A hyperspectral band selection method based on entropy redundancy and clonal selection, which involves dimensionality reduction methods for hyperspectral images. It solves the problem that the band image can not be reasonably evaluated in the band selection process of hyperspectral images. The steps of the invention are as follows: firstly, read into the hyperspectral image, generate the initial antibody band, calculate the affinity coefficient of the antibody band by using the Tsallis entropy redundancy, and select the best antibody band according to the affinity coefficient. Two, clone the best antibody band, generate the temporary antibody band, perform the high-frequency mutation operation, and select the best antibody band again. Three. Replace the antibody bands with lower affinity coefficients and iterate the calculations until the specified iteration number is reached. The invention utilizes the Tsallis entropy redundancy as the criterion function of band selection and efficiently realizes the band selection of the hyperspectral image, and is suitable for reducing the dimensionality of the hyperspectral image, data compression, etc..
【技术实现步骤摘要】
基于熵冗余度和克隆选择的高光谱波段选择方法
本专利技术涉及高光谱图像的降维方法,具体涉及基于Tsallis熵冗余度和克隆选择的高光谱波段选择方法。
技术介绍
高光谱图像是一种图谱合一的海量数据源,它既包含图像信息又包括光谱信息,既能够提供各个谱段上每个像素的光谱强度数据,且具有很高的光谱分辨率。随着遥感技术和高光谱成像仪的发展,高光谱图像在军事领域中的应用越来越广泛,主要体现在无人机搜索识别、卫星稳定性控制、反隐身探测和地图绘制等方面,但其具有波段数过多、数据量过大等的特点给高光谱图像的分类、识别带来了很大的困难。例如,信息冗余度高、数据储存所需空间大、处理时间长,且由于高光谱图像的波段数过多,容易出现维数灾难现象,即分类精度下降。因此,在保证地物分类识别率的情况下,减少数据量、节约资源的降维处理是非常必要的。特征提取和特征选择是高光谱图像的两种主要处理方法。利用特征提取进行处理时,算法复杂、计算量大,且是通过某种变换来实现降维的目的,因其改变了原始数据的物理意义而不利于数据的解译。相比之下,特征选择是从高光谱图像所有波段中选择起主要作用的波段组合,不仅能大大降低高光谱图像的数据维数,而且能比较完整地保留有用的信息,更加具有特殊的意义。特征选择的主要任务是选择出在设定准则下能够代表原始图像信息的特征。在高光谱特征选择领域中最主流的特征提取方法是波段选择。波段选择作为一种直接降维方法,主要依据高光谱图像的特征选择合适的波段组合,在保留原始图像的物理意义以及光谱特性同时降低了数据维度,可以有效地对高光谱降维。尽管波段选择样本是从原始样本中随机选择的,但其必须包 ...
【技术保护点】
一种基于熵冗余度和克隆选择的高光谱波段选择方法,其特征在于它包括以下步骤:步骤一:读入高光谱图像,定义抗原并根据编码规则随机生成多个数组组成初始抗体波段组合,分别计算抗体波段组合中每个数组的的亲和力系数;选择Tsallis熵冗余度作为计算抗体波段亲和力系数的准则函数,根据亲和力系数大小从初始抗体波段组合中选择出最佳抗体波段组合
【技术特征摘要】
1.一种基于熵冗余度和克隆选择的高光谱波段选择方法,其特征在于它包括以下步骤:步骤一:读入高光谱图像,定义抗原并根据编码规则随机生成多个数组组成初始抗体波段组合,分别计算抗体波段组合中每个数组的的亲和力系数;选择Tsallis熵冗余度作为计算抗体波段亲和力系数的准则函数,根据亲和力系数大小从初始抗体波段组合中选择出最佳抗体波段组合P;步骤二:对最佳抗体波段组合P中的抗体波段克隆增殖gen倍;对克隆后得到的抗体波段进行高频变异操作,变异概率与抗体波段亲和力系数成反比;从抗体波段组合中选择w个抗体波段亲和力系数较大的最佳抗体波段组成最佳抗体波段组合Q;步骤三:不断重复迭代计算,直到达到指定迭代次数迭代停止,选择出抗体波段亲和力系数最大的抗体波段作为最优波段组合。2.根据权利要求1所述的基于熵冗余度和克隆选择的高光谱波段选择方法,其特征在于所述的步骤一为:1)读入高光谱图像,定义抗原并根据编码规则随机生成多个数组组成初始抗体波段组合,编码规则是随机生成的数组由多个随机数组成,每个随机数代表高光谱图像中的一个波段,分别计算抗体波段组合中每个数组的的亲和力系数;高光谱图像S中各波段图像Mn可用数据序列(mn(1),mn(2),…,mn(k))来表示,其中1≤n≤N,N为高光谱图像的波段数;对该数据序列进行归一化处理:,;令P={n(k)},则S的相关矩阵C可表示为:;相关矩阵C分解所得C及单位阵I分别表示互相关矩阵和自相关矩阵,C’的对角线皆为0;令λnC表示相关矩阵C的特征值,则λnC反映了C中相关信息量,其中1≤n≤N,λnC代表相关矩阵C的N个特征值;此外,λnC还满足:,;利用上述关系,可以定义相关矩阵C的Tsallis熵Hr为:Hr=[∑(λnC/N)r-1]/(1-r),其中,r为Tsallis熵系数;若S中各波段完全独立,则C的所有元素皆为0,λnC皆为1,Hr取得最大值(r>1);若S中各波段数据完全相关,则C的所有元素皆为,λnC中仅一个为N(其余为0),H'取得最小值(r>1);为了使其能够量化波段组合的信息量,因此定义冗余度Rr为:;可以看出,当r=1时,该式不可以直接计算,因此可以取它的极限形式,即著名的香农熵;相关矩阵的Tsallis熵冗余度可表示为:,;相关矩阵的Tsallis熵冗余度可以量化波段组合的信息量,且还具有多输...
【专利技术属性】
技术研发人员:张淼,于文博,沈毅,王艳,
申请(专利权)人:哈尔滨工业大学,
类型:发明
国别省市:黑龙江,23
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。