[發(fā)明專利]一種基于改進(jìn)型層次聚類的高光譜遙感數(shù)據(jù)降維方法

無效

• 申請?zhí)枺?/td>: 201210379469.1
• 申請日: 2012-10-09
• 公開（公告）號: CN102903114A
• 公開（公告）日: 2013-01-30
• 發(fā)明（設(shè)計(jì)）人: 蘇紅軍;李茜楠
• 申請（專利權(quán)）人: 河海大學(xué)
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 南京蘇高專利商標(biāo)事務(wù)所(普通合伙) 32204
• 代理人: 夏雪

技術(shù)領(lǐng)域

本發(fā)明屬于高光譜遙感圖像處理技術(shù)領(lǐng)域，具體涉及一種基于改進(jìn)型層次聚類的高光譜遙感數(shù)據(jù)降維方法。

背景技術(shù)

高光譜遙感(Hyperspectral?Remote?Sensing)是指利用很多窄的電磁波波段獲取物體有關(guān)數(shù)據(jù)的技術(shù)，它是20世紀(jì)最后20年人類在對地觀測方面取得的重大技術(shù)突破之一，也是當(dāng)前及今后幾十年內(nèi)的遙感前沿技術(shù)。與常規(guī)多光譜遙感相比，高光譜數(shù)據(jù)具有數(shù)據(jù)量大、波段很多很窄、波段相關(guān)性強(qiáng)、信息冗余多、圖譜一體化等特征。但正是其海量數(shù)據(jù)和高維特征給高光譜數(shù)據(jù)的傳輸和存儲都帶來了較大的困難，同時(shí)也對傳統(tǒng)的遙感圖像數(shù)據(jù)處理技術(shù)提出了新的挑戰(zhàn)。所以，對高光譜數(shù)據(jù)的快速處理和充分挖掘一直是困擾人們的一個問題。面對高光譜數(shù)十、數(shù)百個波段的數(shù)據(jù)，在提高數(shù)據(jù)處理效率的同時(shí)；如何有效利用、提取、分析感興趣的最大信息，已成為有待研究的新課題。

針對高光譜的高維、海量信息，必須對其進(jìn)行“降維”操作，以提高數(shù)據(jù)處理效率、有效利用高光譜的最大信息。高光譜“降維”為高光譜影像分析提供了減少數(shù)據(jù)量、降低空間復(fù)雜度的方法，主要有兩種方法：即波段選擇和特征提取。波段選擇即從眾多波段中選擇感興趣的若干波段，或選擇信息量大、相關(guān)性小的若干波段，方法較好地保留了原始圖像數(shù)據(jù)的信息，然而由于剔除了大部分波段，不可避免地?fù)p失了部分高光譜數(shù)據(jù)及細(xì)節(jié)信息；特征提取則采取一個線性或者非線性的特征提取器或者轉(zhuǎn)換方程，將高維的空間投影到一個低維的空間，與波段選擇相比，特征提取建立在各光譜波段間的重新組合和優(yōu)化的基礎(chǔ)之上，使類別間的可分性更大。特征提取和選擇的關(guān)鍵就是要在最少維的特征空間中使目標(biāo)的識別精度最高，即當(dāng)特征空間維數(shù)減少到某個數(shù)量時(shí)仍能夠達(dá)到最佳的分類精度。

聚類分析實(shí)質(zhì)上是特征提取的一種算法，它根據(jù)數(shù)據(jù)本身的特性將相似的數(shù)據(jù)歸類；因此，該類算法在處理遙感數(shù)據(jù)時(shí)，也可以把數(shù)據(jù)分成若干個聚類，其中有些聚類包含了數(shù)據(jù)的重要特征。層次聚類算法，特別是凝聚式算法在計(jì)算上簡單、可伸縮性，而且能夠得到相近的最終結(jié)果，所以層次聚類算法的應(yīng)用較為廣泛。凝聚式層次聚類是自底向上的策略：首先將每個對象作為一個類，然后合并這些原子類為越來越大的類，直到所有的對象都在一個類中，或者某個終結(jié)條件被滿足；分裂的層次聚類是種自頂向下的策略與凝聚的層次聚類相反，它首先將所有對象置于一個類中，然后逐漸細(xì)分為越來越小的類，直到每個對象自成一類，或者達(dá)到了某個終結(jié)條件，例如達(dá)到了某個希望的類數(shù)目，或者兩個最近的類之間的距離超過了某個閩值。絕大多數(shù)聚類方法屬于這一類，它們只是在簇間相似度的定義有所不同。

然而凝聚式層次聚類算法卻存在以下問題：1)初始相似性距離問題。不同的目標(biāo)因?yàn)樘攸c(diǎn)不同，其距離的計(jì)算方式應(yīng)該不同，不同的初始距離計(jì)算方法可能導(dǎo)致不同的結(jié)果；2)聚類個數(shù)問題。需要預(yù)先指定聚類的個數(shù)k，當(dāng)無法獲得數(shù)據(jù)的先驗(yàn)知識時(shí)，無法預(yù)測該值的具體大小；3)聚類的數(shù)據(jù)計(jì)算問題。針對海量的高光譜遙感數(shù)據(jù)時(shí)，簡單使用所有數(shù)據(jù)可能導(dǎo)致計(jì)算復(fù)雜度極度上升。

發(fā)明內(nèi)容

發(fā)明目的：針對上述現(xiàn)有技術(shù)存在的問題和不足，本發(fā)明的目的是提供一種基于改進(jìn)型層次聚類的高光譜遙感數(shù)據(jù)降維方法(簡稱為WaLuSID，Ward’s?Linkage?strategy?Using?Spectral?Information?Divergence)，能夠提高降維效率，減少現(xiàn)有高光譜影像數(shù)據(jù)降維方法導(dǎo)致的數(shù)據(jù)信息損失。

技術(shù)方案：為實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明采用的技術(shù)方案為一種基于改進(jìn)型層次聚類的高光譜遙感數(shù)據(jù)降維方法，包括如下步驟：

步驟1，選擇需進(jìn)行分析的高光譜遙感影像數(shù)據(jù)，所述高光譜遙感影像數(shù)據(jù)含有L個波段；

步驟2，利用光譜信息散度(Spectral?information?divergence，SID)算法計(jì)算每兩個波段之間的光譜距離，得到一個光譜距離矩陣

步驟3，設(shè)定要提取的聚類中心和要選擇的波段的個數(shù)k；

步驟4，基于相似性距離矩陣，采用層次聚類方法對影像數(shù)據(jù)進(jìn)行聚類分析；

步驟5，得到k個聚類中心數(shù)據(jù)，完成特征提取過程；

步驟6，在每個聚類中心中選擇一個最具代表性的波段，得到k個波段，完成特征選擇過程。

進(jìn)一步地，所述SID算法采用以下公式：

SID(x,y)＝D(x||y)+D(y||x)