[發明專利]一種基于多目標免疫克隆的高光譜圖像分類和波段選擇的方法

有效

• 申請號: 201410105055.9
• 申請日: 2014-03-20
• 公開（公告）號: CN103914705B
• 公開（公告）日: 2017-02-15
• 發明（設計）人: 張向榮;焦李成;李玉芳;袁永福;李陽陽;馬文萍;馬晶晶;侯彪
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 西安智萃知識產權代理有限公司61221
• 代理人: 李東京

技術領域

本發明屬于機器學習和高光譜遙感圖像處理領域，涉及一種空譜結合以及同時進行特征選擇的方法在高光譜遙感圖像處理領域的應用，具體地說是一種基于多目標免疫克隆的高光譜圖像分類和波段選擇的方法。

背景技術

現代遙感技術的飛速發展為高光譜遙感圖像處理提供了一種便捷的途徑，高光譜遙感數據成為高光譜遙感圖像處理的主要數據源，這就對現有的高光譜遙感圖像處理提出了新的挑戰。基于像素的分類方法常用的有最大似然估計，貝葉斯估計，神經網絡，決策樹，遺傳算法以及基于核的方法。這些方法的特點就是利用譜特征，紋理信息或者是把這些特征進行線性的、非線性轉換得到新的特征的把其所對應的像素分到相應的類別中。基于像素的圖像分類方法在分類的過程中只利用了圖像的譜段信息，而其豐富的空間信息未被利用。近年來高光譜遙感圖像空譜結合的分類分割方法廣泛的受到關注。最常用的方法是：首先是對高光譜遙感圖像進行分類得到相應的分類圖；然后對高光譜遙感圖像進行分割得到分割圖；最后用一種融合的機制將以上的分類分割圖融合起來得到最終的結果圖。分類的方法著名的有支持向量機，但是支持向量機需要調節至少一個參數，而且對于不同的高光譜遙感圖像參數變化范圍很大，調節參數很麻煩。基于聚類的分割方法也有很多，模糊C均值（FCM）是比較常用的一種，FCM是單目標的聚類算法，它對多個圖像不一定適用，所以多目標的聚類算法近幾年也發展起來了，經典的像MOCK和MOCLE，多目標聚類它主要的特點就是優化兩個或者兩個以上的目標函數，對于不同結構、形狀的數據都有效。多目標聚類得到的是多個最優解，將多個解變成唯一解的方法有指標選解，即從多個優化解中選擇出一個作為最優解。根據高光譜遙感圖像的特點，譜段冗余不但會增加計算的難度，還會影響分類的效果。所以去掉冗余的波段也是高光譜遙感圖像處理的一個重要部分。對于高光譜遙感圖像來說，波段就是特征，所以減少冗余波段數就是減少冗余特征，其方法分為特征提取和特征選擇。特征提取是通過主分量分析、Fisher鑒別分析方法，以及以核方法為代表的非線性特征提取方法對原始特征進行特征提取得到比原始特征少的新的特征。特征選擇是從原始特征中剔除掉原始特征中的冗余特征，得到的新特征是原始特征的子集。特征選擇分為濾波型和封裝型，對于無監督的聚類算法，封型的特征選擇方法不需要太多的類別信息，所以大部分的無監督的特征選擇都用封裝型的。

發明內容

本發明提出了一種基于多目標免疫克隆的高光譜圖像分類和波段選擇的方法，包括如下步驟：

（1）利用稀疏表示分類器對高光譜遙感圖像進行分類得到基于像素的分類圖；

（2）利用均值漂移聚類對高光譜遙感圖像進行預分割，得到圖像超像素，把預分割后的圖像經過多目標免疫克隆聚類和波段選擇算法進行分割得到多個聚類結果，然后從這些聚類結果中選出最優的聚類結果組成最終分割圖；

2a）對高光譜圖像數據進行均值漂移聚類得到高光譜圖像的分塊圖；

2b）由步驟2a）中得到的分塊圖作為多目標免疫克隆聚類和波段選擇算法的輸入得到多個聚類結果；

2c）從步驟2b）中得到的多個聚類結果中選出一個最優的聚類結果構成分割圖；

（3）利用最大投票規則融合步驟（1）中得到的分類圖和步驟（2）得到的分割圖獲得最后的分類結果圖，即對分割圖中的每一個區域，在分類圖中對應該區域內樣本多數所屬的類別作為該區域內所有樣本的類別，得到最后的結果圖。

其特征在于，其中步驟（1）中所述的分類圖按如下步驟進行：

將高光譜遙感圖像分為訓練數據集和測試數據集，圖像的每一個像素點為一個樣本，每個樣本用一個特征向量表示，選用樣本的特征維數為D，該高光譜圖像包含c類像素點，訓練樣本集為A=[A₁,A₂,…A_c]，其中第i類的訓練樣本集為n_i表示該類的訓練樣本數，a_i,j是第i類訓練樣本集A_i中的第j個樣本，它是一個D維的數據，y∈R^D表示一個測試樣本，R^D是指D維的實數域空間；

1）利用高光譜圖像的訓練樣本A求解最小化問題：其中，α是未知的稀疏向量，γ是一個標量常數，是使得最小的α的值；

2）根據步驟1）得到的計算殘差其中是第i類的系數向量；

3）根據步驟2）中得到的e_i，計算測試樣本y的類標，即把使得e_i最小的對應的類別i當做y的類標；