CN101131734A - 适用于高光谱遥感图像的自动波段选择方法 - Google Patents

Abstract

一种适用于高光谱遥感图像的自动波段选择方法，有利于地物精确分类和目标探测。该方法充分考虑了高光谱图像各波段的空间相关性和光谱间相关性，使得信息丰富并且与其他波段相关性小的波段被选择出来，降低了后继处理的计算量，适合于高光谱成像仪实时处理数据。最终波段选择的方法有两种：一种是系统根据设定的阈值选择进行目标探测与分类的波段数目，阈值的设定可以根据后续的处理需要自动地选择适合的指数值，确定了阈值之后，指数大于该阈值的波段就被选择出来；另一种方法就是选择波段指数排在前面的d(d≤n)个波段，n为高光谱遥感图像的波段总数。该方法可通过计算机自动执行。

Description

适用于高光谱遥感图像的自动波段选择方法

技术领域

本发明涉及一种适用于高光谱遥感图像的自动波段选择方法，通过应用此方法，可以将信息丰富而与其它波段相关性小的波段选择出来，为后续的地物精确分类和目标探测提供信息丰富而波段数少的数据源。在各类军用或者民用的遥感信息处理系统、数字城市空间信息系统、航空航天机载高光谱成像仪等领域中均可有广泛的应用。

背景技术

目前对于高光谱遥感图像的处理方法主要集中在数值分析处理上，如大气校正、信息提取、压缩、目标探测与分类等。而高光谱遥感图像降维方法的研究是做好后续处理的一个关键步骤，降维方式的正确选取与使用，对于发展和完善那些针对高光谱海量数据和丰富信息等特点的算法和软件有极大的好处。

现有的降维方法，可以分为两类：一类是基于变换的方法，如主成分分析、正交子空间投影、正则分析和离散小波变换等。基于变换的降维方式的优点是可以经过若干变换直接将高维数据降低到几维甚至一维，降维速度快；其缺点是对图像进行了变换，改变了图像原有的特性。另一类是基于非变换的，如波段选择，数据源划分等。基于非变换的降维方式是在考察图像整体特点之后对图像进行选择和划分的，它克服了变换法改变图像特性的缺点，因此更有利于保持图像的原有特性。

目前的波段选择方法，一般都是对于多光谱图像(4-7个波段)进行组合选优的。最初的波段选择主要依赖于人工目视解译，这个工作需要由有经验的专家来进行。但是随着遥感图像数字化的不断发展，依赖于专家目视解译的方法越来越显示出它的局限性。例如，高光谱波段数目通常达到100个以上，人工判读的过程会比较慢，影响了影像的实时处理；对一个新的图像数据进行选择容易出现人为的判断失误等。

目前，有一些方法对多光谱或者高光谱遥感图像进行波段选择。如：利用JM距离和一般地表覆盖类型的光谱集合的专家系统来进行波段选择。然而通过进一步的研究发现该方法不仅需要对地表覆盖类型和成像时间的关系有着深入的了解，而且要发展有效的JM距离选择策略。这些要求对于高光谱波段选择，显然是不适用的。另外还有一种基于类间可分性的最佳组合波段选择方法，但它所涉及的波段选择研究都是对于特定的波段组合进行的。在实际应用中，由于高光谱图像维数过多，如果从220个波段中选择出100个波段，那么其组合数为C₂₂₀ ¹⁰⁰，如果要想成功的辨识某些地物，比如湖泊，就要考虑到波段的排列问题，那么可能的波段排列总数为P₂₂₀ ¹⁰⁰。对于上述所有可能的波段组合，再求其相应的Bhattacharyya距离、离散度、协方差矩阵等，计算量将会十分巨大。

高光谱遥感图像各波段间存在高相关性和高冗余度，通过选择或者提取有用的波段或者特征可以大大地降低计算量，从信息处理实效性的角度来看，波段选择是有必要的。并且很多实际处理的例子也表明，并非波段越多越好，在高光谱图像预处理时去除有些受噪声影响的波段对于后继处理也是大大有益的。因此，对于数字化的高光谱图像进行准确的波段选择，必须发展有效而简便的识别方法。

发明内容

本发明的目的在于针对现有技术的上述不足，提供一种适用于高光谱遥感图像的自动波段选择(Automatic band selection)降维的新方法，应用此方法可以将信息含量丰富并且与其他波段相关性小的波段选择出来。该方法简单有效，计算量小。不仅能降低后继处理的计算量，还可以将信息集中到几个波段中，有利于目标探测和分类。

自动波段选择(Automatic band selection)方法充分考虑了各波段的空间相关性和光谱间相关性，对求出的各个波段指数进行由大到小的排列，系统根据设定的阈值自动选择需要的波段。自动波段选择方法依据的原则是：

(1)所选择的波段信息量要大；

(2)所选择的波段与其他波段的相关性要小。

本发明的方法包括如下具体步骤：

1)计算高光谱遥感图像各个波段的局部标准差，记为σ_i，i＝1，…，n，n为高光谱遥感图像的波段总数；σ_i的具体计算公式如公式(1)：

${\mathrm{\σ}}_i={\left[\frac{1}{M\×N}\underset{x=1}{\overset{M}{\mathrm{\Σ}}}\underset{y=1}{\overset{N}{\mathrm{\Σ}}}{(f_i(x,y)-u_i)}^2\right]}^{\frac{1}{2}}---\left(1\right)$

其中，M、N分别是图像的行、列像素总数，f_i(x，y)是第i个波段图像(x，y)处的像素值，u_i是第i个波段图像的像素平均值。计算局部标准差的目的是考察待目标探测区域的信息富集程度，比应用整个图像的方差更为准确。

2)计算高光谱遥感图像各个波段之间的相关系数r_i(1≤i≤n)，r_i具体计算公式如公式(2)：

$r_i=\frac{\underset{x=1}{\overset{M}{\mathrm{\Σ}}}\underset{y=1}{\overset{N}{\mathrm{\Σ}}}[f_i(x,y)-u_i][f_{i+1}(x,y)-u_{i+1}]}{\sqrt{\left(\underset{x=1}{\overset{M}{\mathrm{\Σ}}}\underset{y=1}{\overset{N}{\mathrm{\Σ}}}\right[f_i(x,y)-u_i\left]\right)\left(\underset{x=1}{\overset{M}{\mathrm{\Σ}}}\underset{y=1}{\overset{N}{\mathrm{\Σ}}}{[f_{i+1}(x,y)-u_{i+1}]}^2\right)}}---\left(2\right)$

其中，

$u_i=\frac{1}{M\×N}\underset{x=1}{\overset{M}{\mathrm{\Σ}}}\underset{y=1}{\overset{N}{\mathrm{\Σ}}}{f}_i(x,y)---\left(3\right)$

$u_{i+1}=\frac{1}{M\×N}\underset{x=1}{\overset{M}{\mathrm{\Σ}}}\underset{y=1}{\overset{N}{\mathrm{\Σ}}}{f}_{i+1}(x,y)---\left(4\right)$

这里f_i(x，y)为波段i在(x，y)处的像素值，f_i+1(x，y)为波段i+1在(x，y)处的像素值，u_i为第i个波段的像素平均值，u_i＋1第i＋1个波段的像素平均值。所有r_i形成一个相关系数矩阵R；

3)将当前波段与其前后波段的相关系数相加并取平均值，即：

r_averagei＝(r_i-1，i+r_1，i+1)/2    (5)

其中，r_i-1，i是第i个波段与前一个波段的相关系数，r_i，i+1是第i个波段与后一个波段的相关系数，相关系数越小，两个波段数据之间的独立性越高。

4)计算波段指数Index，具体计算公式为：

${\mathrm{Index}}_i=\frac{{\mathrm{\σ}}_i}{r_{\mathrm{averagei}}}---\left(6\right)$

5)通过执行以上步骤，计算机可自动计算出每个波段所对应的指数值。

本发明的方法最终波段数目的选择包含两种选择方法。

方法一：根据实际目标探测和分类的需要以及计算机快速处理图像的能力选择指数排在前面的d(d≤n)个波段，n为高光谱遥感图像的波段总数。

方法二：根据实际目标探测和分类的需要以及计算机快速处理图像的能力选择指数大于某个阈值的前k(k≤n)个波段，n为高光谱遥感图像的波段总数。确定了阈值之后，指数大于该阈值的波段就被选择出来。

本发明的特色在于：

1)充分利用了高光谱遥感数据的空间信息和光谱间的信息；

2)可计算机自动执行，适合于星载或者机载高光谱成像仪实时处理数据；

3)算法简单有效，计算量小，最终波段数目选择方法简单灵活。

4)应用自动波段选择方法，后继目标探测和分类的计算量可大大降低。

附图说明

附图1为220波段的AVIRIS高光谱遥感图像的第10波段图像，该图像取自1992年6月拍摄的美国印第安纳州西北部印第安遥感试验区的一部分。

具体实施方式

为了更好地理解本发明的技术方案，以下结合附图对本发明的实施方式做进一步描述。附图为220波段的AVIRIS高光谱遥感图像的第10波段图像，该图像取自1992年6月拍摄的美国印第安纳州西北部印第安遥感试验区的一部分。去掉受噪声和水汽吸收较明显的谱段，从原始的220个波段中选取了180个作为研究对象。它包含了农作物和森林植被的混合区。在应用了上述图像之后，本发明的方法各部分的具体实施细节如下：

1)计算高光谱遥感图像各个波段的局部标准差，记为σ_i，i＝1，…，n，n为高光谱遥感图像的波段总数180；σ_i的具体计算公式如公式(7)：

${\mathrm{\σ}}_i={\left[\frac{1}{M\×N}\underset{x=1}{\overset{M}{\mathrm{\Σ}}}\underset{y=1}{\overset{N}{\mathrm{\Σ}}}{(f_i(x,y)-u_i)}^2\right]}^{\frac{1}{2}}---\left(7\right)$

其中，M、N分别是图像的行、列像素总数，f_i是第i个波段图像(x，y)处的像素值，u_i是第i个波段图像的像素平均值。

2)计算高光谱遥感图像各个波段之间的相关系数r_i(1≤i≤n)，r_i具体计算公式如公式(8)：

$r_i=\frac{\underset{x=1}{\overset{M}{\mathrm{\Σ}}}\underset{y=1}{\overset{N}{\mathrm{\Σ}}}[f_i(x,y)-u_i][f_{i+1}(x,y)-u_{i+1}]}{\sqrt{\left(\underset{x=1}{\overset{M}{\mathrm{\Σ}}}\underset{y=1}{\overset{N}{\mathrm{\Σ}}}\right[f_i(x,y)-u_i\left]\right)\left(\underset{x=1}{\overset{M}{\mathrm{\Σ}}}\underset{y=1}{\overset{N}{\mathrm{\Σ}}}{[f_{i+1}(x,y)-u_{i+1}]}^2\right)}}---\left(8\right)$

其中，

$u_i=\frac{1}{M\×N}\underset{x=1}{\overset{M}{\mathrm{\Σ}}}\underset{y=1}{\overset{N}{\mathrm{\Σ}}}{f}_i(x,y)---\left(9\right)$

$u_{i+1}=\frac{1}{M\×N}\underset{x=1}{\overset{M}{\mathrm{\Σ}}}\underset{y=1}{\overset{N}{\mathrm{\Σ}}}{f}_{i+1}(x,y)---\left(10\right)$

这里f_i(x，y)为波段i在(x，y)处的像素值，f_i+1(x，y)为波段i+1在(x，y)处的像素值，u_i为第i个波段的像素平均值，u_i+1为第i+1个波段的像素平均值。所有r_i形成一个相关系数矩阵R；通过自动波段选择方法获得的180波段的部分相关系数矩阵如表1，可以看出相邻波段的相关性一般比较大，随着波段距离的增大相关系数相应地减小。

表1谱带B28-B39的相关系数矩阵

波段	B28	B29	B30	B31	B32	B33	B34	B35	B36	B37	B38	B39
													B28B29B30B31B32B33B34B35B36B37B38B39	1.00000.98720.91460.52430.11380.41300.50260.53990.54690.55010.54700.5491	1.00000.96190.63380.01140.30270.40120.44260.45020.45350.44970.4517	1.00000.81010.26380.05610.16410.21050.21900.22280.21840.2206	1.00000.76720.52290.42440.37930.37130.36710.37120.3687	1.00000.94260.89920.87590.87220.86940.87130.8695	1.00000.99050.98250.98200.98060.98110.9900	1.00000.99430.99520.99530.99440.9935	1.00000.99640.99600.99600.9955	1.00000.99770.99780.9974	1.00000.99570.9978	1.00000.9978	1.0000

3)将当前波段与其前后波段的相关系数相加并取平均值，即：

r_averagei＝(r_i-1，i+r_i，i，1)/2    (11)

其中，r_i-l，i是第i个波段与前一个波段的相关系数，r_i，i+1是第i个波段与后一个波段的相关系数，相关系数越小，两个波段数据之间的独立性越高。

4)计算波段指数Index，具体计算公式为：

${\mathrm{Index}}_i=\frac{{\mathrm{\σ}}_i}{r_{\mathrm{averag}{e}_i}}---\left(\text{12}\right)$

用自动波段选择方法得出的指数见表2，其中Index由大到小排列，后面是对应的波段号(该波段号为在180个波段集中的序号)。

表2Index及其对应的波段号(前18个)

序号	指数	波段号	序号	指数	波段号	序号	指数	波段号
									1	1012.5	23	7	909.66	36	13	860.12	25
2	996.04	22	8	903.21	26	14	855.93	37
									3	932.56	21	9	886.95	35	15	840.25	16
4	932.55	20	10	875.92	18	16	839.87	38
									5	911.09	19	11	874.33	27	17	813.24	33
6	910.47	24	12	865.39	17	18	798.35	15

5)最终波段数目的选择。

本发明的方法最终波段数目的选择包含两种选择方法。

方法一：根据实际目标探测和分类的需要以及计算机快速处理图像的能力选择指数排在前面的d(d≤n)个波段，n为高光谱遥感图像的波段总数。

方法二：根据实际目标探测和分类的需要以及计算机快速处理图像的能力选择指数大于某个阈值的前k(k≤n)个波段，n为高光谱遥感图像的波段总数。确定了阈值之后，指数大于该阈值的波段就被选择出来。

通过执行以上步骤，计算机可自动将所需的波段选择出来。

Claims (3)

1.一种适用于高光谱遥感图像的自动波段选择方法，适用于高光谱遥感图像的降维处理，其特征在于包含如下具体步骤：

1)计算高光谱遥感图像各个波段的局部标准差，记为σ_i，i＝1，…，n，n为高光谱遥感图像的波段总数，σ_i的具体计算公式如公式(1)：

${\mathrm{\σ}}_i={\left[\frac{1}{M\×N}\underset{x=1}{\overset{M}{\mathrm{\Σ}}}\underset{y=1}{\overset{N}{\mathrm{\Σ}}}{(f_i(x,y)-u_i)}^2\right]}^{\frac{1}{2}}---\left(1\right)$

其中，M、N分别是图像的行、列像素总数，f_i(x，y)是第i个波段图像(x，y)处的像素值，u_i是第i个波段图像的像素平均值，计算局部标准差的目的是考察待目标探测区域的信息富集程度，比应用整个图像的方差更为准确；

2)计算高光谱遥感图像各个波段之间的相关系数r_i(1≤i≤n)，r_i具体计算公式如公式(2)：

$r_i=\frac{\underset{x=1}{\overset{M}{\mathrm{\Σ}}}\underset{y=1}{\overset{N}{\mathrm{\Σ}}}[f_i(x,y)-u_i][f_{i+1}(x,y)-u_{i+1}]}{\sqrt{\left(\underset{x=1}{\overset{M}{\mathrm{\Σ}}}\underset{y=1}{\overset{N}{\mathrm{\Σ}}}\right[f_i(x,y)-u_i\left]\right)\left(\underset{x=1}{\overset{M}{\mathrm{\Σ}}}\underset{y=1}{\overset{N}{\mathrm{\Σ}}}{[f_{i+1}(x,y)-u_{i+1}]}^2\right)}}---\left(2\right)$

其中，

$u_i=\frac{1}{M\×N}\underset{x=1}{\overset{M}{\mathrm{\Σ}}}\underset{y=1}{\overset{N}{\mathrm{\Σ}}}{f}_i(x,y)---\left(3\right)$

$u_{i+1}=\frac{1}{M\×N}\underset{x=1}{\overset{M}{\mathrm{\Σ}}}\underset{y=1}{\overset{N}{\mathrm{\Σ}}}{f}_{i+1}(x,y)---\left(4\right)$

这里f_i(x，y)为波段i在(x，y)处的像素值，f_i+1(x，y)为波段i+1在(x，y)处的像素值，u_i为第i个波段的像素平均值，u_i+1为第i+1个波段的像素平均值，所有r_i形成一个相关系数矩阵R；

3)将当前波段与其前后波段的相关系数相加并取平均值，即：

r_averagei＝(r_i-1，i+r_i，i+1)/2    (5)

其中，r_i-1，i是第i个波段与前一个波段的相关系数，r_i，i+1是是第i个波段与后一个波段的相关系数，相关系数越小，两个波段数据之间的独立性越高；

4)计算波段指数Index，具体计算公式为：

${\mathrm{Index}}_i=\frac{{\mathrm{\σ}}_i}{r_{\mathrm{averagei}}}---\left(6\right)$

5)通过执行以上步骤，计算机可自动将计算出每个波段对应的指数值。

2.根据权利要求1所述的高光谱遥感图像的自动波段选择方法，其特征在于最终波段数目的选择可以根据实际目标探测和分类的需要以及计算机快速处理图像的能力选择指数排在前面的d(d≤n)个波段，n为高光谱遥感图像的波段总数。

3.根据权利要求1所述的高光谱遥感图像的自动波段选择方法，其特征在于最终波段数目的选择还可以根据实际目标探测和分类的需要以及计算机快速处理图像的能力选择指数大于某个阈值的前k(k≤n)个波段，n为高光谱遥感图像的波段总数。确定了阈值之后，指数大于该阈值的波段就被选择出来。