基于双图稀疏非负矩阵分解的高光谱波段选择方法技术

本发明专利技术公开了一种基于双图稀疏非负矩阵分解的高光谱波段选择方法。其处理步骤包括：输入需处理的高光谱数据；分别计算高光谱数据数据空间和特征空间的相似度矩阵；分别计算高光谱数据数据空间和特征空间的相似度对角矩阵；初始化高光谱数据重构矩阵；设置迭代次数；更新重构矩阵；判断是否达到最大迭代次数，若达到则得到数据空间的非负矩阵分解因子，否则返回更新重构矩阵继续迭代，直至达到最大迭代次数；构造并输出高光谱数据的波段选择矩阵。本发明专利技术解决了原始高光谱图像中存在许多冗余波段的问题，剔除了冗余信息，降低了数据维数，选择出具有更高判别性的波段，提高了高光谱图像分类的准确性。用于高光谱图像分类之前的波段选择处理。

【技术实现步骤摘要】

本专利技术属于图像处理
，涉及高光谱图像分类，具体是一种基于双图稀疏非负矩阵分解的高光谱波段选择方法，主要用于高光谱图像分类之前的波段选择处理。
技术介绍
为了探测宽波段遥感中不可探测的物质，高光谱遥感技术得到了快速的发展，与此同时为了剔除冗余信息，降低高光谱图像数据维数，很多高光谱波段选择方法相继被提出。2013年，VKumar，JHahn和AMZoubir在他们发表的论文“BANDSELECTIONFORHYPERSPECTRALIMAGESBASEDONSELF-TUNINGSPECTRALCLUSTERING”中提出了一种基于谱聚类的自调整高光谱波段选择方法。该方法首先采用谱聚类将所有波段聚类为K类，然后用主成份分析法得到每一类中波段的协方差矩阵，并计算该协方差矩阵的特征值以及所对应的特征向量；按照一定的比例在各类中选取特征值以及所对应的特征向量作为类的特征向量基，各类的特征向量基组成一个变换矩阵，然后通过变换矩阵将高维的高光谱图像数据变换为低维的数据矩阵，达到降低数据维度的目的。这种方法将相似的波段分成一类，分块处理，很好的去除了冗余。然而谱聚类和变换矩阵是相互影响的，而该方法将谱聚类与变换矩阵分步进行计算，所以该方法没有用到高光谱图像数据的局部几何信息而且缺乏学习策略，不能很好地选择出具有判别性的波段。从数据原始的物理意义上来看，该方法属于特征提取方法，对原始数据采用一个变换矩阵进行低维映射来实现降维的目的，缺乏一定的物理意义。西安电子科技大学张向荣等人申请的专利“基于低秩表示的高光谱图像波段选择方法”(专利申请号：CN201510411250.9，公开号：CN105046276A)提出了一种低秩表示聚类的高光谱图像波段选择方法。该方法对高光谱图像进行归一化处理并进行低秩表示，再使用增强拉格朗日乘子法来求解低秩表示系数，然后基于低秩表示系数对所有波段进行聚类，最后从每个聚类中选择出最具代表性的波段作为最终选择的波段，并对其进行聚类。该方法可以去除波段中的冗余信息，选择具代表性的波段用于分类，降低了高光谱图像数据的维度，提高了高光谱图像的分类准确度。然而在进行低秩表示系数求解学习时，没有利用高光谱图像数据的局部几何信息，而且没有用到特征的自表示信息，所以导致得到的低秩表示系数不够准确，最终选择的波段也缺乏一定的代表性。现有的研究方法中大多只采用了数据空间的局部几何信息，并不能充分挖掘高光谱图像的潜在信息，另外没有加入稀疏约束，无法保证矩阵的稀疏性，也没有利用特征自表示信息这一重要的特征属性信息。
技术实现思路
本专利技术的目的在于解决上述现有技术存在的问题，提出一种更具波段判别性、高光谱图像分类准确性更高的基于双图稀疏非负矩阵分解的高光谱波段选择方法。本专利技术是一种基于双图稀疏非负矩阵分解的高光谱波段选择方法，其特征在于，包括如下步骤：(1)输入需要处理的高光谱图像数据，并预设所需波段选择数目；(2)分别计算高光谱图像数据的数据空间和特征空间的相似度矩阵：采用权重测度算法，分别计算高光谱图像数据的数据空间和特征空间中所有波段的波段相似度，得到高光谱图像数据的数据空间和特征空间中所有波段的波段相似度矩阵；(3)分别计算高光谱图像数据的数据空间和特征空间的相似度对角矩阵：对高光谱图像数据的数据空间和特征空间中所有波段的波段相似度矩阵分别进行对角化处理，得到高光谱图像数据的数据空间和特征空间的相似度对角矩阵；(4)初始化高光谱图像数据的重构矩阵：采用随机矩阵法初始化高光谱图像数据的数据空间的含特征空间局部几何信息的非负矩阵分解因子、高光谱图像数据的特征空间的含数据空间局部几何信息的非负矩阵分解因子，采用单位矩阵法初始化高光谱图像数据的数据空间的含特征空间局部几何信息的非负矩阵分解因子的对角矩阵三个重构矩阵；(5)设置循环迭代次数：将初始迭代次数设置为0，最大迭代次数设置为10～30；(6)更新高光谱图像数据的重构矩阵：(6a)利用高光谱图像数据的数据空间的含特征空间局部几何信息的非负矩阵分解因子的更新公式，得到当前迭代次数下更新的高光谱图像数据的数据空间的含特征空间局部几何信息的非负矩阵分解因子；(6b)利用高光谱图像数据的特征空间的含数据空间局部几何信息的非负矩阵分解因子的更新公式，得到当前迭代次数下更新的高光谱图像数据的特征空间的含数据空间局部几何信息的非负矩阵分解因子；(6c)利用高光谱图像数据的数据空间的含特征空间局部几何信息的非负矩阵分解因子的对角矩阵的更新公式，得到当前迭代次数下更新的高光谱图像数据的数据空间的含特征空间局部几何信息的非负矩阵分解因子的对角矩阵；(7)判断是否达到最大迭代次数，若满足则执行步骤(8)，否则将当前循环迭代次数加1并返回执行步骤(6)直至达到最大迭代次数；(8)得到高光谱图像数据的数据空间的含特征空间局部几何信息的非负矩阵分解因子；(9)构造并输出高光谱图像数据的波段选择矩阵：(9a)采用波段评价向量公式，基于高光谱图像数据的数据空间的含特征空间局部几何信息的非负矩阵分解因子，计算高光谱图像数据的波段评价向量；(9b)将高光谱图像数据的波段评价向量中的元素值降序排序，并按预设的波段选择数目从中选出元素值最大的波段构造成高光谱图像数据的波段选择矩阵，输出高光谱图像数据的波段选择矩阵。本专利技术将双图(数据图和特征图)模型与非负矩阵分解方法相结合引入到高光谱图像的波段选择上，并对数据空间的非负矩阵分解因子加入稀疏约束，即稀疏自表示项。数据空间和特征空间的非负矩阵分解因子可以在交替迭代的过程中相互作用更新，充分发挥双图模型的效果。依据计算得到的波段评价向量从原始高光谱图像中选择出具有判别性的波段，保留了原始高光谱图像的物理意义，同时提高了高光谱图像分类的准确性。本专利技术与现有技术相比具有以下优点：第一，本专利技术计算波段相似度矩阵充分利用了数据空间和特征空间的局部几何信息，尤其是引入了特征空间的局部几何信息，解决了现有方法不能充分挖掘高光谱图像的潜在信息的问题，提高了高光谱图像分类的准确性。第二，本专利技术将双图模型与非负矩阵分解方法相结合，并引入到高光谱图像的波段选择上，利用高光谱图像数据的重构矩阵的更新公式，使得数据空间的含特征空间局部几何信息的非负矩阵分解因子和特征空间的含数据空间局部几何信息的非负矩阵分解因子在交替迭代更新的过程中相互作用更新，可以充分发挥双图模型的效果，选择出更具判别性的波段，提高了高光谱图像分类的准确性。第三，本专利技术对数据空间的含特征空间局部几何信息的非负矩阵分解因子进行稀疏约束，即体现特征自表示信息的稀疏自表示项，不仅反映了在特征属性信息中的重要性，而且保证了数据空间中的含特征空间局部几何信息的非负矩阵分解因子的稀疏性。附图说明图1是本专利技术的流程框图；图2是本专利技术与现有技术的仿真实验结果对比曲线图；图3是本专利技术与现有技术的仿真效果彩图，其中图3(a)为原始的IndianPines高光谱图像的真值彩图，图3(b)为波段全选方法(ALL)的KNN分类效果彩图，图3(c)为基于谱聚类的自调整波段选择方法(SC)选择50个波段时的KNN分类效果彩图，图3(d)为本专利技术(DSNMF)选择50个波段时的KNN分类效果彩图。图4是本专利技术与现有技术的仿真效本文档来自技高网...

【技术保护点】
一种基于双图稀疏非负矩阵分解的高光谱波段选择方法，其特征在于，包括如下步骤：(1)输入需要处理的高光谱图像数据，并预设所需波段选择数目；(2)分别计算高光谱图像数据的数据空间和特征空间的相似度矩阵：采用权重测度算法，分别计算高光谱图像数据的数据空间和特征空间中所有波段的波段相似度，得到高光谱图像数据的数据空间和特征空间中所有波段的波段相似度矩阵；(3)分别计算高光谱图像数据的数据空间和特征空间的相似度对角矩阵：对高光谱图像数据的数据空间和特征空间中所有波段的波段相似度矩阵分别进行对角化处理，得到高光谱图像数据的数据空间和特征空间的相似度对角矩阵；(4)初始化高光谱图像数据的重构矩阵：采用随机矩阵法初始化高光谱图像数据的数据空间的含特征空间局部几何信息的非负矩阵分解因子、高光谱图像数据的特征空间的含数据空间局部几何信息的非负矩阵分解因子，采用单位矩阵法初始化高光谱图像数据的数据空间的含特征空间局部几何信息的非负矩阵分解因子的对角矩阵三个重构矩阵；(5)设置循环迭代次数：将初始迭代次数设置为0，最大迭代次数设置为10～30；(6)更新高光谱图像数据的重构矩阵：(6a)利用高光谱图像数据的数据空间的含特征空间局部几何信息的非负矩阵分解因子的更新公式，得到当前迭代次数下更新的高光谱图像数据的数据空间的含特征空间局部几何信息的非负矩阵分解因子；(6b)利用高光谱图像数据的特征空间的含数据空间局部几何信息的非负矩阵分解因子的更新公式，得到当前迭代次数下更新的高光谱图像数据的特征空间的含数据空间局部几何信息的非负矩阵分解因子；(6c)利用高光谱图像数据的数据空间的含特征空间局部几何信息的非负矩阵分解因子的对角矩阵的更新公式，得到当前迭代次数下更新的高光谱图像数据的数据空间的含特征空间局部几何信息的非负矩阵分解因子的对角矩阵；(7)判断是否达到最大迭代次数，若满足则执行步骤(8)，否则将当前循环迭代次数加1并返回执行步骤(6)直至达到最大迭代次数；(8)得到高光谱图像数据的数据空间的含特征空间局部几何信息的非负矩阵分解因子；(9)构造并输出高光谱图像数据的波段选择矩阵：(9a)采用波段评价向量公式，基于高光谱图像数据的数据空间的含特征空间局部几何信息的非负矩阵分解因子，计算高光谱图像数据的波段评价向量；(9b)将高光谱图像数据的波段评价向量中的元素值降序排序，并按预设的波段选择数目从中选出元素值最大的波段构造成高光谱图像数据的波段选择矩阵，并输出高光谱图像数据的波段选择矩阵。...

【技术特征摘要】
1.一种基于双图稀疏非负矩阵分解的高光谱波段选择方法，其特征在于，包括如下步骤：(1)输入需要处理的高光谱图像数据，并预设所需波段选择数目；(2)分别计算高光谱图像数据的数据空间和特征空间的相似度矩阵：采用权重测度算法，分别计算高光谱图像数据的数据空间和特征空间中所有波段的波段相似度，得到高光谱图像数据的数据空间和特征空间中所有波段的波段相似度矩阵；(3)分别计算高光谱图像数据的数据空间和特征空间的相似度对角矩阵：对高光谱图像数据的数据空间和特征空间中所有波段的波段相似度矩阵分别进行对角化处理，得到高光谱图像数据的数据空间和特征空间的相似度对角矩阵；(4)初始化高光谱图像数据的重构矩阵：采用随机矩阵法初始化高光谱图像数据的数据空间的含特征空间局部几何信息的非负矩阵分解因子、高光谱图像数据的特征空间的含数据空间局部几何信息的非负矩阵分解因子，采用单位矩阵法初始化高光谱图像数据的数据空间的含特征空间局部几何信息的非负矩阵分解因子的对角矩阵三个重构矩阵；(5)设置循环迭代次数：将初始迭代次数设置为0，最大迭代次数设置为10～30；(6)更新高光谱图像数据的重构矩阵：(6a)利用高光谱图像数据的数据空间的含特征空间局部几何信息的非负矩阵分解因子的更新公式，得到当前迭代次数下更新的高光谱图像数据的数据空间的含特征空间局部几何信息的非负矩阵分解因子；(6b)利用高光谱图像数据的特征空间的含数据空间局部几何信息的非负矩阵分解因子的更新公式，得到当前迭代次数下更新的高光谱图像数据的特征空间的含数据空间局部几何信息的非负矩阵分解因子；(6c)利用高光谱图像数据的数据空间的含特征空间局部几何信息的非负矩阵分解因子的对角矩阵的更新公式，得到当前迭代次数下更新的高光谱图像数据的数据空间的含特征空间局部几何信息的非负矩阵分解因子的对角矩阵；(7)判断是否达到最大迭代次数，若满足则执行步骤(8)，否则将当前循环迭代次数加1并返回执行步骤(6)直至达到最大迭代次数；(8)得到高光谱图像数据的数据空间的含特征空间局部几何信息的非负矩阵分解因子；(9)构造并输出高光谱图像数据的波段选择矩阵：(9a)采用波段评价向量公式，基于高光谱图像数据的数据空间的含特征空间局部几何信息的非负矩阵分解因子，计算高光谱图像数据的波段评价向量；(9b)将高光谱图像数据的波段评价向量中的元素值降序排序，并按预设的波段选择数目从中选出元素值最大的波段构造成高光谱图像数据的波段选择矩阵，并输出高光谱图像数据的波段选择矩阵。2.根据权利要求1所述的基于双图稀疏非负矩阵分解的高光谱波段选择方法，其特征在于，步骤(2)中所述的权重测度算法如下：2.1：分别计算高光谱图像数据的数据空间和特征空间的所有波段之间的欧式距离：数据空间的所有波段之间的欧式距离：OP=(X*X)1n×d+1d×n(XT*XT)-2XXT]]>特征空间的所有波段之间的欧式距离：OS=(XT*XT)1d×n+1n×d(X*X)-2XTX]]>其中，OP和OS分别表示高光谱图像数据的数据空间和特征空间的所有波段之间的欧式距离，表示开方操作，X表示高光谱图像数据，*表示Hadamard矩阵乘积操作，1n×d表示n×d的全1矩阵，1d×n表示d×n的全1矩阵，n表示...

【专利技术属性】
技术研发人员：孟洋，尚荣华，焦李成，王蓉芳，马文萍，刘芳，侯彪，王爽，张文雅，
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