基于MCL和光谱差异度量的高光谱影像波段选择方法技术

本发明专利技术公开了一种基于MCL和光谱差异度量的高光谱影像波段选择方法，通过计算波段间的相关系数，构建波段间相关性的邻接矩阵，运用马尔可夫聚类自适应地将波段划分为多个聚簇，并基于聚类结果，设计目标类别监督下的波段差异性度量准则，选择出适于目标地物提取的波段集，最后利用监督分类算法，依据训练样本和测试样本确定最优波段数，实现目标地物的最高精度提取。其显著效果是：充分运用波段间邻近相关性和波段索引距离信息，并且考虑了噪声较大波段和坏道零值波段对聚类的影响，提高了波段聚簇划分的准确性和合理性，实现了选择最优波段和目标地物精准识别，具有解决实际问题的优势。势。势。

【技术实现步骤摘要】
基于MCL和光谱差异度量的高光谱影像波段选择方法


[0001]本专利技术涉及到遥感图像处理
，具体涉及一种基于MCL和光谱差异度量的高光谱影像波段选择方法，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

[0002]高光谱影像(Hyperspectral image，HSI)通过大量而窄的电磁波波段获取感兴趣目标的信息。与多光谱影像相比，这些波段能够提供更加丰富的光谱和图像信息，可以更好地描述目标的光谱特征，提高检测和识别能力。因此，高光谱影像被广泛应用于各种研究领域，如精准农业、林业资源调查、水质监测、和生产质量检验等。由于高光谱影像波段宽度较窄且彼此间有重合、信息的冗余度高且波段之间具有较高的相关性，导致占用计算机中较大的存储空间和较长的数据处理时间。且某些波段数据损坏或含有较多的噪声，若被直接用于图像分类中，将会对结果造成一定的影响，而且会出现维数休斯现象，导致分类性能的恶化。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处理高光谱图像的一大挑战。
[0003]降维技术通常可以分为特征提取和波段选择两类。与特征提取方法相比，波段选择能够更好地保存原始波段的光谱等物理信息，对原始数据具有更好的解释和表达能力。根据标记样本是否被利用，波段选择可以分为无监督、监督和半监督的方法。无监督方法通过设定评价准则函数从高光谱波段中选择一个子集，无需使用标记样本。常用的判定标准有方差、信噪比、熵、k阶统计量和欧氏距离等。基于该策略，现有的无监督波段选择方法主要可分为基于排序、搜索、聚类、稀疏、嵌入学习和混合模式的方法。虽然无监督方法选择出的波段集具有低冗余、高信噪比等优势，但具有三个不足：忽略邻近波段的强相关性、未考虑波段数据噪声和坏道等质量问题、不能满足针对特定目标的高精度提取。而监督和半监督方法根据监督信息和先验知识来确定相关波段，由于标签信息可评估类的可分离性，最终可选择对某些类别具有强识别性的波段。显然，监督式方法以分类识别为导向，有利于取得更好的分类性能，但是存在未考虑波段的光谱物理信息、以穷举遍历的方式选择波段效率低下等缺陷。
[0004]鉴于此，本专利技术将非监督聚类和监督分类相结合，注重邻近波段的强相关性，考虑波段数据噪声和坏道等质量问题，设计出针对特定目标地物高精度识别的高光谱影像波段选择方法。

技术实现思路

[0005]针对现有技术的不足，本专利技术的目的是提供一种基于MCL和光谱差异度量的高光谱影像波段选择方法，方法在利用马尔可夫聚类算法(MCL)进行波段聚簇时，嵌入波段间相关性信息和设定噪声坏道波段断点，自适应划分最优波段聚簇子集，并在每个聚簇内，基于目标类别监督下的波段差异性度量评价准则函数，筛选出针对单一地物目标提取的最优波段组合，能够被应用于高光谱遥感影像波段选择、高光谱影像目标地物提取等领域。
[0006]为达到上述目的，本专利技术采用的技术方案如下：
[0007]一种基于MCL和光谱差异度量的高光谱影像波段选择方法，其关键在于包括如下步骤：
[0008]步骤1、对已有的高光谱影像，计算两两波段间的相关系数，获得波段间相关系数矩阵；
[0009]步骤2、基于波段间相关系数矩阵，将波段间索引距离的倒数作为权重，构建波段间相关性的邻接矩阵；
[0010]步骤3、利用马尔可夫聚类算法对波段间相关性的邻接矩阵进行迭代处理，将波段划分为多个聚簇，获得波段聚簇结果；
[0011]步骤4、基于步骤3获得的波段聚簇结果，利用目标类别监督下的光谱差异性度量进行波段选择；
[0012]步骤5、利用监督分类方法，根据训练样本数据和测试样本数据，从步骤4选择出的适宜目标地物提取的波段中确定最优波段数量，找出最适应目标地物提取的波段。
[0013]进一步的，步骤1中所述波段间相关系数的计算公式为：
[0014][0015]其中，R(X
i
,X
j
)为波段X
i
和X
j
的相关系数，Cov(X
i
,X
j
)为波段X
i
和X
j
的协方差，Var[X
i
]为波段X
i
的方差，Var[X
j
]为波段X
j
的方差。
[0016]进一步的，步骤2中所述波段间相关性的邻接矩阵表示为：
[0017][0018]其中，B为波段间相关性的邻接矩阵，P
ij
为第i波段与第j波段的连接概率，R(X
i
,X
j
)为波段X
i
和X
j
的相关系数，L为波段间索引距离的限制值，i∈(1，n)，j∈(1，n)。
[0019]进一步的，步骤3中所述马尔可夫聚类获取波段聚簇结果的步骤为：
[0020]步骤3.1、按照公式对邻接矩阵消除奇偶性依赖，改进后的邻接矩阵B'表示为：
[0021][0022]其中，P
ij
为第i波段与第j波段的连接概率；
[0023]步骤3.2、按照公式标准化邻接矩阵B
′
；
[0024]其中，B
′
ij
∈B'表示位于消除奇偶性依赖的邻接矩阵B'的第i行、第j列的元素，P
′
ij
∈P表示位于标准化邻接矩阵P的第i行、第j列的元素。
[0025]步骤3.3、对标准化后的邻接矩阵进行扩展和膨胀交替操作；
[0026]步骤3.4、聚类迭代步骤3.3至收敛，最终聚簇结果稳定不变时达到收敛。
[0027]进一步的，步骤3.3中所述扩展和膨胀的步骤为：
[0028]步骤3.3.1、按照公式P＝P
a
对概率矩阵P进行扩展操作；
[0029]步骤3.3.2、按照公式对概率矩阵P进行膨胀操作；
[0030]其中，a为正整数，F
r
P表示膨胀操作，p
ij
∈P表示位于P的第i行、第j列的元素。
[0031]进一步的，步骤4中所述利用光谱差异性度量进行波段选择的步骤为：
[0032]步骤4.1、在高光谱影像上选择目标地物和背景的样本区域；
[0033]步骤4.2、在每个聚簇内，面向目标地物和背景的准确区分，用光谱差异性指数度量每个波段与其他波段的光谱差异性；
[0034]光谱差异性指数的计算公式为：
[0035][0036]其中，SDI
i
为第i个波段的光谱差异性指数，k为该聚簇的波段数，表示在该聚簇内第i个波段的目标类与背景类的JS散度，表示第i个波段目标类和第j个波段的背景类的JS散度，表示第i个波段背景类和第j个波段的目标类的JS散度；
[0037]步骤4.3、每个聚簇内，对每个波段计算光谱差异性指数，依据光谱差异性指数对波段进行降序排列，并根据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于MCL和光谱差异度量的高光谱影像波段选择方法，其特征在于包括如下步骤：步骤1、对已有的高光谱影像，计算两两波段间的相关系数，获得波段间相关系数矩阵；步骤2、基于波段间相关系数矩阵，将波段间索引距离的倒数作为权重，构建波段间相关性的邻接矩阵；步骤3、利用马尔可夫聚类算法对波段间相关性的邻接矩阵进行迭代处理，将波段划分为多个聚簇，获得波段聚簇结果；步骤4、基于步骤3获得的波段聚簇结果，利用目标类别监督下的光谱差异性度量进行波段选择；步骤5、利用监督分类方法，根据训练样本数据和测试样本数据，从步骤4选择出的适宜目标地物提取的波段中确定最优波段数量，找出最适应目标地物提取的波段。2.根据权利要求1所述的基于MCL和光谱差异度量的高光谱影像波段选择方法，其特征在于：步骤1中所述波段间相关系数的计算公式为：其中，R(X
i
,X
j
)为波段X
i
和X
j
的相关系数，Cov(X
i
,X
j
)为波段X
i
和X
j
的协方差，Var[X
i
]为波段X
i
的方差，Var[X
j
]为波段X
j
的方差。3.根据权利要求2所述的基于MCL和光谱差异度量的高光谱影像波段选择方法，其特征在于：步骤2中所述波段间相关性的邻接矩阵表示为：其中，B为波段间相关性的邻接矩阵，P
ij
为第i波段与第j波段的连接概率，R(X
i
,X
j
)为波段X
i
和X
j
的相关系数，L为波段间索引距离的限制值，i∈(1，n)，j∈(1，n)。4.根据权利要求1所述的基于MCL和光谱差异度量的高光谱影像波段选择方法，其特征在于：步骤3中所述马尔可夫聚类获取波段聚簇结果的步骤为：步骤3.1、按照公式对邻接矩阵消除奇偶性依赖，改进后的邻接矩阵B'表示为：其中，P
ij
为第i波段与第j波段的连接概率；步骤3.2、按照公式标准化邻接矩阵B
′
；
其中，B
′
ij
∈B'表示位于消除奇偶性依赖的邻接矩阵B'的第i行、第j列的元素，P
′
ij
∈P表示位于标准化邻接矩阵P的第i行、第j列的元素。步骤3.3、对标准化后的邻接矩阵进行扩展和膨胀交替操作；步骤3.4、聚类迭代步骤3.3至收敛，最终聚...

【专利技术属性】
技术研发人员：张滔，丁忆，李晓龙，敖影，文力，罗鼎，马泽忠，李朋龙，胡艳，肖禾，刘亦凡，黄印，陈晓飞，卢建洪，吕帅，
申请(专利权)人：重庆市地理信息和遥感应用中心，
类型：发明
国别省市：