[發(fā)明專利]一種高光譜遙感圖像波段選擇方法

無效

• 申請(qǐng)?zhí)枺?/td>: 201110379870.0
• 申請(qǐng)日: 2011-11-25
• 公開（公告）號(hào): CN102521605A
• 公開（公告）日: 2012-06-27
• 發(fā)明（設(shè)計(jì)）人: 李士進(jìn);楊鑫鑫;仇建斌;楊金花;余宇峰;高祥濤
• 申請(qǐng)（專利權(quán)）人: 河海大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06T7/00
• 代理公司: 南京經(jīng)緯專利商標(biāo)代理有限公司 32200
• 代理人: 許方

技術(shù)領(lǐng)域

本發(fā)明涉及圖像處理領(lǐng)域，尤其涉及一種高光譜遙感圖像波段選擇方法。

背景技術(shù)

隨著航空航天技術(shù)和遙感科學(xué)的迅速發(fā)展，可獲取的高光譜遙感數(shù)據(jù)正以驚人的速度增長(zhǎng)。如何對(duì)之進(jìn)行有效處理并充分利用其中蘊(yùn)涵的豐富信息，是當(dāng)前遙感與模式識(shí)別領(lǐng)域研究的熱點(diǎn)課題之一。但高光譜圖像往往由連續(xù)的上百個(gè)波段組成，波段數(shù)目多、波段之間相關(guān)性高和冗余度大，給進(jìn)一步處理分析帶來了巨大的計(jì)算量，從而使問題變得極為復(fù)雜。

處理高光譜遙感數(shù)據(jù)最重要的預(yù)處理是對(duì)眾多波段進(jìn)行降維,?常用方式有特征提取與特征選擇（波段選擇）。特征提取是通過線性或非線性變換，將高維特征空間映射到低維空間，但提取的特征失去了原有的物理意義，所以特征提取不太適合高光譜數(shù)據(jù)的降維。而特征選擇是從原始的波段中選取一部分作為輸入信息，是原始波段的子集，這樣可以減少冗余波段，從而提高分類的計(jì)算效率及精度。

近年來，波段選擇研究得到了廣泛關(guān)注，主要有基于搜索算法，基于波段信息量分析，基于類間可分性等方法。基于搜索算法的方法主要是利用各種搜索方法，如有序前向浮動(dòng)選擇法(SFFS)、分支定界法(BB)、遺傳算法(GA)、粒子群算法(PSO)等，搜索整個(gè)波段空間，獲得最優(yōu)或次優(yōu)波段子集。此類方法計(jì)算復(fù)雜度比較高，且選擇的波段不一定是最優(yōu)的。基于信息量分析方法選取的波段子集包含的信息量較高，并去除冗余的波段，信息量常用的度量方法有方差，協(xié)方差矩陣的行列式，信息熵，OIF指數(shù)，互信息等。以信息量作為波段選擇的準(zhǔn)則目前比較流行，但是如何有效地選擇信息量大，冗余小的波段組合還有待進(jìn)一步研究。基于類間可分性是從空間上或者光譜角度出發(fā)，利用離散度、各種距離度量如JM距離以及光譜角度等方法，選擇最能區(qū)分各類地物的波段子集。

其實(shí)，高光譜遙感圖像的波段選擇是一個(gè)非常復(fù)雜的組合優(yōu)化問題，一些含有較少信息量的波段反而可能對(duì)分類具有重要的作用。對(duì)于該問題，較為有效的方法是通過搜索算法結(jié)合評(píng)估函數(shù)的方式來搜尋最優(yōu)的波段子集。但由于波段眾多，直接對(duì)原始波段進(jìn)行搜索，搜索空間巨大（對(duì)于200個(gè)波段的高光譜數(shù)據(jù)，搜索空間是2²⁰⁰），目前的算法還不能取得理想的效果。

為了解決上述問題，一篇中國(guó)發(fā)明專利中公開了一種“基于時(shí)間序列重要點(diǎn)分析的高光譜遙感圖像波段選擇方法”（申請(qǐng)?zhí)枮?01010195127.5，申請(qǐng)日為2010年6月8日，公開號(hào)為101859383A，公開日為2010年10月13日）。該方法包括以下各步驟：

步驟1）通過K-means聚類方法將原始高光譜遙感圖像數(shù)據(jù)聚類成K個(gè)類別，并保留每個(gè)類別的聚類中心；步驟2）將步驟1得到的所有聚類中心看成一系列的時(shí)間序列，用小波變換的方法對(duì)每一時(shí)間序列進(jìn)行平滑去噪處理；步驟3）分別提取步驟2得到的平滑去噪處理后的時(shí)間序列中的重要點(diǎn)，然后將得到的所有重要點(diǎn)進(jìn)行合并，合并后保留的重要點(diǎn)所對(duì)應(yīng)的波段即為選擇的波段；其中重要點(diǎn)的定義為：對(duì)于時(shí)間序列????????????????????????????????????????????????，n是時(shí)間序列X的長(zhǎng)度，表示第i個(gè)時(shí)間坐標(biāo)，表示時(shí)間序列在第i個(gè)時(shí)間坐標(biāo)的取值；定義的第個(gè)重要點(diǎn)，其中表示第個(gè)重要點(diǎn)在時(shí)間序列中的位置，為滿足以下條件的數(shù)據(jù)點(diǎn)：

或者

或者

或者

????。

相比現(xiàn)有的各類波段選擇方法，該方法具有計(jì)算復(fù)雜度低、實(shí)現(xiàn)過程方便快捷的優(yōu)點(diǎn)，并且為高維高光譜數(shù)據(jù)的降維提供了一種全新的思路。但該方法也存在以下不足：

（1）該方法中所采用的K-means聚類算法是建立在凸球形的樣本空間上的，而當(dāng)數(shù)據(jù)分布為非凸時(shí)，容易使算法陷入局部最優(yōu)。由于高光譜數(shù)據(jù)維度高，分布比較復(fù)雜，所以利用傳統(tǒng)的聚類方法得到的分類結(jié)果效果往往不理想。

（2）該方法在根據(jù)時(shí)間序列選擇波段后，以5為區(qū)間去除冗余波段，這種方法只是根據(jù)經(jīng)驗(yàn)，沒有理論依據(jù)，所以并不是一種健壯的方法，缺乏可推廣性。

?

發(fā)明內(nèi)容

本發(fā)明的目的在于克服現(xiàn)有基于時(shí)間序列重要點(diǎn)分析的高光譜遙感圖像波段選擇方法所存在的采用K-means聚類算法容易使算法陷入局部最優(yōu)，從而導(dǎo)致分類效果不理想的不足，提供一種高光譜遙感圖像波段選擇方法。