基于熵冗余度和克隆选择的高光谱波段选择方法技术

一种基于熵冗余度和克隆选择的高光谱波段选择方法，它涉及高光谱图像的降维方法。解决了在高光谱图像波段选择过程中，对波段图像无法进行合理评价的问题。本发明专利技术的步骤为：一、读入高光谱图像，生成初始抗体波段，利用Tsallis熵冗余度计算抗体波段亲和力系数并按照亲和力系数大小选择出最佳抗体波段。二、克隆最佳抗体波段生成临时抗体波段，进行高频变异操作并再次选择最佳抗体波段。三、对亲和力系数较低的抗体波段进行替换，进行迭代计算，直到达到指定迭代次数停止。本发明专利技术利用Tsallis熵冗余度作为波段选择的准则函数，高效地实现了高光谱图像的波段选择，适用于高光谱图像降维、数据压缩等领域。

Hyperspectral band selection method based on entropy redundancy and clonal selection

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，但其必须包含高光谱图像所有的地物特性。根据是否需要先验知识，高光谱图像波段选择方法可分为有监督波段选择和无监督波段选择。有监督波段选择充分利用已知目标的先验信息，在波段选择过程中最大限度地保留所要探测的目标信息或使得目标和背景尽可能地分开，例如光谱角制图、目标杂波比等方法。但实际应用中，在处理高光谱图像之前往往没有相关的先验信息，这时无监督波段选择就能更好的完成任务，在未知目标先验信息的情况下选择出数据量大且冗余度低的波段组合。波段选择中的主要环节为选择准则和搜索策略两点，前者主要影响波段选择后的分类精度，后者主要影响搜索的速度。尽管Bayes误差可被用来对选择过程中产生的误差进行定义，但它并没有可以解析的表达式。因此，许多替代方法被提出并得到了应用，如来源于概率统计方面的散度距离等，它们都是高斯分布情况下Bayes误差的上界。另外，还有一些数学意义上并不严格的Bayes误差替代准则，如统计学上的Tsallis熵冗余度等。Tsallis熵冗余度（Tsallisentropyredundancy）由于其既能量化波段组合的信息量又能计算出组合内部的冗余度大小，因此在高光谱波段选择领域中具有十分明显的潜力，但其潜力并没有被完全发掘。由于Tsallis熵冗余度在计算多波段组合的情况下具有计算速度快的特点，且具有可多输入的优势，可以看出它在众多波段选择方法中中拥有明显优势。克隆选择算法（ClonalSelectionalgorithm）是来源于人体免疫系统中的克隆选择原理的一种选择方法。近年来，随着智能优化方法的发展，许多搜索算法也被用于降维过程中，具有代表性的如克隆选择算法、蚁群算法、蜂群算法等。从仿真结果看，这类方法的效果要优于其他方法，且为高光谱图像波段选择研究提供了新的方向。克隆选择算法引入了亲和力系数、克隆操作和高频变异操作，确保算法能快速的收敛到全局最优解。一般来说，抗原可看做待求解问题的对象函数和限制条件，抗体可看做待求解问题的待选解，抗原抗体的亲和力系数可看做是是待求解问题的候选解满足待求解问题目标函数的程度。
技术实现思路
本专利技术的目的在于提出基于Tsallis熵冗余度和克隆选择的高光谱波段选择方法，提供了一种在高光谱波段选择中，提出并利用了Tsallis熵冗余度计算与克隆选择迭代计算的方法。它能解决在波段选择过程中无法准确计算波段组合优劣程度的问题。本专利技术的目的是通过以下技术方案实现的：随机生成多个数组组成初始抗体波段组合，每个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。选择Tsallis熵冗余度作为波段选择的准则函数，分别计算每个初始抗体波段的亲和力系数，选择出亲和力系数较高的抗体波段组成最佳抗体波段组合并对其进行克隆与变异操作。去除部分亲和力系数较低的抗体波段并将剩余的所有抗体波段作为新的初始抗体波段进行迭代，直到达到指定的迭代次数停止迭代，并选择亲和力系数最高的抗体波段作为最优波段组合。本专利技术的流程图如图1所示，共分为三个步骤，具体步骤如下：步骤一：亲和力系数较高的抗体波段选取。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。对高光谱图像进行波段选择时，首先需要选择评价波段组合的准则函数，以此来衡量波段选择的效果。Tsallis熵冗余度能够较好地体现识别与分类的正确性，因此选择Tsallis熵冗余度作为准则函数。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，且还具有多输入的特性。因为我们要选出数据量丰富且冗余度低的波段组合，我们可以利用其他方法选择或构建出一个参考波段M，并构造出准则函数Er为：Er(S)=[∑Rr(M,R1,R2,R3)]/Rr(S)。通过比较各波段组合Er的大小，即可从综合方面判断出该波段组合的优劣。首先按照编码规则随机生成初始抗体波段组合，这样保证了抗体波段的随机性。利用Tsallis熵冗余度计算抗体波段亲和力系数并进行选择最佳抗体波段组合，可以选择出较好的抗体波段并淘汰劣质抗体波段。2）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w个亲和力系数较大的抗体波段组成最佳抗体波段组合P，其中w为人为设定的最佳抗体波段个数，P为由多个亲和力系数较本文档来自技高网...

【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