一种基于多目标免疫克隆的高光谱图像分类和波段选择的方法技术

本发明专利技术公开一种基于多目标免疫克隆的高光谱图像分类和波段选择的方法，其实现步骤为：利用稀疏表示分类器对高光谱遥感图像进行分类得到基于像素的分类图；利用均值漂移对高光谱遥感图像进行预处理，并把处理后的图像经过多目标免疫克隆聚类和波段选择算法进行分割得到多个聚类结果，然后从这些聚类结果中选出最优的聚类结果组成分割图；利用最大投票规则融合得到的分类图和得到的分割图获得最后的结果图。主要的优势在于它在训练样本很少的情况能够得到很高的正确率和卡帕系数值，区域一致性保持的很好，并且适用于多幅高光谱数据，参数调节简单方便。

【技术实现步骤摘要】
一种基于多目标免疫克隆的高光谱图像分类和波段选择的方法
本专利技术属于机器学习和高光谱遥感图像处理领域，涉及一种空谱结合以及同时进行特征选择的方法在高光谱遥感图像处理领域的应用，具体地说是一种基于多目标免疫克隆的高光谱图像分类和波段选择的方法。
技术介绍
现代遥感技术的飞速发展为高光谱遥感图像处理提供了一种便捷的途径，高光谱遥感数据成为高光谱遥感图像处理的主要数据源，这就对现有的高光谱遥感图像处理提出了新的挑战。基于像素的分类方法常用的有最大似然估计，贝叶斯估计，神经网络，决策树，遗传算法以及基于核的方法。这些方法的特点就是利用谱特征，纹理信息或者是把这些特征进行线性的、非线性转换得到新的特征的把其所对应的像素分到相应的类别中。基于像素的图像分类方法在分类的过程中只利用了图像的谱段信息，而其丰富的空间信息未被利用。近年来高光谱遥感图像空谱结合的分类分割方法广泛的受到关注。最常用的方法是：首先是对高光谱遥感图像进行分类得到相应的分类图；然后对高光谱遥感图像进行分割得到分割图；最后用一种融合的机制将以上的分类分割图融合起来得到最终的结果图。分类的方法著名的有支持向量机，但是支持向量机需要调节至少一个参数，而且对于不同的高光谱遥感图像参数变化范围很大，调节参数很麻烦。基于聚类的分割方法也有很多，模糊C均值（FCM）是比较常用的一种，FCM是单目标的聚类算法，它对多个图像不一定适用，所以多目标的聚类算法近几年也发展起来了，经典的像MOCK和MOCLE，多目标聚类它主要的特点就是优化两个或者两个以上的目标函数，对于不同结构、形状的数据都有效。多目标聚类得到的是多个最优解，将多个解变成唯一解的方法有指标选解，即从多个优化解中选择出一个作为最优解。根据高光谱遥感图像的特点，谱段冗余不但会增加计算的难度，还会影响分类的效果。所以去掉冗余的波段也是高光谱遥感图像处理的一个重要部分。对于高光谱遥感图像来说，波段就是特征，所以减少冗余波段数就是减少冗余特征，其方法分为特征提取和特征选择。特征提取是通过主分量分析、Fisher鉴别分析方法，以及以核方法为代表的非线性特征提取方法对原始特征进行特征提取得到比原始特征少的新的特征。特征选择是从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。特征选择分为滤波型和封装型，对于无监督的聚类算法，封型的特征选择方法不需要太多的类别信息，所以大部分的无监督的特征选择都用封装型的。
技术实现思路
本专利技术提出了一种基于多目标免疫克隆的高光谱图像分类和波段选择的方法，包括如下步骤：（1）利用稀疏表示分类器对高光谱遥感图像进行分类得到基于像素的分类图；（2）利用均值漂移聚类对高光谱遥感图像进行预分割，得到图像超像素，把预分割后的图像经过多目标免疫克隆聚类和波段选择算法进行分割得到多个聚类结果，然后从这些聚类结果中选出最优的聚类结果组成最终分割图；2a）对高光谱图像数据进行均值漂移聚类得到高光谱图像的分块图；2b）由步骤2a）中得到的分块图作为多目标免疫克隆聚类和波段选择算法的输入得到多个聚类结果；2c）从步骤2b）中得到的多个聚类结果中选出一个最优的聚类结果构成分割图；（3）利用最大投票规则融合步骤（1）中得到的分类图和步骤（2）得到的分割图获得最后的分类结果图，即对分割图中的每一个区域，在分类图中对应该区域内样本多数所属的类别作为该区域内所有样本的类别，得到最后的结果图。其特征在于，其中步骤（1）中所述的分类图按如下步骤进行：将高光谱遥感图像分为训练数据集和测试数据集，图像的每一个像素点为一个样本，每个样本用一个特征向量表示，选用样本的特征维数为D，该高光谱图像包含c类像素点，训练样本集为A=[A1,A2,…Ac]，其中第i类的训练样本集为ni表示该类的训练样本数，ai,j是第i类训练样本集Ai中的第j个样本，它是一个D维的数据，y∈RD表示一个测试样本，RD是指D维的实数域空间；1）利用高光谱图像的训练样本A求解最小化问题：其中，α是未知的稀疏向量，γ是一个标量常数，是使得最小的α的值；2）根据步骤1）得到的计算残差其中是第i类的系数向量；3）根据步骤2）中得到的ei，计算测试样本y的类标，即把使得ei最小的对应的类别i当做y的类标；4）根据步骤3）中得到的测试样本的类标以及已知的训练样本的类标组成分类图。其中步骤（2a）中对高光谱图像数据进行均值漂移聚类得到高光谱图像的分块图的具体步骤如下：2a1）将高光谱图像的每一个像素点作为一个样本，每个样本用一个特征向量表示，假设样本的特征维数为D，样本总数为N，所有的样本组成高光谱图像数据集T；2a2）对步骤2a1）中得到的高光谱图像数据集T进行均值漂移聚类得到高光谱图像的分块图，对于每一个像素点进行均值漂移聚类的具体步骤如下：I)为每一个像素点x'∈T,构建一个新的向量x=(xs,xr),其中xs表示高光谱图像像素x'的二维空间坐标,xr表示该像素的D维特征向量；II)根据得到的新的向量x=(xs,xr)计算该点的均值漂移向量M(x)，计算公式如下：其中，f(x)=exp{-||x-xc||2/(2×σ)2}，权重w(xi)=1，k=500，hs=3，hr是xr的标准方差，xi表示x的第i个近邻点，xc为核函数的中心,σ为函数的均方差，xc=0,σ=1；III)判断是否终止循环，取ε=10-6，如果||M(x)-x||<ε，结束循环，输出该点的均值漂移M(x)，否则，执行步骤IV）；V）把M(x)赋给x，返回步骤II)，循环执行，直至满足条件；V）把具有相同均值漂移向量的样本点归为一类，得到高光谱图像的分块图。其中由步骤2b）中得到的分块图作为多目标免疫克隆聚类和波段选择算法的输入得到多个聚类结果的具体步骤如下：2b1）由分块图得到新数据集；分块图中每一个区域即为一个超像素，该超像素内所有像素点的特征向量的均值作为新的样本点的特征向量，所有的新样本点组成新数据集，样本个数为超像素的个数M；2b2)根据步骤2b1）中得到的新数据集作为多目标免疫克隆聚类和波段选择的输入，得到多个聚类结果，具体步骤如下：i)设种群大小为50，当前迭代次数为t=1，抗体的长度是D+1，D为高光谱数据的波段数目，一个抗体记为(a1,a2,...,aD,aD+1)，其中，a1,a2,...,aD表示特征向量的编码，aD+1表示聚类数的编码；ai在0-1之间随机取值实现种群初始化；ii)根据步骤i)得到的抗体种群对高光谱图像进行波段选择和聚类；设置0.9为特征选择的阈值，当抗体的第i维的值大于该阈值时，所对应的原始数据的第i维特征被选择；否则舍弃这维特征；将所选择的新的特征子集作为新的数据集用于模糊c均值聚类，其对应聚类数kc=round(kmin+(kmax-kmin)aD+1)，其中，kmin=2，kmax=2lnN，round是四舍五入操作；iii)根据步骤ii)中的聚类结果计算每个抗体的目标函数值：第一个目标函数f1为：其中，M是超像素的数目，Zj,j=1,2…kc和μij,i=1,2…,M是步骤2）中所得到的聚类结果的类别中心和隶属度矩阵；第二个目标函数f2为：其中，dnew为特征选择之后的特征向量维数；第三个目标函数f3是：f3=dn本文档来自技高网...

【技术保护点】
一种基于多目标免疫克隆的高光谱图像分类和波段选择的方法，其特征在于，包括如下步骤：（1）利用稀疏表示分类器对高光谱遥感图像进行分类得到基于像素的分类图；（2）利用均值漂移聚类对高光谱遥感图像进行预分割，得到图像超像素，把预分割后的图像经过多目标免疫克隆聚类和波段选择算法进行分割得到多个聚类结果，然后从这些聚类结果中选出最优的聚类结果组成最终分割图，是通过如下步骤进行的：2a）对高光谱图像数据进行均值漂移聚类得到高光谱图像的分块图；2b）由步骤2a）中得到的分块图作为多目标免疫克隆聚类和波段选择算法的输入得到多个聚类结果；2c）从步骤2b）中得到的多个聚类结果中选出一个最优的聚类结果构成分割图；（3）利用最大投票规则融合步骤（1）中得到的分类图和步骤（2）得到的分割图获得最后的分类结果图，即对分割图中的每一个区域，在分类图中对应该区域内样本多数所属的类别作为该区域内所有样本的类别，得到最后的结果图。

【技术特征摘要】
1.一种基于多目标免疫克隆的高光谱图像分类和波段选择的方法，其特征是：包括如下步骤：(1)利用稀疏表示分类器对高光谱遥感图像进行分类得到基于像素的分类图；(2)利用均值漂移对高光谱遥感图像进行预处理，并把处理后的图像经过多目标免疫克隆聚类和波段选择算法进行分割得到多个聚类结果，然后从这些聚类结果中选出最优的聚类结果组成分割图；2a)对高光谱图像数据进行均值漂移得到高光谱图像的分块图；2b)由步骤2a)中得到的分块图作为多目标免疫克隆聚类和波段选择算法的输入得到多个聚类结果；2c)从步骤2b)中得到的多个聚类结果中选出一个最优的聚类结果构成分割图；(3)利用最大投票规则融合步骤(1)中得到的分类图和步骤(2)得到的分割图获得最后的结果图；其中步骤(2a)中对高光谱图像数据进行均值漂移得到高光谱图像的分块图的具体步骤如下：2a1)将高光谱图像的每一个像素点为一个样本，每个样本用一个特征向量表示，假设样本的特征维数为D，样本总数为N，所有的样本组成高光谱图像数据集T；2a2)由步骤2a1)中得到的高光谱图像数据集T进行均值漂移得到高光谱图像的分块图，具体步骤如下：1)对数据集T中的每一个点x'∈T,构建一个新的向量x＝(xs,xr),其中xs表示网格点的坐标,xr表示该网格点上D维向量特征；2)根据得到的新的向量x＝(xs,xr)计算该点的均值漂移值M(x)，计算公式如下f(z)＝exp{-||x-xc||∧2/(2*σ)∧2}其中,k＝1000，hs＝3，hr是xr的标准方差，xi表示距离x最近的第i个样本点，xc为核函数的中心,σ为函数的均方差，xc＝0,σ＝1；3)判断是否终止循环，取ε＝10-6，如果||M(x)-x||<ε，结束循环，输出该点的均值漂移M(x)，否则，执行步骤4)；4)把M(x)赋给x，循环执行1)，直至满足条件；5)把均值漂移值相同的样本点归为一类，得到高光谱图像的分块图。2.根据权利要求1所述的基于多目标免疫克隆的高光谱图像分类和波段选择的方法，其特征是：其中步骤(1)中所述的分类图按如下步骤进行：将高光谱遥感图像分为训练数据集和测试数据集，图像的每一个像素点为一个样本，每个样本用一个特征向量表示，假设样本的特征维数为D，该高光谱图像包含c类像素点，训练样本集为A＝[A1,A2,...Ac]，其中第i类的训练样本集为ni表示该类的训练样本数，ai,j是第i类训练样本集Ai中的第j个样本，它是一个D维的数据，Rm是指m维的实数域空间，y∈Rm表示一个测试样本；1)利用高光谱图像的训练样本A求解一下最小化问题：其中，α是未知的稀疏向量，γ是一个标量常数，就是使得这个最小的α的值，||B||2是B的所有维的数值的平方和的均方根；2)根据步骤2)得到的计算残差其中是第i类的系数向量；3)根据步骤2)中得到的ei，计算测试样本y的类标，即把使得ei最小的对应的类别i当做y的类标；4)根据步骤4)中得到的测试样本的类标以及已知的训练样本的类标组成分类图。3.根据权利要求1所述的基于多目标免疫克隆的高光谱图像分类和波段选择的方法，其特征是：其中步骤(2b)中由步骤2a)中得到的分块图作为多目标免疫克隆聚类和波段选择算法的输入得到多个聚类结果的具体步骤如下：2b1)由分块图得到新数据集；分块图中每一个区域内所有像素点的灰度值的均值作为新的样本点的特征值，所有的新样本点组成新数据集；2b2)根据步骤2b1)中得到的新数据集作为多目标免疫克隆聚类和波段选择的输入，得到多个聚类结果，具体步骤如下：1)在0～1之间随机初始化抗体种群，设种群大小为|A|＝50，当前迭代次数为t＝1，抗体的维数是D+1，D为高光谱数据的波段数，一个抗体记为(a1...

【专利技术属性】
技术研发人员：张向荣，焦李成，李玉芳，袁永福，李阳阳，马文萍，马晶晶，侯彪，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61