基于多模态融合的光谱波段选择方法技术

本发明专利技术公开了一种基于多模态融合的光谱波段选择方法，包括如下步骤：接收高光谱图像样本和类别标记信息；融合多个空间邻域内的空间特征和纹理特征，利用波段的相关性度量准则对所有波段按相关性排序，得到波段序列1；分别基于相关性矩阵中每行的最大值、平均值和方差值对所有波段进行排列，得到波段序列2～4；对每个波段在上述四个波段序列中的排序序号加权求和，获得每个波段的最终排序序号；将最终排序序号靠前的n个波段作为选择波段。该基于多模态融合的光谱波段选择方法同时考虑丰富的多模态信息，采用有监督策略计算波段相关性，不仅考虑了波段的优先性，还考虑了被选波段之间的冗余性，能够得到更利于高光谱图像进行分类的光谱波段。

【技术实现步骤摘要】
基于多模态融合的光谱波段选择方法
本专利技术涉及高光谱图像处理领域，特别提供了一种基于多模态融合的光谱波段选择方法。
技术介绍
高光谱遥感图像具有纹理、相关性以及光谱等多种模态信息，其中，丰富的光谱信息能够反映出区分不同物质的诊断性光谱特征，使得高光谱遥感可以探测到更多的地物信息，极大提高了人类对客观世界的认知能力。目前的研究中更多的是选择相关的度量函数作为光谱排序的度量准则，然后基于度量函数对光谱信息进行排序，其中，基于光谱排序的波段选择仅仅考虑给定任务的波段优先性，往往忽略了选择波段之间可能的冗余性，关于冗余性的问题，目前去除冗余波段的方法是把排序后的某个波段和其它所有波段之间的最大相关性作为冗余波段去除作为标准，这往往又会导致一些更高优先级的波段被低优先级的波段所替代，且没有对波段优先级和波段冗余性之间的权衡给出相关的标准。还有的部分波段选择算法将分类精度作为目标函数，确定评价函数后，需要采取有效的搜索策略来保证波段选择精度，目前普遍采用的是顺序前向选择法，针对顺序前向选择法不是全局搜索的缺陷，波段选择算法中引入了更加复杂的搜索策略。王立国等人把蜂群算法应用到波段选择上，Gao等人将粒子群优化算法应用到波段选择方法中，此外，波段聚类和稀疏非负矩阵分解聚类等技术的引入也有利于波段选择精度的提高。综上所述，现有的公知技术不能全面的考虑光谱波段之间的相关性和冗余性之间的权衡标准，不能很好地选择出更有利于高光谱图像进行分类的有用信息更大的波段。
技术实现思路
鉴于此，本专利技术的目的在于提供一种基于多模态融合的光谱波段选择方法，以解决现有光谱波段选择方法不能全面的考虑光谱波段之间的相关性和冗余性之间的权衡标准，不能很好地选择出更有利于高光谱图像进行分类的有用信息更大的波段问题。本专利技术提供的技术方案是：一种基于多模态融合的光谱波段选择方法，包括如下步骤：S1、接收高光谱图像样本和样本的类别标记信息；S2、融合多个空间邻域内的空间特征和纹理特征，利用波段的相关性度量准则对所有波段按相关性由低到高进行排序，得到波段序列1；S3、按照波段序列1调整所有接收到的高光谱图像样本并转换成一个二维反射率矩阵，利用所述二维反射率矩阵计算波段之间的相关性矩阵，分别基于相关性矩阵中每行的最大值、平均值和方差值对所有波段进行排列，得到波段序列2、波段序列3和波段序列4，其中，基于最大值排序的，最大值越小，波段顺序越靠前，基于平均值排序的，平均值越小，波段顺序越靠前，基于方差值排序的，方差值越大，波段顺序越靠前；S4、对每个波段在上述四个波段序列中的排序序号加权求和，获得每个波段的最终排序序号；S5、选择最终排序序号靠前的n个波段作为选择波段，其中，n取分类正确率趋于稳定时的最小波段数。优选，所述S2具体包括如下步骤：S201、首先利用LBP算子提取每个样本在每个邻域下的每个波段下的局部纹理特征，其中，类别标记为c的第j个样本在Ω邻域下的波段b处的局部纹理特征按照公式(1)进行计算样本vj在不同波段有不同的反射率，公式(1)中，vb,j表示该样本vj在波段b处的反射率，Ω为样本vj的局部邻域，m为样本vj在Ω邻域最外圈的的邻居样本个数；S202、利用公式(2)计算每个类别下所有样本在每个邻域下的每个波段下的局部纹理特征，并组成纹理特征向量，其中，类别标记为c的所有样本在Ω邻域下的波段b处的局部纹理特征按照公式(2)进行计算其中，Nc表示类别标记为c的样本个数；类别标记为c的所有样本在波段b处的纹理特征向量用表示，其中，Ωk表示第k个邻域，k表示邻域的个数；S203、对于每个波段，利用余弦度量方法，计算任意两个类别之间的相关系数ρ，统计波段在任意两类间的相关系数计算出新的波段相关性度量准则ξ，其中，波段b在类别cx和cy之间的相关系数ρ通过公式(3)计算，波段相关性度量准则ξb通过公式(4)计算S204、对S203中得到的所有波段的相关性ξ进行排序，相关性最低的即为被选优先级高的波段，排列在序列的最前面，最终得到波段序列1。进一步优选，所述S3具体包括如下步骤：S301、按照波段序列1，对所有标记样本的波段重新排列，得到二维反射率矩阵为V∈RB*M，其中，B为波段数，M为带类别标记信息的样本数，矩阵V中的每个元素vb,m表示第m个样本在第b个波段的反射率；S302、利用所述二维反射率矩阵V计算所有波段的相关性矩阵D∈RB*B，其中相关性矩阵D中的每个元素表示波段i和波段j之间的相关性；S303、分别基于相关性矩阵D中每行的最大值、平均值和方差值对所有波段进行排列，得到波段序列2、波段序列3和波段序列4，其中，基于最大值排序的，最大值越小，波段顺序越靠前，基于平均值排序的，平均值越小，波段顺序越靠前，基于方差值排序的，方差值越大，波段顺序越靠前。进一步优选，所述S4具体如下：通过公式(5)计算每个波段的最终排序序号其中，表示波段b在第r个序列中的位置序号，wr表示第r个序列在所有序列中所占的权重值。本专利技术提供的基于多模态融合的光谱波段选择方法，结合了空间邻域信息、纹理特征来计算不同类别之间相同波段的相关性，并根据上述相关性的高低对所有波段进行排序；通过相关性矩阵，计算相关性矩阵中每行的最大值、平均值及方差值，然后分别基于最大值，平均值和方差值对所有波段重新排序，至此，共得到4个排序序列，之后通过对每个波段在上述四个波段序列中的排序序号加权求和，可以获得各个波段的最终排序序号，最后根据需要，选择序号靠前的n个波段作为选择波段，将后面的波段去除，即完成了对波段的有效选择。本专利技术提供的基于多模态融合的光谱波段选择方法，同时考虑丰富的多模态信息，采用有监督策略计算波段相关性，不仅考虑了波段的优先性，还考虑了被选波段之间的冗余性，利用波段间的相关性分布来去除冗余波段，得到更利于高光谱图像进行分类的光谱波段。附图说明下面结合附图及实施方式对本专利技术作进一步详细的说明：图1为基于多模态融合的光谱波段选择方法的流程图；图2为步骤2的具体流程图；图3为步骤3的具体流程图。具体实施方式下面将结合具体的实施方案对本专利技术进行进一步的解释，但并不局限本专利技术。如图1所示，本专利技术提供了一种基于多模态融合的光谱波段选择方法，包括如下步骤：S1、接收高光谱图像样本和样本的类别标记信息；S2、融合多个空间邻域内的空间特征和纹理特征，利用波段的相关性度量准则对所有波段按相关性由低到高进行排序，得到波段序列1；S3、按照波段序列1调整所有接收到的高光谱图像样本并转换成一个二维反射率矩阵，利用所述二维反射率矩阵计算波段之间的相关性矩阵，分别基于相关性矩阵中每行的最大值、平均值和方差值对所有波段进行排列，得到波段序列2、波段序列3和波段序列4，其中，基于最大值排序的，最大值越小，波段顺序越靠前，基于平均值排序的，平均值越小，波段顺序越靠前，基于方差值排序的，方差值越大，波段顺序越靠前；S4、对每个波段在上述四个波段序列中的排序序号加权求和，获得每个波段的最终排序序号；S5、选择最终排序序号靠前的n个波段作为选择波段，其中，n取分类正确率趋于稳定时的最小波段数。该基于多模态融合的光谱波段选择方法，同时考虑丰富的多模态信息，采用有监督策略计算波段相关性，不仅考虑了波段的优先性，还本文档来自技高网...

【技术保护点】
基于多模态融合的光谱波段选择方法，其特征在于，包括如下步骤：S1、接收高光谱图像样本和样本的类别标记信息；S2、融合多个空间邻域内的空间特征和纹理特征，利用波段的相关性度量准则对所有波段按相关性由低到高进行排序，得到波段序列1；S3、按照波段序列1调整所有接收到的高光谱图像样本并转换成一个二维反射率矩阵，利用所述二维反射率矩阵计算波段之间的相关性矩阵，分别基于相关性矩阵中每行的最大值、平均值和方差值对所有波段进行排列，得到波段序列2、波段序列3和波段序列4，其中，基于最大值排序的，最大值越小，波段顺序越靠前，基于平均值排序的，平均值越小，波段顺序越靠前，基于方差值排序的，方差值越大，波段顺序越靠前；S4、对每个波段在上述四个波段序列中的排序序号加权求和，获得每个波段的最终排序序号；S5、选择最终排序序号靠前的n个波段作为选择波段，其中，n取分类正确率趋于稳定时的最小波段数。

【技术特征摘要】
1.基于多模态融合的光谱波段选择方法，其特征在于，包括如下步骤：S1、接收高光谱图像样本和样本的类别标记信息；S2、融合多个空间邻域内的空间特征和纹理特征，利用波段的相关性度量准则对所有波段按相关性由低到高进行排序，得到波段序列1；S3、按照波段序列1调整所有接收到的高光谱图像样本并转换成一个二维反射率矩阵，利用所述二维反射率矩阵计算波段之间的相关性矩阵，分别基于相关性矩阵中每行的最大值、平均值和方差值对所有波段进行排列，得到波段序列2、波段序列3和波段序列4，其中，基于最大值排序的，最大值越小，波段顺序越靠前，基于平均值排序的，平均值越小，波段顺序越靠前，基于方差值排序的，方差值越大，波段顺序越靠前；S4、对每个波段在上述四个波段序列中的排序序号加权求和，获得每个波段的最终排序序号；S5、选择最终排序序号靠前的n个波段作为选择波段，其中，n取分类正确率趋于稳定时的最小波段数。2.按照权利要求1所述基于多模态融合的光谱波段选择方法，其特征在于：所述S2具体包括如下步骤：S201、首先利用LBP算子提取每个样本在每个邻域下的每个波段下的局部纹理特征，其中，类别标记为c的第j个样本在Ω邻域下的波段b处的局部纹理特征按照公式(1)进行计算样本vj在不同波段有不同的反射率，公式(1)中，vb,j表示该样本vj在波段b处的反射率，Ω为样本vj的局部邻域，m为样本vj在Ω邻域最外圈的的邻居样本个数；S202、利用公式(2)计算每个类别下所有样本在每个邻域下的每个波段下的局部纹理特征，并组成纹理特征向量，其中，类别标记为c的所有样本在Ω邻域下的波段b处的局部纹理特征按照公式(2)进行计算其中，Nc表示类别标记为c的样本个数；类别标记为c的所有样本在波段b处...

【专利技术属性】
技术研发人员：李照奎，黄林，赵亮，王岩，刘翠微，张德园，石祥滨，徐一民，
申请(专利权)人：沈阳航空航天大学，
类型：发明
国别省市：辽宁,21