【技术实现步骤摘要】
本专利技术涉及高光谱波段选择，尤其涉及一种基于流形学习和hilbert-schmidt独立性准则的高光谱波段选择方法及系统。
技术介绍
1、高光谱图像光谱分辨率高，波段众多，能获取地物几乎连续的光谱特征曲线，包含了丰富的空间、辐射和光谱三重信息。高光谱图像在农业遥感、环境遥感、资源勘探、大气科学等领域得到了广泛使用。在农业遥感领域，高光谱遥感图像可用于监测农作物的生长状态、检测病虫害、估算植被的生物物理参数等；在环境遥感领域，高光谱遥感图像可用于监测大气成分、水质状况、植被覆盖等环境参数；在资源勘探领域，高光谱遥感图像可用于识别地表矿物组合，基于获得岩石的光谱曲线分析，可以知道该地区矿物分布种类以及区域，如图1所示；在城市监测领域，高光谱遥感图像可用于捕捉地表的夜间灯光、夜间火点等辐射源，包括人类的居住区、工业区、火灾等情况，可以衡量人类活动的活跃程度以及保障人类安全；在地物分类遥感领域，高光谱遥感图像可用于准确识别水体、建筑、道路、裸土等地物大类信息，如图2所示，可以为城市规划提供精准的土地利用信息。
2、高光谱图像有数百个具有高分辨率的连续窄谱段，可以为场景中的目标识别和分类提供丰富的光谱信息，如图3所示。然而，高光谱图像谱带狭窄的特点导致相邻波段之间存在冗余，冗余波段不仅会增加模型对时间和内存的需求，甚至影响分类和聚类等任务的精度。如何剔除高光谱图像冗余波段从而提高模型的效率和分类精度已经成为高光谱图像应用的一个热门话题。
3、传统波段选择主要依靠有监督训练，然而有监督训练依靠大量标签，需要消耗大量
4、许多无监督波段选择算法已经被提出并用于高光谱图像分类。约束波段选择方法cbs(constrained band selection)采用约束能量最小化(constrained energyminimization)来线性约束波段图像，同时最小化由其他波段图像提供的波段相关性。基于排序的最小方差主成分分析方法mvpca(minimum variance pca)通过pca得到图像转换后的特征值与特征向量并构建因子矩阵，通过波段的信息和方差对波段重要性进行评估排序。连续投影算法spa(successive projections algorithm)将波段选择问题转换为一个有约束的组合优化问题，这种约束性优化限制搜索范围在一个数量较少的变量子集中，因此搜索成本较小。以上算法都是目前主流且有效的波段选择算法，但是它们都有一定的局限性，导致不能选择最优波段子集。
5、总之，虽然已提出了很多方法处理高光谱图像的波段选择问题，但这些方法没有综合考虑高维流形数据的局部和全局结构对选择波段的影响，也不能有效处理高光谱数据中常见的复杂非线性关系，并不能很好地处理全局冗余问题。因此，一种有效的算法对高光谱图像波段的冗余性进行分析处理，从而在有限的数量选择出更多信息、更低冗余的波段集合，将进一步为高光谱图像的应用带来增益。
技术实现思路
1、本专利技术针对上述问题，提出一种基于流形学习和hilbert-schmidt独立性准则的高光谱波段选择方法及系统。
2、为了实现上述目的，本专利技术采用以下技术方案：
3、本专利技术一方面提出一种基于流形学习和hilbert-schmidt独立性准则的高光谱波段选择方法，包括：
4、对高光谱数据进行预处理，得到一个二维数据矩阵，将其视为高维空间中的流形数据；
5、使用umap算法将流形数据展开并投影到一个低维空间中，得到嵌入矩阵；
6、使用hilbert-schmidt独立性准则衡量数据间的非线性依赖，依次将所述数据矩阵与嵌入矩阵的每个列向量进行拟合，得到一个稀疏系数矩阵；
7、根据稀疏系数矩阵计算每个波段的重要性，将每个波段在稀疏系数矩阵中对应的行向量中的最大元素值作为该波段的重要性；
8、根据预设的选择波段的数量选择重要性最高的波段子集。
9、进一步地，所述对高光谱数据进行预处理包括：将高光谱数据原始数据点缩放到[0,1]范围内，去除归一化后的数据点中的背景像素，之后将数据矩阵转化成一个二维矩阵，维度分别是地物像素数与波段数。
10、进一步地，所述使用umap算法将流形数据展开并投影到一个低维空间中，得到嵌入矩阵包括：找到每个数据点的指定数量的近邻点，根据上述近邻点构建有向加权图，并保证每个数据点与其最近邻点相连；合并两点间的两条边的权重，得到无向加权图，即为输入数据的高维表示；初始化低维表示，并进行优化，使高维表示与低维表示之间的交叉熵最小，得到嵌入矩阵；所述嵌入矩阵的维度与高光谱图像的类别数量一致，矩阵的每一行表示数据在低维空间中的向量表示。
11、进一步地，按照下式根据近邻点构建有向加权图：
12、
13、其中，表示数据点xi与其最近的第j个邻居点之间的边存在的概率，表示在xi对应的距离度量d下，xi与之间的距离；ρi和σi分别是xi的最近邻点和平滑归一化因子：
14、
15、
16、其中，p表示每个数据点的最近邻点的数量。
17、进一步地，按照下式合并两点间的两条边的权重：
18、
19、其中，a表示有向加权图的邻接矩阵，a中元素aij是从xi到xj有向边存在的概率，aτ表示矩阵a的转置矩阵，表示hadamard积，b表示无向加权图的邻接矩阵，b中元素bij是xi和xj之间至少有一条边存在的概率。
20、进一步地，采用谱嵌入技术来初始化低维表示，并使用力导向图布局算法对低维表示进行优化。
21、进一步地，按照下式计算高维表示与低维表示之间的交叉熵：
22、
23、其中，e表示无向图中所有边的集合，wh(e)表示边e在高维空间的权重，wl(e)表示边e在低维空间的权重。
24、进一步地，采用block hsic lasso算法依次将所述数据矩阵与嵌入矩阵的每个列向量进行拟合；所述block hsic lasso算法是根据基于核的hilbert-schmidt独立性准则衡量数据之间的非线性依赖的，并使用l1惩罚项实现稀疏性。
25、进一步地，所述根据预设的选择波段的数量选择重要性最高的波段子集包括：将每个波段的重要性降序排序，根据预设的选择波段的数量选择排名靠前的波段，构成波段子集。
26、本专利技术另一方面提出一种基于流形学习和hilbert-schmidt独立性准则的高光谱波段选择系统，包括：
27、数据预处理模块，用于对高光谱数据进行预处理，得到一个二维数据矩阵，将其视为高维空间中的流形数据；
28、流形学习模块，用于使用umap算法将流形数据展开并投影到一个低维空间中，得到嵌入矩阵；
【技术保护点】
1.一种基于流形学习和Hilbert-Schmidt独立性准则的高光谱波段选择方法，其特征在于，包括：
2.根据权利要求1所述的一种基于流形学习和Hilbert-Schmidt独立性准则的高光谱波段选择方法，其特征在于，所述对高光谱数据进行预处理包括：将高光谱数据原始数据点缩放到[0,1]范围内，去除归一化后的数据点中的背景像素，之后将数据矩阵转化成一个二维矩阵，维度分别是地物像素数与波段数。
3.根据权利要求1所述的一种基于流形学习和Hilbert-Schmidt独立性准则的高光谱波段选择方法，其特征在于，所述使用UMAP算法将流形数据展开并投影到一个低维空间中，得到嵌入矩阵包括：找到每个数据点的指定数量的近邻点，根据上述近邻点构建有向加权图，并保证每个数据点与其最近邻点相连；合并两点间的两条边的权重，得到无向加权图，即为输入数据的高维表示；初始化低维表示，并进行优化，使高维表示与低维表示之间的交叉熵最小，得到嵌入矩阵。
4.根据权利要求3所述的一种基于流形学习和Hilbert-Schmidt独立性准则的高光谱波段选择方法，其特征在于，按照下
5.根据权利要求3所述的一种基于流形学习和Hilbert-Schmidt独立性准则的高光谱波段选择方法，其特征在于，按照下式合并两点间的两条边的权重：
6.根据权利要求3所述的一种基于流形学习和Hilbert-Schmidt独立性准则的高光谱波段选择方法，其特征在于，采用谱嵌入技术来初始化低维表示，并使用力导向图布局算法对低维表示进行优化。
7.根据权利要求3所述的一种基于流形学习和Hilbert-Schmidt独立性准则的高光谱波段选择方法，其特征在于，按照下式计算高维表示与低维表示之间的交叉熵：
8.根据权利要求1所述的一种基于流形学习和Hilbert-Schmidt独立性准则的高光谱波段选择方法，其特征在于，采用block HSIC Lasso算法依次将所述数据矩阵与嵌入矩阵的每个列向量进行拟合。
9.根据权利要求1所述的一种基于流形学习和Hilbert-Schmidt独立性准则的高光谱波段选择方法，其特征在于，所述根据预设的选择波段的数量选择重要性最高的波段子集包括：将每个波段的重要性降序排序，根据预设的选择波段的数量选择排名靠前的波段，构成波段子集。
10.一种基于流形学习和Hilbert-Schmidt独立性准则的高光谱波段选择系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于流形学习和hilbert-schmidt独立性准则的高光谱波段选择方法，其特征在于，包括：
2.根据权利要求1所述的一种基于流形学习和hilbert-schmidt独立性准则的高光谱波段选择方法，其特征在于，所述对高光谱数据进行预处理包括：将高光谱数据原始数据点缩放到[0,1]范围内，去除归一化后的数据点中的背景像素，之后将数据矩阵转化成一个二维矩阵，维度分别是地物像素数与波段数。
3.根据权利要求1所述的一种基于流形学习和hilbert-schmidt独立性准则的高光谱波段选择方法，其特征在于，所述使用umap算法将流形数据展开并投影到一个低维空间中，得到嵌入矩阵包括：找到每个数据点的指定数量的近邻点，根据上述近邻点构建有向加权图，并保证每个数据点与其最近邻点相连；合并两点间的两条边的权重，得到无向加权图，即为输入数据的高维表示；初始化低维表示，并进行优化，使高维表示与低维表示之间的交叉熵最小，得到嵌入矩阵。
4.根据权利要求3所述的一种基于流形学习和hilbert-schmidt独立性准则的高光谱波段选择方法，其特征在于，按照下式根据近邻点构建有向加权图：
5.根据权利要求3所述的一种基于流形学习和hilbe...
【专利技术属性】
技术研发人员：王雅娣，黄梦瑶，李若菲，郭小丁，王诗怡，左宪禹，
申请(专利权)人：河南大学，
类型：发明
国别省市：
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。