得到遥感投影数据。由于遥感投影数据的维度较大，为了便于后续的分类处理，采用降维算法，将遥感投影数据进行降维得到遥感特征数据，以保留主要的特征。
50.需要说明的是，在得到遥感特征数据之后，可以认为已经将目标域的数据映射到源域中，可以使用源域的特征数据的分类方式进行后续的分类。
51.本发明实施例的技术方案，通过将待处理遥感数据向预设数量的主成分子空间进
行投影，得到预设数量的主成分投影数据，将待处理遥感数据向预设数量的相关性子空间进行投影，得到预设数量的相关性投影数据，根据主成分投影数据以及相关性投影数据，确定遥感投影数据，并对遥感投影数据进行降维处理，得到与待处理遥感数据相对应的遥感特征数据，解决了遥感图像数据特征提取效果差的问题，实现了提高遥感特征提取质量的效果。
52.实施例二
53.图2为本发明实施例二所提供的一种相关性子空间确定方法的流程示意图，本实施例在本发明实施例中任一可选技术方案的基础上，可选地，针对相关性子空间的确定方式可参见本实施例的技术方案。其中，与上述各实施例相同或相应的术语的解释在此不再赘述。
54.如图2所示，本实施例的方法具体可包括：
55.s210、获取样本源域数据以及样本目标域数据。
56.其中，样本源域数据可以是源域中的遥感数据，即包含大量训练数据的领域中的数据。样本目标域数据可以是目标域中的遥感数据，即训练数据较少的领域中的数据。
57.具体的，将待进行分类的数据的领域作为目标域，获取目标域中的样本数据。将数据量较为充分，且数据与目标域的数据具有一定的相似性的领域作为源域，获取源域中的样本数数据。
58.s220、根据预设维度，将样本源域数据进行相关性分析，得到相关性源域投影矩阵。
59.其中，预设维度可以是进行相关性分析降维时的目标维度，即想要降到的维数。预设维度可以是训练得到的适合于源域和目标域的维度，也可以是预先设定的维度。相关性源域投影矩阵可以是样本源域数据的相关性分析降维的投影矩阵。
60.具体的，将样本源域数据以预设维度进行性相关性分析，可以得到与样本源域数据相对应的相关性源域投影矩阵。
61.s230、根据预设维度，将样本目标域数据进行相关性分析，得到相关性目标域投影矩阵。
62.其中，相关性目标域投影矩阵可以是样本目标域数据的相关性分析降维的投影矩阵。
63.具体的，将样本目标域数据以预设维度进行性相关性分析，可以得到与样本目标域数据相对应的相关性目标域投影矩阵。
64.s240、根据样本源域数据、样本目标域数据、相关性源域投影矩阵以及相关性目标域投影矩阵，确定n个相关性中间空间。
65.其中，相关性中间空间为相关性源域投影矩阵与相关性目标域投影矩阵之间的基于格雷斯曼流形确定出的中间空间。
66.具体的，根据样本源域数据、样本目标域数据、相关性源域投影矩阵以及相关性目标域投影矩阵，沿着格雷斯曼流形上的路径来构建相关性中间空间。
67.可选的，可以基于下述各步骤来确定相关性中间空间：
68.步骤一、确定相关性源域投影矩阵的相关性正交完备矩阵，根据转置后的相关性正交完备矩阵与相关性目标域投影矩阵的乘积，进行余弦正弦分解，得到第一正交矩阵、第
二正交矩阵、第一基准矩阵以及第二基准矩阵。
69.其中，相关性正交完备矩阵可以是相关性源域投影矩阵对应的正交完备矩阵。余弦正选分解可以是cs(cosine-sine decomposition)分解。第一正交矩阵、第二正交矩阵、第一基准矩阵以及第二基准矩阵可以是进行余弦正弦分解后得到的矩阵。
70.具体的，求相关性源域投影矩阵的正交完备矩阵，即为相关性正交完备矩阵。进而，对转置后的相关性正交完备矩阵与相关性目标域投影矩阵的乘积进行余弦正弦分解，得到各个分解项，分别记为第一正交矩阵、第二正交矩阵、第一基准矩阵以及第二基准矩阵。
71.可选的，可以基于下述方式确定第一正交矩阵、第二正交矩阵、第一基准矩阵以及第二基准矩阵：
72.基于下述余弦正弦分解公式确定第一正交矩阵、第二正交矩阵、第一基准矩阵以及第二基准矩阵：
[0073][0074]
其中，q
′
表示转置后的相关性正交完备矩阵，s2表示相关性目标域投影矩阵，表示第二正交矩阵，v1表示第一正交矩阵，γ(1)表示第一基准矩阵，σ(1)表示第二基准矩阵，v
′
表示总正交矩阵。
[0075]
步骤二、根据第一正交矩阵、第二正交矩阵、第一基准矩阵以及第二基准矩阵，确定奇异值分解矩阵。
[0076]
其中，奇异值分解矩阵可以是矩阵进行奇异值分解(singular value decomposition，svd)得到的矩阵。
[0077]
具体的，取出第一基准矩阵中的对角元素，并对这些对角元素求反正弦函数。取出第二基准矩阵中的对角元素，并对这些对角元素求反余弦函数。将求出的反正弦函数和反余弦函数作为对角元素构建对角矩阵。进而，根据构建的对角矩阵与第二正交矩阵和转置后的第一正交矩阵相乘得到参考矩阵，并对参考矩阵进行奇异值分解，得到奇异值分解矩阵。
[0078]
可选的，可以基于下述方式确定奇异值分解矩阵：
[0079]
根据第一基准矩阵中各对角元素的反正弦值，以及第二基准矩阵中各对角元素的反余弦值，确定基准对角矩阵。
[0080]
其中，反正弦值可以是基于反正弦函数计算得到的数值，反余弦值可以是基于反余弦函数计算得到的数值。基准对角矩阵可以是以反正弦值和反余弦值作为对角元素的对角矩阵。
[0081]
具体的，对第一基准矩阵中各对角元素求反正弦值，对第二基准矩阵中各对角元素求反余弦值，将求出的反正弦值和反余弦值作为对角元素构建对角矩阵，即基准对角矩阵。
[0082]
基于基准对角矩阵、第一正交矩阵以及第二正交矩阵，确定参考矩阵，并基于参考矩阵进行奇异值分解得到奇异值分解矩阵。
[0083]
其中，参考矩阵可以是第二正交矩阵、基准对角矩阵和转置后的第一正交矩阵进
行矩阵相乘得到的矩阵。
[0084]
具体的，基于下述公式确定参考矩阵：
[0085][0086]
其中，a表示参考矩阵，表示第二正交矩阵，v1′
表示转置后的第一正交矩阵，θ1表示基准对角矩阵
[0087]
并且，基于下述公式确定奇异值分解矩阵：
[0088][0089]
其中，a表示参考矩阵，表示第二正交矩阵，v1表示第一正交矩阵，θ2表示奇异值分解矩阵。
[0090]
步骤三、基于预设区间内的n个待处理值以及奇异值分解矩阵中的各对角元素，确定与每个待处理值对应的第一中间矩阵和与每个待处理值对应的第二中间矩阵。
[0091]
其中，预设区间可以是预先设定的区间，例如：[0,1]等。待处理值可以是在预设区间内随机选取的数值。第一中间矩阵可以是基于余弦函数确定的与待处理值相对应的矩阵，第二中间矩阵可以是基于正弦函数确定的与待处理值相对应的矩阵。
[0092]
具体的，在预设区间内随机选择n个待处理值，将奇异值分解矩阵中的各对角元素与各待处理值的乘积求余弦值，得到与各待处理值相对应的第一中间矩阵。将奇异值分解矩阵中的各对角元素与各待处理值的乘积求正弦值，得到与各待处理值相对应的第二中间矩阵。
[0093]
可选的，基于下述方式确定与每个待处理值对应的第一中间矩阵和与每个待处理值对应的第二中间矩阵：
[0094]
针对每个待处理值，基于下述公式确定与待处理值对应的第一中间矩阵和与待处理值对应的第二中间矩阵：
[0095]ri
(tn)＝cos(tnθi)
[0096]
σi(tn)＝sin(tnθi)
[0097]
其中，tn表示第n个待处理值，θi表示奇异值分解矩阵中的第i个对角元素，ri(tn)表示第一中间矩阵中与第n个待处理值和第i个对角元素对应的元素值，σi(tn)表示第二中间矩阵中与第n个待处理值和第i个对角元素对应的元素值。
[0098]
步骤四、针对每个待处理值，根据相关性正交完备矩阵、第一正交矩阵、第二正交矩阵，以及与待处理值相对应第一中间矩阵和第二中间矩阵，确定与待处理值相对应的相关性中间子空间。
[0099]
具体的，根据第一正交矩阵、第二正交矩阵、第一中间矩阵和第二中间矩阵可以构建与各待处理值相对应的待处理矩阵。将相关性正交完备矩阵与每个待处理矩阵分别相乘，得到与每个待处理值相对应的相关性中间子空间，即得到n的相关性中间子空间。
[0100]
可选的，可以通过下述方式确定与待处理值相对应的相关性中间子空间：
[0101]
基于下述公式确定与待处理值相对应的相关性中间子空间：
[0102]
[0103]
其中，tn表示第n个待处理值，ψ(tn)表示与第n个待处理值相对应的相关性中间子空间，q表示相关性正交完备矩阵，表示第二正交矩阵，v1表示第一正交矩阵，γ2(tn)表示与第n个待处理值相对应的第一中间矩阵，σ2(tn)表示与第n个待处理值相对应的第二中间矩阵。
[0104]
s250、根据各相关性中间空间、相关性源域投影矩阵以及相关性目标域投影矩阵，确定相关性子空间。
[0105]
具体的，将n个相关性中间空间、相关性源域投影矩阵以及相关性目标域投影矩阵确定为n+2个相关性子空间。
[0106]
相应的，图3为本发明实施例二所提供的一种主成分子空间确定方法的流程示意图。
[0107]
s310、获取样本源域数据以及样本目标域数据。
[0108]
s320、根据预设维度，将样本源域数据进行主成分分析，得到主成分源域投影矩阵。
[0109]
s330、根据预设维度，将样本目标域数据进行主成分分析，得到主成分目标域投影矩阵。
[0110]
s340、根据样本源域数据、样本目标域数据、主成分源域投影矩阵以及主成分目标域投影矩阵，确定n个主成分中间空间。
[0111]
s350、根据各主成分中间空间、主成分源域投影矩阵以及主成分目标域投影矩阵，确定主成分子空间。
[0112]
需要说明的是，s310-s350与s210-s250类似，在本实施例中不再赘述。
[0113]
还需要说明的是，确定主成分子空间和相关性子空间就是建立源域和目标域之间的格雷斯曼流形上的路径，在确定主成分子空间和相关性子空间后，可以训练得到主成分子空间和相关性子空间的权重、预设维度以及预设数量。
[0114]
本发明实施例的技术方案，通过获取样本源域数据以及样本目标域数据，根据预设维度，将样本源域数据进行相关性分析，得到相关性源域投影矩阵，根据预设维度，将样本目标域数据进行相关性分析，得到相关性目标域投影矩阵，根据样本源域数据、样本目标域数据、相关性源域投影矩阵以及相关性目标域投影矩阵，确定n个相关性中间空间，进而，根据各相关性中间空间、相关性源域投影矩阵以及相关性目标域投影矩阵，确定相关性子空间；通过获取样本源域数据以及样本目标域数据，根据预设维度，将样本源域数据进行主成分分析，得到主成分源域投影矩阵，根据预设维度，将样本目标域数据进行主成分分析，得到主成分目标域投影矩阵，根据样本源域数据、样本目标域数据、主成分源域投影矩阵以及主成分目标域投影矩阵，确定n个主成分中间空间，进而，根据各主成分中间空间、主成分源域投影矩阵以及主成分目标域投影矩阵，确定主成分子空间，解决了中间特征空间确定方法单一以及确定不准确的问题，实现了相关性子空间和主成分子空间的准确确定，以提高特征提取质量的效果。
[0115]
实施例三
[0116]
作为上述各实施例的可选实施方案，本发明实施例三提供了一种主成分子空间和相关性子空间的确定方法的流程示意图。其中，与上述各实施例相同或相应的术语的解释在此不再赘述。
[0117]
本实施例的方法具体包括如下步骤：
[0118]
1、求源域数据xs(样本源域数据)和目标域数据x
t
(样本目标域数据)的cca降维投影矩阵s1(相关性源域投影矩阵)和s2(相关性目标域投影矩阵)，并求出s1的正交完备矩阵q。
[0119]
2、求q
′
s2的cs分解形式
[0120][0121]
其中，q
′
表示转置后的相关性正交完备矩阵，s2表示相关性目标域投影矩阵，表示第二正交矩阵，v1表示第一正交矩阵，γ(1)表示第一基准矩阵，σ(1)表示第二基准矩阵，v
′
表示总正交矩阵。
[0122]
3、取出γ和σ的对角元素，对γ中的元素求反正弦函数，对σ中的元素求反余弦函数，以得到集合矩阵θ1(基准对角矩阵)是以为元素的对角矩阵。
[0123]
4、由式子得到矩阵a(参考矩阵)，根据式子对a进行svd分解得到θ2(奇异值分解矩阵)。
[0124]
5、在[0,1]中随机选取n个值t(待处理值)，计算对角矩阵γ2(tn)，σ2(tn)，ri(tn)＝cos(tnθi)，σi(tn)＝sin(tnθi)，ri(tn)和σi(tn)分别是γ2(tn)和σ2(tn)的元素，θi是θ2的对角元素。
[0125]
6、计算ψ(tn)就表示s1和s2之间的中间子空间(相关性中间子空间)。
[0126]
7、求源域数据xs(样本源域数据)和目标域数据x
t
(样本目标域数据)的pca降维投影矩阵s3(主成分源域投影矩阵)和s4(主成分目标域投影矩阵)，并求出s3的正交完备矩阵q2。
[0127]
8、求q2′
s4的cs分解形式
[0128][0129]
其中，q2′
表示转置后的主成分正交完备矩阵，s4表示主成分目标域投影矩阵，表示第四正交矩阵，v3表示第三正交矩阵，γ3(1)表示第三基准矩阵，σ3(1)表示第四基准矩阵，v
″
表示总正交矩阵。
[0130]
9、取出γ3和σ3的对角元素，对γ3中的元素求反正弦函数，对σ3中的元素求反余弦函数，以得到集合{ωi}，矩阵θ3是以ω为元素的对角矩阵。
[0131]
10、由式子得到矩阵a2，根据式子对a进行svd分解得到θ4。
[0132]
11、在[0,1]中随机选取n个值t(待处理值)，计算对角矩阵γ4(tn)，σ4(tn)，pi(tn)＝cos(tnτi)，qi(tn)＝sin(tnτi)，pi(tn)和qi(tn)分别是γ4(tn)和σ4(tn)的元素，τi是θ4的对角元素。
[0133]
12、计算φ(tn)就表示s3和s4之间的中间子空间(主成分中间子空间)。
[0134]
13、由s1和s2以及n个中间子空间ψ(tn)，s3和s4以及n个中间子空间φ(tn)，得到两个系列的中间子空间，将待处理遥感数据分别投影到这两个系列的中间子空间，并将这两个结果串联起来，得到的数据的维度比较大，为了使数据更便于分类，采用了pls算法，对串联后的数据进一步降维，保留最主要的特征。
[0135]
需要说明的是，图4为中间子空间对齐的原理示意图，g
n,d
为格雷斯曼流形，s1和s2分别源域和目标域通过cca得到的特征空间，s1.3和s1.6均是通过在格雷斯曼流形上沿着s1到s2的路径采样得到的中间子空间，s3和s4分别源域和目标域通过pca得到的特征空间，s3.3和s3.6均是通过在格雷斯曼流形上沿着s3到s4的路径采样得到的中间子空间。由图4可以看出结合了pca和cca之后，源域特征空间是沿着两条路径到达目标域的特征空间，最终将源域和目标域同时投影到两条路径所得到的中间子空间上，实现源域和目标域的对齐。
[0136]
示例性的，采用了三幅某地区的遥感图像作为实验数据进行验证，这三幅图像是在某地区分别于5月、6月和7月拍摄的遥感图像。实验从三幅图像中均选取了9个类别的带有真实标签的数据。
[0137]
实验中将五月份数据记作pic5，六月份的数据记作pic6，七月份的数据记作pic7。实验使用的源域数据是带标签信息的，目标域数据是不带标签信息的，为了方便起见，如：使用pic5作为源域数据，pic6作为目标域数据，这组数据就记作pic56，以此类推以pic5、pic6、pic7构成了6组实验数据。表1给出了三种算法的分类精度对比。
[0138]
表1
[0139]
数据knn分类中间子空间对齐算法本实施例方法pic5671.21％86.02％87.38％pic6555.00％80.13％82.15％pic5773.85％84.96％85.78％pic7557.78％79.81％79.99％pic6789.04％90.22％91.39％pic7681.87％90.76％90.69％
[0140]
为了体现出算法特征对齐的作用，实验对比了特征对齐前后的实验数据(如图5和图6所示)，实验数据是pic56，实验在最优参数下进行的，并选择数据的波段1和波段2作出了散点图表示数据分布。由图5可以看出在pic56数据对齐之前，数据分布并不相同，源域有许多数据与目标域数据分布并不相同，图6可以看出在经过对齐之后，源域和目标域数据的分布变得十分相似，数据重合度更高。但图5和图6只给出了整体数据的分布，整体数据分布相似并不代表各类数据的分布也变得相似。因此，实验进一步给出了pic56数据各类数据在经过对齐前后的对比图，如图7-图15所示。由pic56各类特征对齐前后对比可以看出，在对齐前各类数据分布离得很开，基本没有重合的部分。在经过特征对齐后，数据的分布变得相似了，变得重合起来，尤其是3、5、6、8类可以看出特征对齐后，数据的分布重合得非常好。由
此可以看出，本实施例的方法的特征对齐效果是显著的。
[0141]
本发明实施例的技术方案，通过pca从保留数据最大信息量出发获得数据的特征空间，通过cca来确定源域和目标域的相关性进而获得两域的特征空间，通过pca和cca的特征空间建立的两域的联系更加紧密，解决了遥感图像数据特征提取效果差的问题，实现了提高遥感特征提取质量的效果。
[0142]
实施例四
[0143]
图16为本发明实施例四所提供的一种遥感特征提取装置的结构示意图，该装置包括：主成分投影模块310、相关性投影模块320和特征提取模块330。
[0144]
其中，主成分投影模块310，用于将待处理遥感数据向预设数量的主成分子空间进行投影，得到预设数量的主成分投影数据；其中，预设数量为n+2，n为正整数，所述待处理遥感数据包括遥感目标域数据；相关性投影模块320，用于将所述待处理遥感数据向预设数量的相关性子空间进行投影，得到预设数量的相关性投影数据；特征提取模块330，用于根据所述主成分投影数据以及所述相关性投影数据，确定遥感投影数据，并对所述遥感投影数据进行降维处理，得到与所述待处理遥感数据相对应的遥感特征数据。
[0145]
可选的，所述相关性子空间基于下述相关性子空间确定模块得到，相关性子空间确定模块，用于获取样本源域数据以及样本目标域数据；根据预设维度，将所述样本源域数据进行相关性分析，得到相关性源域投影矩阵；根据所述预设维度，将所述样本目标域数据进行相关性分析，得到相关性目标域投影矩阵；根据所述样本源域数据、所述样本目标域数据、所述相关性源域投影矩阵以及所述相关性目标域投影矩阵，确定n个相关性中间空间；根据各所述相关性中间空间、所述相关性源域投影矩阵以及所述相关性目标域投影矩阵，确定相关性子空间。
[0146]
可选的，相关性子空间确定模块，还用于确定所述相关性源域投影矩阵的相关性正交完备矩阵，根据转置后的所述相关性正交完备矩阵与所述相关性目标域投影矩阵的乘积，进行余弦正弦分解，得到第一正交矩阵、第二正交矩阵、第一基准矩阵以及第二基准矩阵；根据所述第一正交矩阵、所述第二正交矩阵、所述第一基准矩阵以及所述第二基准矩阵，确定奇异值分解矩阵；基于预设区间内的n个待处理值以及所述奇异值分解矩阵中的各对角元素，确定与每个待处理值对应的第一中间矩阵和与每个待处理值对应的第二中间矩阵；针对每个待处理值，根据所述相关性正交完备矩阵、所述第一正交矩阵、所述第二正交矩阵，以及与所述待处理值相对应第一中间矩阵和第二中间矩阵，确定与所述待处理值相对应的相关性中间子空间。
[0147]
可选的，相关性子空间确定模块，还用于根据所述第一基准矩阵中各对角元素的反正弦值，以及所述第二基准矩阵中各对角元素的反余弦值，确定基准对角矩阵；基于所述基准对角矩阵、所述第一正交矩阵以及所述第二正交矩阵，确定参考矩阵，并基于所述参考矩阵进行奇异值分解得到奇异值分解矩阵。
[0148]
可选的，相关性子空间确定模块，还用于基于下述公式确定参考矩阵：
[0149][0150]
其中，a表示所述参考矩阵，表示所述第二正交矩阵，v1′
表示转置后的所述第一正交矩阵，θ1表示所述基准对角矩阵；
[0151]
相应的，基于下述公式确定奇异值分解矩阵：
[0152][0153]
其中，a表示所述参考矩阵，表示所述第二正交矩阵，v1表示所述第一正交矩阵，θ2表示所述奇异值分解矩阵。
[0154]
可选的，相关性子空间确定模块，还用于基于下述余弦正弦分解公式确定第一正交矩阵、第二正交矩阵、第一基准矩阵以及第二基准矩阵：
[0155][0156]
其中，q
′
表示转置后的所述相关性正交完备矩阵，s2表示所述相关性目标域投影矩阵，表示所述第二正交矩阵，v1表示所述第一正交矩阵，γ(1)表示所述第一基准矩阵，σ(1)表示所述第二基准矩阵，v
′
表示总正交矩阵。
[0157]
可选的，相关性子空间确定模块，还用于针对每个待处理值，基于下述公式确定与所述待处理值对应的第一中间矩阵和与所述待处理值对应的第二中间矩阵：
[0158]ri
(tn)＝cos(tnθi)
[0159]
σi(tn)＝sin(tnθi)
[0160]
其中，tn表示第n个待处理值，θi表示所述奇异值分解矩阵中的第i个对角元素，ri(tn)表示所述第一中间矩阵中与所述第n个待处理值和所述第i个对角元素对应的元素值，σi(tn)表示所述第二中间矩阵中与所述第n个待处理值和所述第i个对角元素对应的元素值。
[0161]
可选的，相关性子空间确定模块，还用于基于下述公式确定与所述待处理值相对应的相关性中间子空间：
[0162][0163]
其中，tn表示第n个待处理值，ψ(tn)表示与所述第n个待处理值相对应的相关性中间子空间，q表示所述相关性正交完备矩阵，表示所述第二正交矩阵，v1表示所述第一正交矩阵，γ2(tn)表示与所述第n个待处理值相对应的第一中间矩阵，σ2(tn)表示与所述第n个待处理值相对应的第二中间矩阵。
[0164]
可选的，所述相关性子空间基于下述主成分子空间确定模块得到，主成分子空间确定模块，用于获取样本源域数据以及样本目标域数据；根据预设维度，将所述样本源域数据进行主成分分析，得到主成分源域投影矩阵；根据所述预设维度，将所述样本目标域数据进行主成分分析，得到主成分目标域投影矩阵；根据所述样本源域数据、所述样本目标域数据、所述主成分源域投影矩阵以及所述主成分目标域投影矩阵，确定n个主成分中间空间；根据各所述主成分中间空间、所述主成分源域投影矩阵以及所述主成分目标域投影矩阵，确定主成分子空间。
[0165]
本发明实施例的技术方案，通过将待处理遥感数据向预设数量的主成分子空间进行投影，得到预设数量的主成分投影数据，将待处理遥感数据向预设数量的相关性子空间
进行投影，得到预设数量的相关性投影数据，根据主成分投影数据以及相关性投影数据，确定遥感投影数据，并对遥感投影数据进行降维处理，得到与待处理遥感数据相对应的遥感特征数据，解决了遥感图像数据特征提取效果差的问题，实现了提高遥感特征提取质量的效果。
[0166]
本发明实施例所提供的遥感特征提取装置可执行本发明任意实施例所提供的遥感特征提取方法，具备执行方法相应的功能模块和有益效果。
[0167]
值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明实施例的保护范围。
[0168]
实施例五
[0169]
图17为本发明实施例五所提供的一种电子设备的结构示意图。图17示出了适于用来实现本发明实施例实施方式的示例性电子设备40的框图。图17显示的电子设备40仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
[0170]
如图17所示，电子设备40以通用计算设备的形式表现。电子设备40的组件可以包括但不限于：一个或者多个处理器或者处理单元401，系统存储器402，连接不同系统组件(包括系统存储器402和处理单元401)的总线403。
[0171]
总线403表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。
[0172]
电子设备40典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备40访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
[0173]
系统存储器402可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)404和/或高速缓存405。电子设备40可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统406可以用于读写不可移动的、非易失性磁介质(图17未显示，通常称为“硬盘驱动器”)。尽管图17中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom,dvd-rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线403相连。系统存储器402可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
[0174]
具有一组(至少一个)程序模块407的程序/实用工具408，可以存储在例如系统存储器402中，这样的程序模块407包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块407通常执行本发明所描述的实施例中的功能和/或方法。
[0175]
电子设备40也可以与一个或多个外部设备409(例如键盘、指向设备、显示器410等)通信，还可与一个或者多个使得用户能与该电子设备40交互的设备通信，和/或与使得该电子设备40能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过i/o接口(输入/输出接口)411进行。并且，电子设备40还可以
通过网络适配器412与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器412通过总线403与电子设备40的其它模块通信。应当明白，尽管图17中未示出，可以结合电子设备40使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
[0176]
处理单元401通过运行存储在系统存储器402中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的遥感特征提取方法。
[0177]
实施例六
[0178]
本发明实施例六还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种遥感特征提取方法，该方法包括：
[0179]
将待处理遥感数据向预设数量的主成分子空间进行投影，得到预设数量的主成分投影数据；其中，预设数量为n+2，n为正整数，所述待处理遥感数据包括遥感目标域数据；
[0180]
将所述待处理遥感数据向预设数量的相关性子空间进行投影，得到预设数量的相关性投影数据；
[0181]
根据所述主成分投影数据以及所述相关性投影数据，确定遥感投影数据，并对所述遥感投影数据进行降维处理，得到与所述待处理遥感数据相对应的遥感特征数据。
[0182]
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
[0183]
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
[0184]
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、rf等等，或者上述的任意合适的组合。
[0185]
可以以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言——诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利
用因特网服务提供商来通过因特网连接)。
[0186]
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。