基于判别信息和流形信息的高光谱图像波段选择方法技术

本发明专利技术提出了一个基于判别信息和流形信息的高光谱图像波段选择方法，主要解决现有波段选择方法未能有效利用数据流形信息，丢失数据原始物理意义及存在误差积累的问题。其实现步骤是：1)把高光谱图像转化为二维矩阵Y；2)对Y做归一化处理得到二维矩阵X；3)根据X分别构建核函数K和线性判别表达式；4)根据3)的结果计算图正则矩阵G；5)结合G迭代计算系数表示矩阵W；6)判断迭代次数k是否大于等于最大迭代次数，若是，输出最终的W，执行7)，否则，令k＝k+1，返回5)；7)根据W计算所有波段评分构成新的矩阵X

Hyperspectral image band selection method based on discriminant information and manifold information

The invention provides a selection method of discriminant information and manifold information of hyperspectral image band based, mainly solves the problem that the existing band selection method fails to effectively use the data manifold information, data loss of original physical significance and the existence of error accumulation problem. The method comprises the following steps: 1) the hyperspectral image is transformed into two-dimensional matrix Y; 2) normalized two-dimensional matrix X of Y; 3) were constructed according to the X kernel K and linear discriminant expression; 4) 3) according to the results of Figure 5) with regular matrix G; G iteration coefficient W matrix; 6) to determine the number of iterations in K is greater than or equal to the maximum number of iterations, if the final output, W, 7), otherwise, k = k+1, 5); return 7) according to the W calculation of all new X band score matrix

【技术实现步骤摘要】
基于判别信息和流形信息的高光谱图像波段选择方法
本专利技术属于图像处理领域，具体涉及的是一种对高光谱图像进行波段选择的方法，可用于对农业、地质、大气和水文等领域中涉及的高光谱图像的预处理。
技术介绍
受益于高光谱成像技术的飞速发展和成像质量的不断提升，高光谱图像在农业、地质、大气和水文等领域得到了越来越广泛的应用，图像中所包含的信息也越来越丰富。另一方面，丰富的图像信息也带来了数据量大、波段冗余等问题，制约了高光谱图像的存储、传输和处理。目前，国内外已经提出了不少高光谱波段选择方法来解决上述问题。V.Kumar等人在其发表的论文“Bandselectionforhyperspectralimagesbasedonself-tuningspectralclustering”(EUSIPCO,2013:1-50)中提出了一种基于自调整谱聚类的技术用于高光谱的波段选择。该方法可以大致总结为两个步骤：第一步，使用谱聚类方法把相似的波段归为一类，总共得到若干个类簇；第二步，利用主成分分析法分别处理每个类簇，计算得到每个类簇对应的特征向量基，该特征向量基就代表了对应类簇的低维表示。当合并所有类簇的特征向量基后，就得到了原始数据集低维下的表示矩阵，从而达到降维的目的。此方法的一个优点是算法简洁易于实现，能够较好去除冗余；另一个优点是分块处理不同类簇，易于并行计算，提高运行效率。但是此方法的缺点是第二步的主成分分析受到第一步谱聚类的影响，计算误差会累积，对最后的波段选择结果造成了不利影响；此外，由于第二步的主成分分析生成了全新的特征，丢失了原始数据的物理意义，可解释性变差。西安电子科技大学在其申请的专利“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)中提出了一种基于低秩表示技术的高光谱图像波段选择方法。该方法首先对高光谱波段进行低秩表示，求解得到低秩表示系数，然后根据低秩表示系数矩阵对波段进行聚类得到若干个类簇，最后从每个类簇中选出离聚类中心最近的波段作为该类簇最具代表性的波段。最终得到的降维后的图像就是各类簇中代表性波段合并后的结果。该方法的优点是充分利用了低秩表示的优点增强了对噪声的抗干扰能力和对冗余的去除能力；再者，基于聚类技术的优势，该方法充分使用了波段特征的相关性，提高了后续分类的精度。但是，该方法的不足之处在于未能利用数据内在的流形信息，导致其学习到的低秩表示系数不够准确，影响对波段代表性的评判，即可能错误地判定了不同波段的重要性大小，导致最终选出的波段组合成的新图像的质量得不到保证。
技术实现思路
本专利技术的目的在于针对上述现有技术的不足，提出一种基于判别信息和流形信息的高光谱图像波段选择方法，以加强数据的可解释性，消除分步计算的累积误差，提高低秩表示系数的计算准确性，最终选择出最有代表性的波段组合成新的高质量图像。本专利技术的技术方案是：把线性判别分析与核技巧结合起来，把数据的全局判别信息保留到判别矩阵中；再把该矩阵统一到图嵌入的框架内，计算得到一个包含判别信息的图正则矩阵，该矩阵同时保留了全局数据流形信息和判别信息；然后，通过回归学习的方法迭代更新得到原始数据的低维表示系数矩阵，利用该系数矩阵的范数约束得到波段特征的评分结果，从原始数据中选择评分高的波段作为代表性波段，组合成新的高光谱图像数据矩阵。其具体步骤包括如下：(1)输入高光谱图像I并将其转化为二维数据矩阵Y；(2)对二维数据矩阵Y做归一化处理，得到原始空间中归一化的二维数据矩阵X；(3)使用映射函数φ把原始空间中的二维数据矩阵X表示为高维线性可分空间中对应的形式，并使用核技巧方法构建能表达该形式的核函数K；(4)计算高维空间下数据的总散度矩阵和类内散度矩阵并将其散度矩阵代入标准线性判别模型中，得到高维空间下的线性判别表达式其中：μ是不等于0的判别参数，In是单位矩阵，n是数据集中的样本数量，tr(·)是矩阵的秩，(·)-1是矩阵的逆；(5)计算一个同时包含数据判别信息和流形信息的图正则矩阵G：(5a)通过一个常数表达式tr(HTCnH)对步骤(4)得到的线性判别表达式做等价变换，得到线性判别表达式的初次等价变换式：其中：Cn是置中心矩阵，H是伪标签矩阵，矩阵(·)T是(·)的转置矩阵；(5b)使用核函数K对初次等价变换式再进一步等价变换，得到线性判别表达式的最终等价变换式：tr(HT(Cn-CnT(Cn+μK-1)-1Cn)H)；(5c)根据流形学习理论，计算出等价变换后的线性判别表达式中同时带有判别信息和流形信息的图正则矩阵：G＝Cn-CnT(Cn+μK-1)-1Cn；(6)利用图正则矩阵G,使用更新迭代的方法计算系数表示矩阵W：(6a)初始化系数表示矩阵W和伪标签矩阵H为元素值符合高斯分布的随机矩阵，初始化与W有关联的中间变量U为单位矩阵；(6b)设置最大更新迭代次数为150，并设置当前迭代次数为k＝0；(6c)利用中间变量U的更新公式计算当前迭代k下的中间变量矩阵U(k),其中：是W的行向量的l2范数，uii是U中第i行第i列元素；(6d)利用伪标签矩阵变量H的更新公式计算当前迭代下的伪标签矩阵H(k)，其中：hij是H中第i行第j列元素，G+＝(|G|+G)/2，G-＝(|G|-G)/2，λ称为自由参数，取值范围是108～1012，β称为约束项平衡参数，取值范围是10-2～103；(6e)利用系数表示矩阵变量W的更新公式计算当前迭代下的系数表示矩阵W(k)，其中：wij是W中第i行第j列元素，α称为回归项平衡参数，取值范围是0.1～3；(7)判断当前迭代次数k是否大于等于最大迭代次数，若是，输出最终的系数表示矩阵W，执行(8)，否则，令k＝k+1，返回步骤(6c)；(8)完成整个波段选择过程：(8a)计算每个波段的评分结果pi；(8b)计算所有波段的评分集合||W||2,1；(8c)选择评分靠前的一批波段组合成新的数据矩阵X*，完成波段选择。本专利技术与现有技术相比，具有以下优点：第一，本专利技术使用回归学习框架，通过更新迭代的方法得到关键的表示系数矩阵，克服了现有技术缺乏统一框架导致误差递进累积的缺点，能选出更具有代表性的波段。第二，本专利技术利用核判别分析和图谱理论，计算得到了同时包含数据判别信息和流形信息的图正则矩阵，克服了现有技术未能充分利用数据全局流形信息的问题，提高了波段选择的准确性。附图说明图1是本专利技术的实现流程图；图2是本专利技术与现有波段选择方法的分类精度对比图；图3是本专利技术与现有波段选择方法的分类成像效果对比图。具体实施方式下面结合附图对本专利技术实施例和效果做进一步的描述。参照图1，本专利技术的实现步骤依次包括：高光谱数据的二维归一化处理、构建核函数、构建高维空间下的线性判别表达式、计算图正则矩阵、计算系数表示矩阵、计算波段评分、生成新的高光谱图像。下面对这些步骤做具体介绍：步骤1，输入高光谱图像并转化为二维数据矩阵。在本专利技术实施例中，输入的高光谱图像为经典的IndianPines。该图像为一个三维矩阵：I∈Rp×q×m，其中p×q表示该图像的像素点数目，m表示波段数目；为了便于后续处理，把p×q个像素点的矩阵重新排列成n行的像素点向量，从而把三维矩阵转化为二维本文档来自技高网...

【技术保护点】
一种基于判别信息和流形信息的高光谱图像波段选择方法，包括如下步骤：(1)输入高光谱图像I并将其转化为二维数据矩阵Y；(2)对二维数据矩阵Y做归一化处理，得到原始空间中归一化的二维数据矩阵X；(3)使用映射函数φ把原始空间中的二维数据矩阵X表示为高维线性可分空间中对应的形式，并使用核技巧方法构建能表达该形式的核函数K；(4)计算高维空间下数据的总散度矩阵

【技术特征摘要】
1.一种基于判别信息和流形信息的高光谱图像波段选择方法，包括如下步骤：(1)输入高光谱图像I并将其转化为二维数据矩阵Y；(2)对二维数据矩阵Y做归一化处理，得到原始空间中归一化的二维数据矩阵X；(3)使用映射函数φ把原始空间中的二维数据矩阵X表示为高维线性可分空间中对应的形式，并使用核技巧方法构建能表达该形式的核函数K；(4)计算高维空间下数据的总散度矩阵和类内散度矩阵并将其散度矩阵代入标准线性判别模型中，得到高维空间下的线性判别表达式其中：μ是不等于0的判别参数，In是单位矩阵，n是数据集中的样本数量，tr(·)是矩阵的秩，(·)-1是矩阵的逆；(5)计算一个同时包含数据判别信息和流形信息的图正则矩阵G：(5a)通过一个常数表达式tr(HTCnH)对步骤(4)得到的线性判别表达式做等价变换，得到线性判别表达式的初次等价变换式：其中：Cn是置中心矩阵，H是伪标签矩阵，矩阵(·)T是(·)的转置矩阵；(5b)使用核函数K对初次等价变换式再进一步等价变换，得到线性判别表达式的最终等价变换式：tr(HT(Cn-CnT(Cn+μK-1)-1Cn)H)；(5c)根据流形学习理论，计算出等价变换后的线性判别表达式中同时带有判别信息和流形信息的图正则矩阵：G＝Cn-CnT(Cn+μK-1)-1Cn；(6)利用图正则矩阵G,使用更新迭代的方法计算系数表示矩阵W：(6a)初始化系数表示矩阵W和伪标签矩阵H为元素值符合高斯分布的随机矩阵，初始化与W有关联的中间变量U为单位矩阵；(6b)设置最大更新迭代次数为150，并设置当前迭代次数为k＝0；(6c)利用中间变量U的更新公式计算当前迭代k下的中间变量矩阵U(k),其中：是W的行向量的l2范数，uii是U中第i行第i列元素；(6d)利用伪标签矩阵变量H的更新公式计算当前迭代下的伪标签矩阵H(k)，其中：hij是H中第i行第j列元素，G+＝(|G|+G)/2，G-＝(|G|-G)/2，λ称为自由参数，取值范围是108～1012，β称为约束项平衡参数，取值范围是10-2～103；(6e)利用系数表示矩阵变量W的更新公式计算当前迭代下的系数表示矩阵W(k)，其中：wij是W中第i行第j列元素，α称为回归项平衡参数，取值范围是0.1～3；(7)判断当前迭代次数k是否大于等于最大迭代次数，若是，输出最终的系数表示矩阵W，执行(8)，否则，令k＝k+1，返回步骤(6c)；(8)完成整个波段选择过程：(8a)计算每个波...

【专利技术属性】
技术研发人员：尚荣华，刘驰旸，焦李成，王蓉芳，马文萍，王爽，侯彪，刘红英，
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