一种基于子空间的高光谱图像波段选择方法技术

本发明专利技术提出一种基于子空间的高光谱图像波段选择方法，涉及一种高光谱波段选择方法。该方法将最大椭球体积波段选择算法与序贯前向算法结合起来，对高光谱数据进行波段选择，同时利用矩阵子空间的特点以及迭代思想来降低运算过程中矩阵协方差以及求逆的运算复杂度，缩短计算时间，从而达到对波段选择算法的优化。优化。优化。

【技术实现步骤摘要】
一种基于子空间的高光谱图像波段选择方法


[0001]本专利技术属于图像处理
，特别涉及一种将最大椭球体积波段选择算法(maximum ellipsoid volume，MEV)与序贯前向算法(sequential forward selection，SFS)结合起来进行高光谱波段选择，并利用矩阵子空间及迭代思想来降低计算复杂度的波段选择方法。

技术介绍

[0002]高光谱图像数据是利用在一定电磁波波长范围内，通过多个不同波长光谱反射带获取的图像数据集，且在每个像元处可以提取一条完整的光谱曲线，其光谱分辨路可达纳米数量级，因此具有丰富的细节信息。而高光谱图像数据处理存在着很多问题，分别从以下三个方面进行分析。首先，高光谱图像的数据量是普通图像的几百倍，而有些处理算法的计算复杂度是随数据大小呈指数增长。其次，由于高光谱图像的光谱分辨率极高，使得其数据量极大并且相邻波段间的相关性极高。最后，根据休斯现象(Hughes phenomenon)的描述，在利用机器学习算法进行分类时，在固定数量的训练样本中，分类器的分类精度会随着所使用数据的维度上升而先上升再下降，也称为“维度灾难”。因此，降维技术对高光谱的数据处理显得尤为重要。
[0003]高光谱图像的降维方法一般分为两类，一类是基于特征提取的方法，例如主成分分析方法((principal component analysis，PCA)、独立成分分析(independent component analysis，ICA)，线性判别分析(linear discriminative analysis，LDA)以及近年来出现的基于深度学习的算法。这类降维方法的基础思想是通过映射的方法将原始特征映射到新的特征空间中，因此可有效的提取高光谱图像的重要信息，并且达到降维的目的。但这类方法破坏了原始的物理信息，即经过映射得到的新特征不能很好的反映原始图像的光谱信息，没有实际物理意义。另外一种降维方法是基于特征选择的，又称波段选择方法，即从原始的特征集中选择一个最优的特征子集来表征原始数据。这类方法主要有最大方差主成分分析(maximum variance principal component analysis，MVPCA)，基于体积梯度的快速波段选择(volume
‑
gradient based band selection，VGBS)，基于线性预测的波段选择(linear prediction based band selection，LPBS)，基于信息散度的波段选择(information divergence based band selection，IDBS)，以及经典的最佳指数法(optimal index factor，OIF)。这类算法可以有效的保留原始数据的物理意义，同时也更有利于图像的储存和传输工作。
[0004]传统波段选择方法最大椭球体积波段选择算法(maximum ellipsoid volume，MEV)，主要思想是选择的波段子集既具有较低的相关性，又具有较高的信息量。由于在高光谱图像的特征空间中方差等于波段协方差矩阵的特征值，那么波段子集搜索时应该以协方差矩阵的特征值的组合为评价指标。MEV采用以特征值的乘积作为评判标准，其合理性在于使得波段子集在保证有足够大方差的情况下，降低了波段子集的相关性。但MEV算法在拥有几百个波段的高光谱图像数据中时计算复杂度非常高，几乎不可能完成。

技术实现思路

[0005]本专利技术的目的是提供一种基于子空间的高光谱图像波段选择方法，其基于子空间优化的高光谱图像波段选择算法(subspace based band selection，SSBS)，利用矩阵子空间来简化协方差矩阵计算的基于最大椭球体积的序贯前向搜索(sequential forward selection
‑
maximum ellipsoid volume，SFS
‑
MEV)进行波段选择，克服了传统MEV方法计算复杂度高的不足。
[0006]本专利技术采用的技术方案为：
[0007]一种基于子空间的高光谱图像波段选择方法，将最大椭球体积波段选择方法与序贯前向方法结合起来进行波段选择。
[0008]一种基于子空间的高光谱图像波段选择方法，包括以下步骤：
[0009](1)获取原数据X＝[x1,x2,......,x
L
]，其中x
i
代表第i个波段对应的光谱图像，一共有L个波段，波段选择数目为n；
[0010](2)对X中的每个波段去均值，设置待选择波段集C＝X，目标波段子集
[0011](3)对于C中的第i个波段，计算将其加入S后所得S的矩阵协方差行列式det(S
T
S)，1≤i≤L
‑
k，k为目标波段子集S中的波段数目；对于C中所有L
‑
k个波段，选取对应det(S
T
S)最大的波段作为最优波段，将最优波段加入S中，并将其从C中删除；循环此步骤，循环条件为k<n；
[0012](4)步骤(3)循环结束后，输出最终的目标波段子集S，完成波段选择。
[0013]进一步的，步骤(3)中，矩阵协方差行列式det(S
T
S)的计算方式为：
[0014]循环初始，对所有波段计算协方差，生成索引矩阵MAXC；
[0015]循环过程中，通过索引MAXC重构任意波段子集的协方差矩阵；具体方式为：
[0016]根据矩阵行列式计算理论，得到其中，每次循环都是在上一次循环的基础上增加一个波段，第k+1次循环中，计算行列式det(B
k+1
)时，det(B
k
)已知，即为上次循环的结果，则第k+1次循环只需计算对于矩阵逆由矩阵求逆理论得：
[0017]其中，
[0018]在新一轮的循环中，通过上式求出此轮循环对应的逆，从而降低计算复杂度。
[0019]本专利技术的有益效果是：
[0020]1、本专利技术提出了一种基于子空间的高光谱图像波段选择方法(以下简称SSBS)，其将MEV与SFS结合起来进行波段选择，同时利用矩阵子空间的特点以及迭代思想，避免了重复计算矩阵的协方差、行列式以及逆。
[0021]2、本专利技术有效降低了计算复杂度，缩短计算时间。并且，对于分类任务，SSBS可以用更少的处理时间获取较高的分类任务精度，是一种有效而快速的波段选择方法。
附图说明
[0022]图1为本专利技术实施例方法的流程图。
[0023]图2为本专利技术方法与现有技术的计算复杂度随总波段数理论变化趋势图。
[0024]图3为本专利技术方法与现有技术的计算复杂度降低倍数随总波段数理论变化趋势图。
[0025]图4为本专利技术方法与现有技术的计算复杂度随目标波段数理论变化趋势图。
[0026]图5为本专利技术方法与现有技术的计算复杂度降低倍数随目标波本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于子空间的高光谱图像波段选择方法，其特征在于，将最大椭球体积波段选择方法与序贯前向方法结合起来进行波段选择。2.一种基于子空间的高光谱图像波段选择方法，其特征在于，包括以下步骤：(1)获取原数据X＝[x1,x2,......,x
L
]，其中x
i
代表第i个波段对应的光谱图像，一共有L个波段，波段选择数目为n；(2)对X中的每个波段去均值，设置待选择波段集C＝X，目标波段子集(3)对于C中的第i个波段，计算将其加入S后所得S的矩阵协方差行列式det(S
T
S)，1≤i≤L
‑
k，k为目标波段子集S中的波段数目；对于C中所有L
‑
k个波段，选取对应det(S
T
S)最大的波段作为最优波段，将最优波段加入S中，并...

【专利技术属性】
技术研发人员：聂普璇，孙康，耿虎军，陈金勇，高峰，李娜，王港，李方方，
申请(专利权)人：中国电子科技集团公司第五十四研究所，
类型：发明
国别省市：