A K-means hyperspectral image band clustering method based on mutual information is proposed. Clustering centers are selected by means of average mutual information among bands and added to K-means clustering iteration, including calculation of average mutual information, determination of clustering centers, selection, classification and evaluation of representative band combinations. By calculating the average mutual information between the interior and exterior bands, bands are directly selected as clustering centers and added to the clustering iteration. K-means clustering is used to complete the clustering process of bands, so that the bands are clustered around the bands with representative and rich image information, and the bands of clustering centers are taken as the optimal band combination. The present invention not only retains the spectral information of hyperspectral images, but also obtains higher image classification accuracy.
【技术实现步骤摘要】
基于互信息的K均值高光谱图像波段聚类方法
本专利技术属于遥感图像处理领域，主要涉及的是一种对高光谱遥感图像非监督的波段选择的方法，可应用于高光谱图像数据的降维，分类和目标识别等领域。
技术介绍
随着光谱成像仪的发展，高光谱遥感技术已成为遥感领域的热点之一。高光谱图像是指在可见光到红外光的光谱范围内已较高的光谱分辨率获得目标地物的连续光谱图像。正因为其丰富的光谱信息，高光谱遥感已广泛应用于环境监测、目标识别和地物分类等方面。然而，高光谱图像丰富的光谱信息是以较高的数据维和较大的数据量为代价的，会造成存储和计算效率的下降。在对高光谱图像进行分类等应用时，随着数据维数的增加，甚至会产生严重的Hughes现象(随着数据维数的增加，分类精度出现下降的现象)。针对上述问题，如何在尽量不损失数据信息的前提下进行高光谱数据降维是一个亟待解决的问题。解决这个问题主要包括两种方式，第一种是基于变换的特征提取，这类方法通过对高维数据进行变换，将高维数据降至低维甚至一维。虽然这类方法速度较快，但改变了数据的原始特征和语义信息，如主成分分析(PrincipleComponentAnalys...
【技术保护点】
1.一种基于互信息的K均值高光谱图像波段聚类方法，其特征在于，通过波段间的平均互信息选取聚类中心加入到K均值聚类迭代中，所述方法包括如下步骤：1)利用MATLAB中multibandread()函数读取去噪和量化后的高光谱图像{B1,…,Bl,…BL}，确定需要选择的波段数目k；2)将连续光谱空间上的波段均匀分成k个区间，以此作为聚类的初始分类；3)在相同的波段分类内，计算每个波段的类内平均互信息与类外平均互信息的商b；4)对所有波段类别，取该聚类波段中b最大的波段为当前类别的聚类中心；5)计算每一个波段与各聚类中心的相似程度，确定其归类；6)若此次迭代未改变聚类结果，则结...
【技术特征摘要】
1.一种基于互信息的K均值高光谱图像波段聚类方法，其特征在于，通过波段间的平均互信息选取聚类中心加入到K均值聚类迭代中，所述方法包括如下步骤：1)利用MATLAB中multibandread()函数读取去噪和量化后的高光谱图像{B1,…,Bl,…BL}，确定需要选择的波段数目k；2)将连续光谱空间上的波段均匀分成k个区间，以此作为聚类的初始分类；3)在相同的波段分类内，计算每个波段的类内平均互信息与类外平均互信息的商b；4)对所有波段类别，取该聚类波段中b最大的波段为当前类别的聚类中心；5)计算每一个波段与各聚类中心的相似程度，确定其归类；6)若此次迭代未改变聚类结果，则结束迭代，进入步骤7)；否则转到步骤2)；7)输出包含信息量多且有代表性的波段组合。2.如权利要求1所述的一种基于互信息的K均值高光谱图像波段聚类方法，其特征在于，所述步骤2)中，对于K均值算法初始距离中心的选择，通过在连续光谱空间上对波段进行均匀划分的方法来确定聚类的初始分类。3.如权利要求1或2所述的一种基于互信息的K均值高光谱图像波段聚类方法，其特征在于，所述步骤3)和步骤4)中，当获得了图像中任意像素点亮度值的概率密度函数后，图像的信息熵如下其中，i表示图像中第i个像素，xi为第i个像素的亮度值，p(xi)为该亮度值的概率，N为图像中像素个数；现在考虑随机变量X和Y，设它们的概率密度函数分别为p(x)和p(y)，联合概率密度函数为p(x,y)，则这两个随机变量间的互信息表示为其中，ΩX,ΩY分别为随机变量的范围区间，x,y为ΩX,ΩY内可能出现的值。若随机变量x,y为离散时，对应的互信息可变换为其中，ΩX,ΩY分别为随机变量的全体可能值构成的集合，x,y为ΩX,ΩY内可能出现的值；对于高光谱图像，每一个波段均可以看成一个包含若干个可能值的随机变量，其中对应的亮度值即为该随机变量的可能值；因此，对于高光谱图...
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。