System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于高光谱遥感图像处理领域,更具体地,涉及一种基于的图卷积自动编码器的自适应高光谱图像波段选择算法,能够充分挖掘高光谱图像的结构信息来促进波段选择。
技术介绍
1、高光谱图像是由数百个连续的光谱波段组成的,包含丰富的光谱信息。因此,高光谱图像已经被广泛应用于农业,地理,军事等领域。然而,高光谱图像的高维度特征存在很大的冗余,这不仅导致了"休斯现象",还带来了大量的存储压力和计算负担。因此,有必要对高光谱图像进行降维处理[1]。通常,有两种方法可以对高光谱图像进行数据降维,即特征提取和波段选择。特征提取[2]可以有效地将高维特征映射到低维空间,但会损坏高光谱图像原有的物理意义,因为它会融合特征。相比之下,波段选择[3]能够在保留高光谱图像的物理特征的同时实现降维。因此,在高光谱领域,波段选择方法备受关注和研究。
2、在波段选择中,挖掘高光谱图像的结构信息至关重要,因此最近在波段选择领域引入了基于图学习的方法[4]。这些方法通常构建一个由邻接矩阵编码的波段图,以展示高光谱图像的结构信息。然后根据该图执行选择策略,以找到适合的波段子集。这类方法的性能很大程度上取决于构建的波段图的质量。然而,现有基于图学习的波段选择方法通常使用固定和手工规则来构建表示结构信息的波段图。这样的构建方式难以对复杂且多样的结构关系进行建模。此外,在波段选择过程中,大多数方法只考虑高光谱图像的局部结构,而忽略了全局结构,即所有局部结构单元之间的宏观关系。
3、参考文献:
4、[1]苏红军.高光谱遥感影像降维:进展,
5、[2]liu b,yu x,zhang p,et al.supervised deep feature extraction forhyperspectral image classification[j].ieee transactions on geoscience andremote sensing,2017,56(4):1909-1921.
6、[3]wang q,zhang f,li x.optimal clustering framework for hyperspectralband selection[j].ieee transactions on geoscience and remote sensing,2018,56(10):5910-5922.
7、[4]cai y,zhang z,liu x,et al.efficient graph convolutional self-representation for band selection of hyperspectral image[j].ieee journal ofselected topics in applied earth observations and remote sensing,2020,13:4869-4880.
技术实现思路
1、本专利技术的目的是提供一种基于图卷积自动编码器的自适应高光谱图像波段选择算法,以改进现有技术中的不足。本专利技术所述方法通过数据驱动的过程而不是使用固定的经验性的规则,自适应地提取高光谱图像的结构信息,构建波段关系的图表示。基于构造的波段图,本专利技术所述方法可以准确地将所有波段分组成簇,而每个簇都描述了高光谱图像数据的局部结构。此后,计算簇内和簇间相似性分布距离作为波段重要性的指标,并根据该指标从每个簇中选择一个最重要的波段,就可以获得最终的波段子集。这样,高光谱图像的局部结构和全局结构信息就能够被同时考虑,从而提升所选择波段子集的辨别性。技术方案如下:
2、(1)波段图的初始化
3、输入一张高光谱图像,将其转换为由光谱矩阵和邻接矩阵表示的波段图。
4、(2)波段特征的提取
5、构建一个图卷积自动编码器。以步骤(1)中获得的波段图作为输入,训练该图卷积自动编码器提取每个波段的特征。
6、(3)波段图的重构
7、基于步骤(2)中获得的波段特征,重新构造波段图,同时挖掘更多潜在的波段关系。
8、(4)波段图的增强
9、将步骤(3)中重新构造的波段图作为图卷积自动编码器的输入,重复步骤(2)(3),不断地增强波段图。
10、(5)重要波段的选择
11、基于在步骤(4)中获得的波段图,利用谱聚类算法将高光谱图像的所有波段划分至不同的簇中。计算每个波段的簇内簇间相似性分布距离,并根据该距离对每个簇中的波段进行排序。选择每个簇中排名第一的波段形成最终的波段子集。
12、专利技术设计的算法包括五个主要步骤:波段图的初始化,波段特征的提取,波段图的重构,波段图的增强以及重要波段的选择。首先,将输入的高光谱图像转换为波段图。其次,构建一个图卷积自动编码器,以初始化的波段图作为输入,训练图卷积自动编码器提取高光谱图像各波段的特征。然后,利用波段特征,重新构建波段图。而为了进一步提升波段图的可靠性,通过重复波段特征提取和波段图的重构这两步,对波段图进行迭代的增强。最后,利用波段图对所有波段进行聚类,并以簇内簇间相似性分布距离作为波段重要性度量指标,从每个簇中选择一个波段,构成最终的波段子集。
本文档来自技高网...【技术保护点】
1.一种基于图卷积自动编码器的自适应高光谱图像波段选择算法,包括下列步骤:
2.根据权利要求1所述的图卷积自动编码器,其特征在于,它利用图卷积提取高光谱图像的波段特征,并根据波段特征重建输入的邻接矩阵,从而确保所提取的波段特征保留有充足的结构信息。
3.根据权利要求1所述的波段图的增强,其特征在于,利用图卷积自动编码器提取的波段特征构造新的波段图,并将新构造的波段图作为下一次迭代的输入,以逐渐提升波段图的可靠性。
4.根据权利要求1所述的簇内簇间相似性分布距离,其特征在于,统计每个波段与簇内其它波段的结构相似性的分布和与簇间其它波段的结构相似性的分布,并利用沃瑟斯坦距离来度量这两个分布之间的距离。
【技术特征摘要】
1.一种基于图卷积自动编码器的自适应高光谱图像波段选择算法,包括下列步骤:
2.根据权利要求1所述的图卷积自动编码器,其特征在于,它利用图卷积提取高光谱图像的波段特征,并根据波段特征重建输入的邻接矩阵,从而确保所提取的波段特征保留有充足的结构信息。
3.根据权利要求1所述的波段图的增强,其特征在...
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。