一种新的基于粗集的高光谱遥感数据的降维方法技术

本发明专利技术涉及一种新的基于粗集的高光谱遥感数据的降维方法，所述方法包括以下步骤：对原始的高光谱遥感影像预处理，剔除噪声干扰波段，预选地物类型，确定其拓扑结构；粗集约简，使用粗集方法去除冗余波段，保留重要波段；信息熵排序，根据信息熵对重要波段进行重要度排序，筛选出对分类结果影响大的波段组合；通过筛选出的波段组合与PCA方法进行分类精度比较，验证降维效果。其优点表现在：可以实现高光谱有效的降维，减少高光谱数据的存储量和传输量，利于高光谱图像的后续处理与分析。

【技术实现步骤摘要】
一种新的基于粗集的高光谱遥感数据的降维方法
本专利技术涉及高光谱数据的降维方法
，具体地说，是一种新的基于粗集的高光谱遥感数据的降维方法。
技术介绍
随着遥感技术的飞速发展，新型遥感图像的分辨率，如：光谱分辨率、空间分辨率和时间分辨率在不断提高，提供了关于地物更为细致的光谱信息。但同时，也导致了高光谱图像数据的存储和传输的数据量大大增加，使得人工判读变得费时费力，而且还会影响分类效果变差。如何在保留用于地物识别与分类的重要信息的前提下，实现对高光谱冗余数据的有效处理具有挑战性。主分量分析(PCA)是经典的高光谱数据降维处理方法。该方法不仅能够去除高光谱图像波段间的二阶相关性,而且能够将主要的能量集中于前几个主成分,因此可以通过保留PCA的前几个特征值大的主分量实现高光谱数据的降维。作者余婷等公开文献“改进PCA降维算法及其在多元质量控制中的应用”，设计出一种改进的PCA算法，用于处理存在相关性的数据降维问题。文献作者甘玲等基于PCA降维的多特征级联的行人检测，利用PCA对HOG特征进行降维，其次将HOG特征和Gabor特征、颜色特征级联作为行人检测的特征，最后使用SVM的径向基(RBF)核函数进行分类。作者臧卓等公开的文献“利用PCA算法进行乔木树种高光谱数据降维与分类”，利用主成分分析法分别对乔木树种高光谱反射率原始数据及3种预处理数据进行降维运算，再使用SVM-RBF、SVM-Linear、BP、Fisher4种分类算法，对降维后的数据进行分类测试。独立分量分析(ICA)着眼于数据间的高阶统计特性，使得变换后的各分量之间不仅互不相关，且还尽可能的统计独立。因此基于高阶统计特性分析的ICA方法能更全面揭示数据间的本质结构，对于处理非高斯信号特别是图像数据而言具有独特的优势。作者王一帆等公开的文献“基于PCA和ICA的多光谱数据降维方法”，提出了一种结合主成分分析(PCA)和独立成分分析(ICA)的多光谱数据降维方法，实现了用低维基向量的线性组合来表示高维的光谱数据。作者聂斌等公开的文献“基于ISOMAP降维的复杂轮廓异常点识别方法”，以高维复杂轮廓为研究对象，建立非参数轮廓矩阵模型，将基于测地距离的ISOMAP非线性降维技术与χ～2控制图相结合，提出新的轮廓异常点识别方法，以实现高维复杂轮廓异常点的准确识别。作者罗涟玲等公开的文献“遥感图像林型纹理特征的ICA与SVM分类”，提出了进行独立成分分析ICA降维，通过计算灰度共生矩阵获取纹理特征，使用SVM分类，研究林地类型的快速分类方法。最小噪声分离变换(MNF)工具用于判定图像数据内在的维数(即波段数)，分离数据中的噪声，减少随后处理中的计算需求量，MNF本质上是两次层叠的主成分变换。汤媛媛等作者公开的文献“基于CPU/GPU异构模式的高光谱遥感影像数据处理研究与实现”，基于CPU/GPU异构模式实现了高光谱遥感影像MNF降维的并行化，通过与串行程序和共享存储的OpenMP同构模式对比，验证了异构模式在高光谱遥感处理领域的发展潜力。作者柳萍萍等公开的文献“高光谱数据的降维处理方法研究”，波段选择之前进行子空间划分，剔除相关性大的波段，再通过MNF变换后高光谱数据的有效端元数可为图像的进一步分析和应用提供参考。作者张晶晶等公开的文献“一种改进的大尺度高光谱流形降维算法”，提出了一种基于增量等距映射(IISOMAP)和LLE结合的高光谱流形降维算法IISOMAP-LLE，并针对流形降维算法较线性降维算法最小噪声分离(MNF)可以更好地发掘出高光谱数据中的非线性结构的优点，通过AVIRIS和OMIS-II数据实验验证了算法的可行性和优越性。上述文献分别从不同的方高光谱数据进行降维处理，但是如何在保留用于地物识别与分类的重要信息的前提下，实现对高光谱冗余数据的有效处理具有挑战性。综上所述亟需一种基于粗集(RoughSet)和信息熵的面向分析的高光谱图像降维和压缩方法，可以实现高光谱有效的降维，减少高光谱数据的存储量和传输量，利于高光谱图像的后续处理与分析。而这种方法目前还未见报道。
技术实现思路
本专利技术的目的是针对现有技术中的不足，提供一一种基于粗集(RoughSet)和信息熵的面向分析的高光谱图像降维和压缩方法，可以实现高光谱有效的降维，减少高光谱数据的存储量和传输量，利于高光谱图像的后续处理与分析。为实现上述目的，本专利技术采取的技术方案是：一种新的基于粗集的高光谱遥感数据的降维方法，所述方法包括以下步骤：步骤S1：对原始的高光谱遥感影像预处理，剔除噪声干扰波段，预选地物类型，确定其拓扑结构；步骤S2：粗集约简，使用粗集方法去除冗余波段，保留重要波段；步骤S3：信息熵排序，根据信息熵对步骤S2中的重要波段进行重要度排序，筛选出对分类结果影响大的波段组合；步骤S4：通过筛选出的波段组合与PCA方法进行分类精度比较，验证降维效果。作为一种优选的技术方案，步骤S1中的预选地物类型包括水体、裸岩、植被和建筑物。作为一种优选的技术方案，步骤S2中通过差别矩阵获得重要波段和冗余波段。作为一种优选的技术方案，步骤S4中采用PCA方法所述的波段为步骤S1中去噪后所获得的波段。作为一种优选的技术方案，步骤S4中分类精度比较需要进行时间效率的比较，其时间效率的比较包括最大似然、最小距离、平行六面体、马氏距离、二进制编码、支持向量机。作为一种优选的技术方案，步骤S4中是通过混淆矩阵得到分类后的精度。作为一种优选的技术方案，，步骤S2中的粗集约简的定义方法如下：设S＝(U，A，V，f)为一个决策表，其中：U是论域，为一个非空有限对象集，A是非空有限对象的属性集合，A＝C∪D，C，D各自表示的是条件属性与决策属性；V＝∪a∈AVa是属性值，Va是属性a的值域；f：U×A→V称为信息函数，是每个对象的每个属性给予一个信息值；f表示的是根据确定的论域和属性，得到对应的属性值。对于决策表S＝(U，A，V，f)，C与D是定义在U上的两个等价关系，D的C正域记作POSC(D)＝∪X∈U/DC_(X)，若POSC(D)＝POS(C-{b})(D)，则称属性b为C中是冗余的，反之，称b为C中是必要的；若C中所有的属性是必要的，则称C是独立的；若C的D独立子集有POSC′(D)＝POSC(D)，则称C′为C的一个约简，C的所有约简构成的关系族记为redC(D)；C中所有约简的交集称为C的D核，即：coreD(C)＝∩redD(C)。作为一种优选的技术方案，步骤S3中的信息熵的定义方法如下：设U表示的是一个信息系统的论域，若决策属性D将论域区分为m个不同类型；对于某个Di，i∈[1，2，...，m]，其包括元素个数记为di，任意一个对象属于Di的概率为di/|U|；考虑条件属性C，对于任意a∈C，若属性a的取值为a1，a2，…，an，它将论域U分为v份{u1，u2，...，uv}；其中，uj包含属性a取同一值aj的数据行；uj包含uij个Di数据对象；根据属性a的取值对当前数据进行划分所获得的信息就称为属性a的熵；其计算公式为：从公式得知，H(a)的实质是属性a关于决策属性D的条件熵，即H(a)＝H(D|a)；属性a的信息增益定义是Gain(a)＝H(D)-H(a)；它代表的是根据决策属性本文档来自技高网...

【技术保护点】
一种新的基于粗集的高光谱遥感数据的降维方法，其特征在于，所述方法包括以下步骤：步骤S1：对原始的高光谱遥感影像预处理，剔除噪声干扰波段，预选地物类型，确定其拓扑结构；步骤S2：粗集约简，使用粗集方法去除冗余波段，保留重要波段；步骤S3：信息熵排序，根据信息熵对步骤S2中的重要波段进行重要度排序，筛选出对分类结果影响大的波段组合；步骤S4：通过筛选出的波段组合与PCA方法进行分类精度比较，验证降维效果。

【技术特征摘要】
1.一种新的基于粗集的高光谱遥感数据的降维方法，其特征在于，所述方法包括以下步骤：步骤S1：对原始的高光谱遥感影像预处理，剔除噪声干扰波段，预选地物类型，确定其拓扑结构；步骤S2：粗集约简，使用粗集方法去除冗余波段，保留重要波段；步骤S3：信息熵排序，根据信息熵对步骤S2中的重要波段进行重要度排序，筛选出对分类结果影响大的波段组合；步骤S4：通过筛选出的波段组合与PCA方法进行分类精度比较，验证降维效果。2.根据权利要求1所述的基于粗集的高光谱遥感数据的降维方法，其特征在于，步骤S1中的预选地物类型包括水体、裸岩、植被和建筑物。3.根据权利要求1所述的基于粗集的高光谱遥感数据的降维方法，其特征在于，步骤S2中通过差别矩阵获得重要波段和冗余波段。4.根据权利要求1所述的基于粗集的高光谱遥感数据的降维方法，其特征在于，步骤S4中采用PCA方法所述的波段为步骤S1中去噪后所获得的波段。5.根据权利要求1所述的基于粗集的高光谱遥感数据的降维方法，其特征在于，步骤S4中分类精度比较需要进行时间效率的比较，其时间效率的比较包括最大似然、最小距离、平行六面体、马氏距离、二进制编码、支持向量机。6.根据权利要求1所述的基于粗集的高光谱遥感数据的降维方法，其特征在于，步骤S4中是通过混淆矩阵得到分类后的精度。7.根据权利要求1所述的基于粗集的高光谱遥感数据的降维方法，其特征在于，步骤S2中的粗集约简的定义方法如下：设S＝(U，A，V，f)为一个决策表，其中：U是论域，为一个非空有限对象集，A是非空有限对象的属性集合，A＝C∪D，C，D各自表示的是条件属性与决策属性；V＝∪a∈AVa是属性值，Va是属性a的值域；f：U×A→V称为信息函数，是每个对象的每个属性给予一个信息值；f表示的是根据确定的论域和属性，得到对应的属性值。对于决策表S＝(U，A，V，f)，C与D是定义在U上的两个等价关系，D的C正域记作POSC(D)＝∪X∈U/DC_(X)，若POSC(D)＝POS(C-{b})(D)，则称属性b为C中是冗余的，反之，称b为C中是必要的；若C中所有的属性是必...

【专利技术属性】
技术研发人员：黄冬梅，王振华，梁素玲，王丽琳，郑小罗，孙婧琦，徐首珏，
申请(专利权)人：上海海洋大学，
类型：发明
国别省市：上海,31