[發明專利]一種面向分類的高光譜圖像波段選擇方法

在審

• 申請號: 202110502069.4
• 申請日: 2021-05-08
• 公開（公告）號: CN113191287A
• 公開（公告）日: 2021-07-30
• 發明（設計）人: 王玉磊;朱晴雨;王鳳超;于浩洋;于純妍;宋梅萍;張建祎
• 申請（專利權）人: 大連海事大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/00
• 代理公司: 大連東方專利代理有限責任公司 21212
• 代理人: 姜玉蓉;李洪福

本發明公開了一種面向分類的高光譜圖像波段選擇方法，包括：求出高光譜圖像每一個波段的類間離散度矩陣與類內離散度矩陣比值的跡，將其進行降序排列；采用灰狼算法將線性遞減收斂因子改進為自適應非線性遞減收斂因子；讀取前一半的高光譜圖像波段序列，進行隨機排列，將其作為改進的灰狼算法的初始種群；將每個種群的類間離散度矩陣與類內離散度矩陣比值的跡作為改進灰狼算法的目標函數，搜索目標函數的最大值，其對應的個體就是所選的波段組合。該方法可有效選擇出適用于分類的波段子集，考慮到基本的灰狼算法收斂速度慢，容易陷入局部極值，將類可分性準則與灰狼算法相結合，同時改善收斂因子，提高了灰狼算法的搜索性能。

技術領域

本發明涉及高光譜圖像波段選擇領域，尤其涉及一種面向分類的高光譜圖像波段選擇方法。

背景技術

高光譜圖像具有豐富的空間和光譜信息，被廣泛應用于很多領域。然而，大量的光譜信息在增強地物分辯能力的同時，波段間較高的相關性導致后續處理算法復雜性增高并產生“Hughes”現象。降維是降低高光譜圖像計算復雜度，提高分類性能的常用方法，也是目前解決高光譜圖像“維數災難”問題的最佳方法。波段選擇是高光譜圖像降維的重要技術。

很多學者引入全局優化算法進行波段選擇，例如遺傳算法、螢火蟲算法、引力搜索算法等。其中，遺傳算法參數多，執行復雜、且容易陷入局部最優，全局搜索的性能不好。螢火蟲算法的發現率低，求解精度不高，收斂速度慢。引力搜索算法收斂速度慢、全局搜索效果不理想。后來提出一種新的種群智能搜索算法—灰狼算法，相較于其他優化算法具有調整參數少，收斂速度快，執行性高的特點，但它仍然具有多峰函數求解時，收斂速度慢，容易陷入局部極值的缺點。

發明內容

根據現有技術存在的問題，本發明公開了一種面向分類的高光譜圖像波段選擇方法，具體包括如下步驟：

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

采用灰狼算法將線性遞減收斂因子改進為自適應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行隨機排列，構成波段序列向量B_l/2，將B_l/2作為改進的灰狼算法的初始種群；

將每個種群的類間離散度矩陣與類內離散度矩陣比值的跡作為改進灰狼算法的目標函數，搜索目標函數的最大值，該最大值對應的個體為所選的高光譜圖像波段組合。

進一步的，設高光譜圖像數據采用HIM＝{x₁,x₂,…x_n}∈R^l×n表示，其中l為波段數目，n為每個波段圖像的像元總數,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類樣本的先驗概率，N_i表示類別W_i包含的像元數目，樣本的總體均值向量計算方法為：

根據總體均值向量m和第i類樣本均值向量m_i,計算類間離散度矩陣S_b和類內離散度矩陣S_w：

根據計算高光譜圖像每一個波段類間離散度矩陣S_b和類內離散度矩陣S_w的跡J，計算公式如下：

按照J值的大小進行降序排列。

進一步的，將線性遞減收斂因子改進為自適應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的計算公式如下：