当前位置: 首页 > 专利查询>河海大学专利>正文

一种基于相关系数的高光谱图像波段选择方法技术

技术编号:10891273 阅读:209 留言:1更新日期:2015-01-08 20:03
本发明专利技术公开了一种基于相关系数的高光谱图像波段选择方法,步骤一,记N个待选择的高光谱图像为S1,…SN,所有高光谱图像的像素大小均为p×q;将高光谱图像Si排列成向量ai=[S1,1,…S1,q,…,Sp,1,…Sp,q];步骤二,将ai中心化得步骤三,计算与的相关系数ρij;步骤四,计算绝对互相关系数矩阵CN,N;步骤五,选取Cij≥λ的候选元素对(i,j),若对任意k∈[1,N]且k≠i,j,存在ci1/cj1≈cik/cjk,则第i个波段和第j个波段可以根据剔除原则剔除一个;步骤六,对所有候选元素对(i,j),依据步骤五中的剔除原则进行剔除,最后留下来的全部波段即最终选择到的波段。本发明专利技术算法简单而且高效,通过本方法进行波段选择后,便于对高光谱图像后续处理和应用,该简单而实用。

【技术实现步骤摘要】
一种基于相关系数的高光谱图像波段选择方法
本专利技术涉及一种基于相关系数的高光谱图像波段选择方法,属于智能信息处理

技术介绍
高光谱遥感的主要特点是成像光谱仪在电磁波谱的紫外、可见光、近红外和中红外区域中的数十至数百个非常窄且连续的光谱段上同时获取信息,得到每个像素的完整连续的光谱曲线。获得较高光谱分辨能力的同时,也带来了数据量的增大。且高光谱图像波段之间的相关系数往往很高,因而包含了大量的冗余信息,会造成存储和处理能力的浪费,如何从原始数据中剔除这些冗余信息,在不损失重要信息的情况下尽可能降低数据的维度,成为一个重要问题。针对这个问题,可以采用波段选择的方法,从原始的数百个波段中选出最能表示整体特征的数十个或数个波段,并以此来表示整个数据集。当前对高光谱图像波段选择方法的研究,都是针对其在分类中的应用,具体又可以分为有监督和无监督两种。有监督的方法通常需要手动输入训练样本,使算法符合实际数据的特点,以达到波段选择后实现较准确分类的目的;无监督的方法不使用任何先验知识,这样就能实现完全自动的波段选择;但是现有选择方法算法复杂且效率不高。
技术实现思路
为了解决上述技术问题,本专利技术提供了一种基于相关系数的高光谱图像波段选择方法,算法简单而且高效,通过本方法进行波段选择后,便于对高光谱图像后续处理和应用,该简单而实用。为了达到上述目的,本专利技术所采用的技术方案是:一种基于相关系数的高光谱图像波段选择方法,包括以下步骤,步骤一,记N个待选择的高光谱图像为S1,…SN,所有高光谱图像的像素大小均为p×q;将高光谱图像Si排列成向量ai=[S1,1,…S1,q,…,Sp,1,…Sp,q],其中i∈[1,N],N为正整数;步骤二,将ai中心化得其中mean(ai)为ai各个元素的均值,1pq为元素全部为1的大小为p×q的向量;步骤三,计算与的相关系数ρij,其中j∈[1,N],i≠j;步骤四,计算绝对互相关系数矩阵CN,N;绝对互相关系数矩阵的第(i,j)个元素为Cij=|ρij|,其中|·|为绝对值算子;步骤五,选取Cij≥λ的候选元素对(i,j),若对任意k∈[1,N]且k≠i,j,存在ci1/cj1≈cik/cjk,则第i个波段和第j个波段可以根据剔除原则剔除一个,其中λ为阈值;步骤六,对所有候选元素对(i,j),依据步骤五中的剔除原则进行剔除,最后留下来的全部波段即最终选择到的波段。所述mean(ai)公式为mean(ai)=∑∑Smn/pq式中Smn为ai中的一个元素,m∈[1,p],n∈[1,q]。所述相关系数ρij公式为式中为的方差,为的方差,为的转置。所述λ≥0.9。所述候选元素对(i,j)为绝对互相关系数矩阵的第(i,j)个元素,其第i行和第j行分别为Ci=[ci1,ci2,………,cij,ci,j+1,…,ciq]Cj=[cj1,cj2,…,cji,cj,i+1,………,cjq]。所述剔除原则为,若ci1/cj1≥1,则选留第j个波段;反之,选留第i个波段。本专利技术所达到的有益效果:本专利技术将高光谱图像排列成向量后进行中心化,然后再计算彼此间的绝对互相关系数得到绝对互相关系数矩阵,如果相关性很强的两个波段与其他波段的相关性大体成比例,则选择与其他波段相关性弱的那个波段予以保留,这样处理的结果是剔除了相关性大的波段,同时保留了相关性小的波段,通过波段选择后,便于对高光谱图像后续处理和应用,该简单而实用;本专利技术在无需任何先验知识和训练样本,属于非监督的方法。具体实施方式以下实施例仅用于更加清楚地说明本专利技术的技术方案,而不能以此来限制本专利技术的保护范围。一种基于相关系数的高光谱图像波段选择方法,包括以下步骤:步骤一,记N个待选择的高光谱图像为S1,…SN,所有高光谱图像的像素大小均为p×q;将高光谱图像Si排列成向量ai=[S1,1,…S1,q,…,Sp,1,…Sp,q],其中i∈[1,N],N为正整数。步骤二,将ai中心化得其中mean(ai)为ai各个元素的均值,1pq为元素全部为1的大小为p×q的向量。mean(ai)=ΣΣSmn/pq式中Smn为ai中的一个元素,m∈[1,p],n∈[1,q]。步骤三,计算与的相关系数ρij,其中j∈[1,N],i≠j。ρij公式为:式中为的方差,为的方差,为的转置。步骤四,计算绝对互相关系数矩阵CN,N;绝对互相关系数矩阵的第(i,j)个元素为Cij=|ρij|,其中|·|为绝对值算子。步骤五,选取Cij≥λ的候选元素对(i,j),Cij为绝对互相关系数矩阵的第(i,j)个元素,绝对互相关系数矩阵的第i行和第j行分别为Ci=[ci1,ci2,………,cij,ci,j+1,…,ciq]Cj=[cj1,cj2,…,cji,cj,i+1,………,cjq]若对任意k∈[1,N]且k≠i,j,存在ci1/cj1≈cik/cjk,则第i个波段和第j个波段可以根据剔除原则剔除一个,其中λ为阈值,在这里λ≥0.9。上述的剔除原则为,若ci1/cj1≥1,则选留第j个波段;反之,选留第i个波段。步骤六,对所有候选元素对(i,j),依据步骤五中的剔除原则进行剔除,最后留下来的全部波段即最终选择到的波段。上述的选择方法在无需任何先验知识和训练样本,属于非监督的方法,该方法将高光谱图像排列成向量后进行中心化,然后再计算彼此间的绝对互相关系数得到绝对互相关系数矩阵,如果相关性很强的两个波段与其他波段的相关性大体成比例,则选择与其他波段相关性弱的那个波段予以保留,这样处理的结果是剔除了相关性大的波段,同时保留了相关性小的波段,通过波段选择后,便于对高光谱图像后续处理和应用,该简单而实用。以上所述仅是本专利技术的优选实施方式,应当指出,对于本
的普通技术人员来说,在不脱离本专利技术技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本专利技术的保护范围。本文档来自技高网
...

【技术保护点】
一种基于相关系数的高光谱图像波段选择方法,其特征在于:包括以下步骤,步骤一,记N个待选择的高光谱图像为S1,…SN,所有高光谱图像的像素大小均为p×q;将高光谱图像Si排列成向量ai=[S1,1,…S1,q,…,Sp,1,…Sp,q],其中i∈[1,N],N为正整数;步骤二,将ai中心化得其中mean(ai)为ai各个元素的均值,1pq为元素全部为1的pq向量;步骤三,计算与的相关系数ρij,其中j∈[1,N],i≠j;步骤四,计算绝对互相关系数矩阵CN,N;绝对互相关系数矩阵的第(i,j)个元素为Cij=|ρij|,其中|·|为绝对值算子;步骤五,选取Cij≥λ的候选元素对(i,j),若对任意k∈[1,N]且k≠i,j,存在ci1/cj1≈cik/cjk,则第i个波段和第j个波段可以根据剔除原则剔除一个,其中λ为阈值;步骤六,对所有候选元素对(i,j),依据步骤五中的剔除原则进行剔除,最后留下来的全部波段即最终选择到的波段。

【技术特征摘要】
1.一种基于相关系数的高光谱图像波段选择方法,其特征在于:包括以下步骤,步骤一,记N个待选择的高光谱图像为S1,…SN,所有高光谱图像的像素大小均为p×q;将高光谱图像Si排列成向量ai=[S1,1,…S1,q,…,Sp,1,…Sp,q],其中i∈[1,N],N为正整数;步骤二,将ai中心化得其中mean(ai)为ai各个元素的均值,1pq为元素全部为1的大小为p×q的向量;步骤三,计算与的相关系数ρij,其中j∈[1,N],i≠j;步骤四,计算绝对互相关系数矩阵CN,N;绝对互相关系数矩阵的第(i,j)个元素为Cij=|ρij|,其中|·|为绝对值算子;步骤五,选取Cij≥λ的候选元素对(i,j),若对任意k∈[1,N]且k≠i,j,存在ci1/cj1≈cik/cjk,则第i个波段和第j个波段可以根据剔除原则剔除一个,其中λ为阈值;所述剔除原则为,若ci1/cj1≥1,则选留第j个波段;反之,选留第i个波段;步骤六,对所有候选元素对(i,j),依据步骤五中的剔除原则进行剔除,最后留下来的全...

【专利技术属性】
技术研发人员:李昌利高红民张师明徐立中
申请(专利权)人:河海大学
类型:发明
国别省市:江苏;32

网友询问留言 已有1条评论
  • 来自[美国加利福尼亚州圣克拉拉县山景市谷歌公司] 2015年01月11日 11:17
    相关表和相关图可反映两个变量之间的相互关系及其相关方向但无法确切地表明两个变量之间相关的程度于是著名统计学家卡尔·皮尔逊设计了统计指标相关系数(Correlationcoefficient)相关系数是用以反映变量之间相关关系密切程度的统计指标相关系数是按积差方法计算同样以两变量与各自平均值的离差为基础通过两个离差相乘来反映两变量之间相关程度着重研究线性的单相关系数
    0
1