[發(fā)明專利]一種面向分類的高光譜圖像波段選擇方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110502069.4
• 申請(qǐng)日: 2021-05-08
• 公開（公告）號(hào): CN113191287A
• 公開（公告）日: 2021-07-30
• 發(fā)明（設(shè)計(jì)）人: 王玉磊;朱晴雨;王鳳超;于浩洋;于純妍;宋梅萍;張建祎
• 申請(qǐng)（專利權(quán)）人: 大連海事大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06N3/00
• 代理公司: 大連東方專利代理有限責(zé)任公司 21212
• 代理人: 姜玉蓉;李洪福

1.一種面向分類的高光譜圖像波段選擇方法，其特征在于包括：

求出高光譜圖像每一個(gè)波段的類間離散度矩陣與類內(nèi)離散度矩陣比值的跡，將獲取的多個(gè)跡進(jìn)行降序排列；

采用灰狼算法將線性遞減收斂因子改進(jìn)為自適應(yīng)非線性遞減收斂因子；

讀取前一半的高光譜圖像波段序列并進(jìn)行隨機(jī)排列，構(gòu)成波段序列向量B_l/2，將B_l/2作為改進(jìn)的灰狼算法的初始種群；

將每個(gè)種群的類間離散度矩陣與類內(nèi)離散度矩陣比值的跡作為改進(jìn)灰狼算法的目標(biāo)函數(shù)，搜索目標(biāo)函數(shù)的最大值，該最大值對(duì)應(yīng)的個(gè)體為所選的高光譜圖像波段組合。

2.根據(jù)權(quán)利要求1所述的面向分類的高光譜圖像波段選擇方法，其特征在于：設(shè)高光譜圖像數(shù)據(jù)采用HIM＝{x₁,x₂,…x_n}∈R^l×n表示，其中l(wèi)為波段數(shù)目，n為每個(gè)波段圖像的像元總數(shù),k表示樣本類別，求得第i類樣本的均值向量為：

其中P_i表示第i類樣本的先驗(yàn)概率，N_i表示類別W_i包含的像元數(shù)目，樣本的總體均值向量計(jì)算方法為：

根據(jù)總體均值向量m和第i類樣本均值向量m_i,計(jì)算類間離散度矩陣S_b和類內(nèi)離散度矩陣S_w：

根據(jù)計(jì)算高光譜圖像每一個(gè)波段類間離散度矩陣S_b和類內(nèi)離散度矩陣S_w的跡J，計(jì)算公式如下：

按照J(rèn)值的大小進(jìn)行降序排列。

3.根據(jù)權(quán)利要求1所述的面向分類的高光譜圖像波段選擇方法，其特征在于：將線性遞減收斂因子改進(jìn)為自適應(yīng)非線性遞減收斂因子過程如下：

灰狼算法的線性遞減收斂因子a的計(jì)算公式如下：

其中t_max表示最大迭代次數(shù)；

將線性遞減收斂因子改進(jìn)為自適應(yīng)非線性遞減收斂因子：

4.根據(jù)權(quán)利要求2所述的面向分類的高光譜圖像波段選擇方法，其特征在于：確定改進(jìn)灰狼算法的初始種群過程如下：

確定波段選擇的波段數(shù)目NB和初始種群數(shù)目nPop，讀取前l(fā)/2的高光譜圖像波段序列，隨機(jī)選擇波段子集組成nPop組，每組的波段數(shù)目為NB，獲取初始種群Pop＝{b₁,b₂,…b_NB}∈R^nPop×NB，其中bi是含有波段序列的長度為nPop的列向量。

5.根據(jù)權(quán)利要求2所述的面向分類的高光譜圖像波段選擇方法，其特征在于：根據(jù)改進(jìn)的灰狼算法搜索最優(yōu)波段子集：

將公式J作為改進(jìn)灰狼算法的目標(biāo)函數(shù)；

計(jì)算初始種群中每個(gè)種群對(duì)應(yīng)的波段子集的J值并進(jìn)行降序排列；

讀取降序排列后的前三個(gè)種群作為灰狼算法的三只頭狼，引導(dǎo)更新種群位置；

計(jì)算更新后的每個(gè)種群的目標(biāo)函數(shù)，重復(fù)上述兩個(gè)步驟直到滿足最大迭代次數(shù)退出循環(huán)得到最優(yōu)解，最優(yōu)解對(duì)應(yīng)的種群即為選擇的最優(yōu)波段子集序列。