[發明專利]基于免疫進化策略的高光譜圖像分類方法

無效

• 申請號: 201010139249.2
• 申請日: 2010-03-31
• 公開（公告）號: CN101826160A
• 公開（公告）日: 2010-09-08
• 發明（設計）人: 尹繼豪;姜志國;王一飛;王義松;付重陽;高超
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06K9/66
• 分類號: G06K9/66;G06N3/12;G01S7/48
• 代理公司: 北京慧泉知識產權代理有限公司 11232
• 代理人: 王順榮;唐愛華

技術領域

本發明涉及一種基于免疫進化策略的高光譜圖像分類方法，特別是用于高光譜數據處理 系統中，屬于高光譜數據處理領域。

背景技術

20世紀80年代遙感技術的最大成就之一是高光譜遙感技術的興起，由于該技術兼具成 像和光譜探測的優點，已經在民用和軍用領域得到廣泛應用。隨著高光譜影像光譜分辨率的 提高，使得在常規遙感中無法探測的物質，在高光譜遙感中可以被探測，為后期進行地物詳 細分類提供了前提條件。盡管高光譜可以提供豐富的地面信息，但其較多的波段數使其數據 量巨大，導致信息冗余，增加了后期數據處理的復雜度。

在地物識別或分類時，并非使用的波段數越多越好。這是因為：(1)不能把光譜通道數 簡單的等同于信息通道數。因為高光譜圖像相鄰的波段之間一般具有較大的相關性，如果不 加分析地使用所有波段進行識別或分類，不僅不會提高分類精度，反而影響識別或分類結果。 此外，并不是所有的波段對于后續處理都有著同等的重要性，通過選擇最優波段而組成新的 圖像空間，在不損失重要信息的條件下可以代表其它波段的信息；(2)選擇波段過多，不僅 增加運算量，影響計算速度，而且還需要大量的訓練樣本，否則難以獲得滿意的識別或分類 結果。針對高光譜數據高維、海量信息需在合理的數學模型指導下，按照一定的準則選取最 佳波段組合，進行數據降維，是提高高光譜數據處理系統處理速度與精度的有效途徑。

另一方面，近些年來的研究表明生物免疫系統是一個高度分布、并行和自適應的系統， 在維護機體健康、排除病菌入侵方面具有眾多優良特性，它具有高度的信息處理能力，具有 識別、記憶、調節、學習等特性。這些特性決定了生物免疫系統在信息處理領域的良好應用 前景。

人工免疫系統是借鑒脊椎動物免疫系統的作用機理、特別是高級脊椎動物(主要是人) 免疫系統的信息處理模式，以免疫學術語和基本原理為基礎構造的一種新型的智能計算方 法。在過去的幾年里，人工免疫系統的應用領域逐漸擴展到了信息安全、模式識別、機器學 習、數據挖掘等諸多領域，顯示出了免疫算法強大的信息處理和問題求解能力以及廣闊的研 究前景。免疫算法中大規模并行處理、容錯性、自組織和自適應能力以及聯想功能等特點使 其實現了一種受生物免疫系統啟發，通過學習外界物質的自然防御機理的學習技術，提供了 噪音忍耐、無教師學習、自組織、記憶等進化學習機理，并結合了分類器、神經網絡和機器 推理等系統的優點，因此提供了新穎的解決問題的方法和途徑。

在高光譜數據處理系統中，出于計算復雜度要求，分類算法要具有相對較小的計算量， 而達到此要求的算法往往分類精度較差。出于分類精度的要求，分類算法要具有對不同分類 場景的良好的健壯性，而達到此要求的算法往往計算復雜度較高。因此，需要尋找一種綜合 考慮計算復雜度與分類精度這兩方面平衡的有效算法，使其具有較優的時間復雜度與良好的 魯棒性。

發明內容

本發明的目的在于提供一種基于免疫進化策略的高光譜圖像分類方法(OBS-ICS)，具體 是一種運用免疫進化策略選取高光譜最優波段組合從而對高光譜圖像中不同地物進行分類 的方法。本方法能夠自適應地選取高光譜圖像中不同地物分類所需要的最佳波段組合，其計 算量相對較小同時又保持了較高的分類準確性。此方法應用到高光譜數據處理系統中具有較 強的魯棒性及較高分類精度等優良特性。

本發明方法是基于仿真原型系統，該系統具有人機交互接口模塊、高光譜最優波段選擇 模塊、高光譜地物分類模塊、分類結果輸出模塊四個功能模塊。其中，人機交互接口模塊完 成高光譜數據的讀入與相關參數的設定；高光譜最優波段選擇模塊主要完成運用免疫進化策 略對高光譜數據中最優波段的選取；高光譜地物分類模塊主要完成應用最優波段對高光譜數 據中不同地物的分類；分類結果輸出模塊主要完成輸出對高光譜數據不同地物的分類結果。

本發明所涉及的方法流程包括以下步驟：1、獲得初始數據及相關初始化操作；2、種 群初始化；3、種群初始選擇；4、種群克隆增殖；5、種群混合變異；6、選擇記憶種群；7、 種群抗體補充；8、迭代計算，重復步驟3～7，直至達到最大進化代數；9、分類，使用最 優抗體對高光譜數據進行地物分類；10結果輸出，輸出高光譜圖像地物分類結果。其中， 人機交互接口模塊對應完成步驟1，高光譜最優波段選擇模塊對應完成步驟2～8，高光譜地 物分類模塊對應完成步驟9，分類結果輸出模塊對應完成步驟10。