CN103914705B - 一种基于多目标免疫克隆的高光谱图像分类和波段选择的方法 - Google Patents

Abstract

本发明公开一种基于多目标免疫克隆的高光谱图像分类和波段选择的方法，其实现步骤为：利用稀疏表示分类器对高光谱遥感图像进行分类得到基于像素的分类图；利用均值漂移对高光谱遥感图像进行预处理，并把处理后的图像经过多目标免疫克隆聚类和波段选择算法进行分割得到多个聚类结果，然后从这些聚类结果中选出最优的聚类结果组成分割图；利用最大投票规则融合得到的分类图和得到的分割图获得最后的结果图。主要的优势在于它在训练样本很少的情况能够得到很高的正确率和卡帕系数值，区域一致性保持的很好，并且适用于多幅高光谱数据，参数调节简单方便。

Description

一种基于多目标免疫克隆的高光谱图像分类和波段选择的 方法

技术领域

本发明属于机器学习和高光谱遥感图像处理领域，涉及一种空谱结合以及同时进行特征选择的方法在高光谱遥感图像处理领域的应用，具体地说是一种基于多目标免疫克隆的高光谱图像分类和波段选择的方法。

背景技术

现代遥感技术的飞速发展为高光谱遥感图像处理提供了一种便捷的途径，高光谱遥感数据成为高光谱遥感图像处理的主要数据源，这就对现有的高光谱遥感图像处理提出了新的挑战。基于像素的分类方法常用的有最大似然估计，贝叶斯估计，神经网络，决策树，遗传算法以及基于核的方法。这些方法的特点就是利用谱特征，纹理信息或者是把这些特征进行线性的、非线性转换得到新的特征的把其所对应的像素分到相应的类别中。基于像素的图像分类方法在分类的过程中只利用了图像的谱段信息，而其丰富的空间信息未被利用。近年来高光谱遥感图像空谱结合的分类分割方法广泛的受到关注。最常用的方法是：首先是对高光谱遥感图像进行分类得到相应的分类图；然后对高光谱遥感图像进行分割得到分割图；最后用一种融合的机制将以上的分类分割图融合起来得到最终的结果图。分类的方法著名的有支持向量机，但是支持向量机需要调节至少一个参数，而且对于不同的高光谱遥感图像参数变化范围很大，调节参数很麻烦。基于聚类的分割方法也有很多，模糊C均值（FCM）是比较常用的一种，FCM是单目标的聚类算法，它对多个图像不一定适用，所以多目标的聚类算法近几年也发展起来了，经典的像MOCK和MOCLE，多目标聚类它主要的特点就是优化两个或者两个以上的目标函数，对于不同结构、形状的数据都有效。多目标聚类得到的是多个最优解，将多个解变成唯一解的方法有指标选解，即从多个优化解中选择出一个作为最优解。根据高光谱遥感图像的特点，谱段冗余不但会增加计算的难度，还会影响分类的效果。所以去掉冗余的波段也是高光谱遥感图像处理的一个重要部分。对于高光谱遥感图像来说，波段就是特征，所以减少冗余波段数就是减少冗余特征，其方法分为特征提取和特征选择。特征提取是通过主分量分析、Fisher鉴别分析方法，以及以核方法为代表的非线性特征提取方法对原始特征进行特征提取得到比原始特征少的新的特征。特征选择是从原始特征中剔除掉原始特征中的冗余特征，得到的新特征是原始特征的子集。特征选择分为滤波型和封装型，对于无监督的聚类算法，封型的特征选择方法不需要太多的类别信息，所以大部分的无监督的特征选择都用封装型的。

发明内容

本发明提出了一种基于多目标免疫克隆的高光谱图像分类和波段选择的方法，包括如下步骤：

（1）利用稀疏表示分类器对高光谱遥感图像进行分类得到基于像素的分类图；

（2）利用均值漂移聚类对高光谱遥感图像进行预分割，得到图像超像素，把预分割后的图像经过多目标免疫克隆聚类和波段选择算法进行分割得到多个聚类结果，然后从这些聚类结果中选出最优的聚类结果组成最终分割图；

2a）对高光谱图像数据进行均值漂移聚类得到高光谱图像的分块图；

2b）由步骤2a）中得到的分块图作为多目标免疫克隆聚类和波段选择算法的输入得到多个聚类结果；

2c）从步骤2b）中得到的多个聚类结果中选出一个最优的聚类结果构成分割图；

（3）利用最大投票规则融合步骤（1）中得到的分类图和步骤（2）得到的分割图获得最后的分类结果图，即对分割图中的每一个区域，在分类图中对应该区域内样本多数所属的类别作为该区域内所有样本的类别，得到最后的结果图。

其特征在于，其中步骤（1）中所述的分类图按如下步骤进行：

将高光谱遥感图像分为训练数据集和测试数据集，图像的每一个像素点为一个样本，每个样本用一个特征向量表示，选用样本的特征维数为D，该高光谱图像包含c类像素点，训练样本集为A=[A₁,A₂,…A_c]，其中第i类的训练样本集为n_i表示该类的训练样本数，a_i,j是第i类训练样本集A_i中的第j个样本，它是一个D维的数据，y∈R^D表示一个测试样本，R^D是指D维的实数域空间；

1）利用高光谱图像的训练样本A求解最小化问题：其中，α是未知的稀疏向量，γ是一个标量常数，是使得最小的α的值；

2）根据步骤1）得到的计算残差其中是第i类的系数向量；

3）根据步骤2）中得到的e_i，计算测试样本y的类标，即把使得e_i最小的对应的类别i当做y的类标；

4）根据步骤3）中得到的测试样本的类标以及已知的训练样本的类标组成分类图。

其中步骤（2a）中对高光谱图像数据进行均值漂移聚类得到高光谱图像的分块图的具体步骤如下：

2a1）将高光谱图像的每一个像素点作为一个样本，每个样本用一个特征向量表示，假设样本的特征维数为D，样本总数为N，所有的样本组成高光谱图像数据集T；

2a2）对步骤2a1）中得到的高光谱图像数据集T进行均值漂移聚类得到高光谱图像的分块图，对于每一个像素点进行均值漂移聚类的具体步骤如下：

I)为每一个像素点x'∈T,构建一个新的向量x=(x^s,x^r),其中x^s表示高光谱图像像素x'的二维空间坐标,x^r表示该像素的D维特征向量；

II)根据得到的新的向量x=(x^s,x^r)计算该点的均值漂移向量M(x)，计算公式如下：

其中，f(x)=exp{-||x-x_c||²/(2×σ)²}，权重w(x_i)=1，k=500，h_s=3，h_r是x^r的标准方差，x_i表示x的第i个近邻点，x_c为核函数的中心,σ为函数的均方差，x_c=0,σ=1；

III)判断是否终止循环，取ε=10^-6，如果||M(x)-x||<ε，结束循环，输出该点的均值漂移M(x)，否则，执行步骤IV）；

V）把M(x)赋给x，返回步骤II)，循环执行，直至满足条件；

V）把具有相同均值漂移向量的样本点归为一类，得到高光谱图像的分块图。

其中由步骤2b）中得到的分块图作为多目标免疫克隆聚类和波段选择算法的输入得到多个聚类结果的具体步骤如下：

2b1）由分块图得到新数据集；分块图中每一个区域即为一个超像素，该超像素内所有像素点的特征向量的均值作为新的样本点的特征向量，所有的新样本点组成新数据集，样本个数为超像素的个数M；

2b2)根据步骤2b1）中得到的新数据集作为多目标免疫克隆聚类和波段选择的输入，得到多个聚类结果，具体步骤如下：

i)设种群大小为50，当前迭代次数为t=1，抗体的长度是D+1，D为高光谱数据的波段数目，一个抗体记为(a₁,a₂,...,a_D,a_D+1)，其中，a₁,a₂,...,a_D表示特征向量的编码，a_D+1表示聚类数的编码；a_i在0-1之间随机取值实现种群初始化；

ii)根据步骤i)得到的抗体种群对高光谱图像进行波段选择和聚类；设置0.9为特征选择的阈值，当抗体的第i维的值大于该阈值时，所对应的原始数据的第i维特征被选择；否则舍弃这维特征；将所选择的新的特征子集作为新的数据集用于模糊c均值聚类，其对应聚类数k_c=round(k_min+(k_max-k_min)a_D+1)，其中，k_min=2，k_max=2lnN，round是四舍五入操作；

iii)根据步骤ii)中的聚类结果计算每个抗体的目标函数值：

第一个目标函数f₁为：

其中，M是超像素的数目，Z_j,j=1,2…k_c和μ_ij,i=1,2…,M是步骤2）中所得到的聚类结果的类别中心和隶属度矩阵；

第二个目标函数f₂为：

其中，d_new为特征选择之后的特征向量维数；第三个目标函数f₃是：f₃=d_new

iv)根据步骤iii)得到的每个抗体的三个目标函数值选出最优的抗体，即如果没有其他的抗体所对应的三个目标函数值都小于这个抗体所对应的三个目标函数值，那么这个抗体就是最优的抗体；

v)判断当前迭代次数t是否达到设定的最大迭代次数G_max，G_max=20；如果t≥G_max，就输出当前种群的最优抗体所对应的聚类结果；否则，t=t+1，执行下一步；

vi)对步骤iv）中得到最优抗体进行克隆，交叉，变异操作，假设有抗体种群克隆操作T_c被定义如下：

此处，符号“+”不仅是数学加法操作，而且还起到了分离抗体的作用。j=1,2,L q_i,i=1,2,L,n_A，q_i是某个抗体的克隆数目，按下式计算：

这里的rank(a_i,A_t)表示的是抗体a_i的偏好等级值，n_c是输入变量中所设置的克隆种群的大小，|A_t|为种群规模；

在按比例克隆操作之后，对所得克隆种群执行智能交叉操作，得到新的抗体其第i维的值计算公式如下：

x_1,i=0.5[(1-β_i)*x_p,i+(1+β_i)*x_c,i]

x_2,i=0.5[(1+β_i)*x_p,i+(1-β_i)*x_c,i]

其中x_p,i是从父代抗体种群中随机选取的抗体的第i维，x_c,i是从子代克隆抗体种群随机选取的抗体的第i维，x_1,i,x_2,i是新产生的抗体的第i维，u是(0,1)之间的随机数，η_c=0.5，是通过交叉之后新产生的抗体的第i维；

经过交叉之后得到了新的抗体种群，然后在这个新的抗体种群上进行变异操作，其变异公式：

其中r_i是(0,1)之间均匀分布的随机数，η_m=0.5，δ_i是经过变异操作后所产生的抗体的第i维；

通过克隆，交叉，变异等操作后得到的抗体种群加上父代最优抗体组成了一个新的抗体种群用于多目标免疫克隆聚类和波段选择算法。

其中步骤（2c）多个聚类结果中选出一个最优的聚类结果组成分割图的具体步骤如下：

对于聚类中的每个样本点，计算该样本点的Silhouette指数，计算公式如下：

其中，g是表示该样本点到跟它同一类的所有样本点的平均距离，b表示该样本点到跟它不同类的每一类的所有样本之间的平均距离中的最小值；所有样本的Silhouette指数的平均值作为该聚类结果的Silhouette指数；取Silhouette指数最大的聚类结果作为最优的聚类结果。

本发明与现有的技术相比具有以下优点：

由于均值漂移超像素的使用大大减少了样本数，减少了计算复杂度；而多目标免疫克隆聚类算法避免陷入局部最优，不需要提供类别数，结合封装式的特征选择，在得到聚类结果的时候，还得到了保证效果好的数目最少的特征组，即完成了特征选择的过程。多目标聚类得到多个最优解，再利用指标选解的方法得到唯一的最优解。分类图和分割图的融合是通过最大投票来完成并得到最终的结果图。它的主要的优势在于它在训练样本很少的情况能够得到很高的正确率和卡帕系数值，区域一致性保持的很好，并且适用于多幅高光谱数据，参数调节简单方便，大多是经验值，无监督的多目标聚类、选解等部分都不需要提供类别数，是自适应的。整个算法既能在样本个数很少的情况下得到很好的分类识别率和卡帕系数，还能大大降低波段冗余，保证映射图的区域一致性。

附图说明

图1是本发明的流程框图；

图2a是原始的遥感图像；

图2b是对应的参考图；

图2c是使用3%的训练样本用稀疏表示分类器得到的分类映射图；

图2d是在原始数据上进行FCM聚类得到的分割图和2c图进行最大投票得到的分类分割图；

图2e是用本发明提出的算法且只使用一个目标函数得到的分割图和2c图进行最大投票得到的分类分割图；

图2f是用本发明提出的算法且用指标选解的方法得到唯一聚类最优解所得到的分割图和2c图进行最大投票得到的分类分割图；

图2g是用本发明提出的算法，只使用一个目标函数且不进行特征选择得到的分割图和2c图进行最大投票得到的分类分割图；

图2h是用本发明提出的算法，不进行特征选择且用指标选解的方法得到唯一聚类最优解所得到的分割图和2c图进行最大投票得到的分类分割图；

图3a图是第20波段的伪色彩图像；

图3b图是对应的参考图；

图3c是使用3%的训练样本用稀疏表示分类器得到的分类映射图；

图3d是在原始数据上进行FCM聚类得到的分割图和3c图进行最大投票得到的分类分割图；

图3e图是用本发明提出的算法且只使用一个目标函数得到的分割图和3c图进行最大投票得到的分类分割图；

图3f是用本发明提出的算法且用指标选解的方法得到唯一聚类最优解所得到的分割图和3c图进行最大投票得到的分类分割图；

图3g是用本发明提出的算法，只使用一个目标函数且不进行特征选择得到的分割图和3c图进行最大投票得到的分类分割图；

图3h是用本发明提出的算法，不进行特征选择且用指标选解的方法得到唯一聚类最优解所得到的分割图和3c图进行最大投票得到的分类分割图。

具体实施方式

下面结合实施例和附图对本发明进行进一步描述。

如图1所示的一种基于多目标免疫克隆的高光谱图像分类和波段选择的方法，其特征在于，包括如下步骤：

（1）利用稀疏表示分类器对高光谱遥感图像进行分类得到基于像素的分类图；

（2）利用均值漂移聚类对高光谱遥感图像进行预分割，得到图像超像素，把预分割后的图像经过多目标免疫克隆聚类和波段选择算法进行分割得到多个聚类结果，然后从这些聚类结果中选出最优的聚类结果组成最终分割图，是通过如下步骤进行的：

2a）对高光谱图像数据进行均值漂移聚类得到高光谱图像的分块图；

2b）由步骤2a）中得到的分块图作为多目标免疫克隆聚类和波段选择算法的输入得到多个聚类结果；

2c）从步骤2b）中得到的多个聚类结果中选出一个最优的聚类结果构成分割图；

（3）利用最大投票规则融合步骤（1）中得到的分类图和步骤（2）得到的分割图获得最后的分类结果图，即对分割图中的每一个区域，在分类图中对应该区域内样本多数所属的类别作为该区域内所有样本的类别，得到最后的结果图。

其中步骤（1）中所述的分类图按如下步骤进行：

将高光谱遥感图像分为训练数据集和测试数据集，图像的每一个像素点为一个样本，每个样本用一个特征向量表示，假设样本的特征维数为D，该高光谱图像包含c类像素点，训练样本集为A=[A₁,A₂,…A_c]，其中第i类的训练样本集为n_i表示该类的训练样本数，a_i,j是第i类训练样本集A_i中的第j个样本，它是一个D维的数据，y∈R^D表示一个测试样本，R^D是指D维的实数域空间；

1）利用高光谱图像的训练样本A求解最小化问题：

其中，α是未知的稀疏向量，γ是一个标量常数，是使得最小的α的值；

2）根据步骤1）得到的计算残差其中是第i类的系数向量；

3）根据步骤2）中得到的e_i，计算测试样本y的类标，即把使得e_i最小的对应的类别i当做y的类标；

4）根据步骤3）中得到的测试样本的类标以及已知的训练样本的类标组成分类图；

其中步骤（2a）中对高光谱图像数据进行均值漂移得到高光谱图像的分块图的具体步骤如下：

2a1）将高光谱图像的每一个像素点作为一个样本，每个样本用一个特征向量表示，假设样本的特征维数为D，样本总数为N，所有的样本组成高光谱图像数据集T；

2a2）对步骤2a1）中得到的高光谱图像数据集T进行均值漂移聚类得到高光谱图像的分块图，对于每一个像素点进行均值漂移聚类的具体步骤如下：

I)为每一个像素点x'∈T,构建一个新的向量x=(x^s,x^r),其中x^s表示高光谱图像像素x'的二维空间坐标,x^r表示该像素的D维特征向量；

II)根据得到的新的向量x=(x^s,x^r)计算该点的均值漂移向量M(x)，计算公式如下：

其中，f(x)=exp{-||x-x_c||²/(2×σ)²}，权重w(x_i)=1，k=500，h_s=3，h_r是x^r的标准方差，x_i表示x的第i个近邻点，x_c为核函数的中心,σ为函数的均方差，x_c=0,σ=1；

III)判断是否终止循环，取ε=10^-6，如果||M(x)-x||<ε，结束循环，输出该点的均值漂移M(x)，否则，执行步骤IV）；

IV）把M(x)赋给x，返回步骤II)，循环执行，直至满足条件；

V）把具有相同均值漂移向量的样本点归为一类，得到高光谱图像的分块图；

其中步骤（2b）中由步骤2a）中得到的分块图作为多目标免疫克隆聚类和波段选择算法的输入得到多个聚类结果的具体步骤如下：

2b1）由分块图得到新数据集；分块图中每一个区域即为一个超像素，该超像素内所有像素点的特征向量的均值作为新的样本点的特征向量，所有的新样本点组成新数据集，样本个数为超像素的个数M；

2b2)根据步骤2b1）中得到的新数据集作为多目标免疫克隆聚类和波段选择的输入，得到多个聚类结果，具体步骤如下：

i）设种群大小为50，当前迭代次数为t=1，抗体的长度是D+1，D为高光谱数据的波段数目，一个抗体记为(a₁,a₂,...,a_D,a_D+1)，其中，a₁,a₂,...,a_D表示特征向量的编码，a_D+1表示聚类数的编码；a_i在0-1之间随机取值实现种群初始化；

ii）根据步骤i)得到的抗体种群对高光谱图像进行波段选择和聚类；设置0.9为特征选择的阈值，当抗体的第i维的值大于该阈值时，所对应的原始数据的第i维特征被选择；否则舍弃这维特征；将所选择的新的特征子集作为新的数据集用于模糊c均值聚类，其对应聚类数k_c=round(k_min+(k_max-k_min)a_D+1)，其中，k_min=2，k_max=2lnN，round是四舍五入操作；

iii）根据步骤ii)中的聚类结果计算每个抗体的目标函数值：

第一个目标函数f₁为：

其中，M是超像素的数目，Z_j,j=1,2…k_c和μ_ij,i=1,2…,M是步骤2）中所得到的聚类结果的类别中心和隶属度矩阵；

第二个目标函数f₂为：

其中，d_new为特征选择之后的特征向量维数；

第三个目标函数f₃是：f₃=d_new；

iv)根据步骤iii)得到的每个抗体的三个目标函数值选出最优的抗体，即如果没有其他的抗体所对应的三个目标函数值都小于这个抗体所对应的三个目标函数值，那么这个抗体就是最优的抗体；

v)判断当前迭代次数t是否达到设定的最大迭代次数G_max，G_max=20；如果t≥G_max，就输出当前种群的最优抗体所对应的聚类结果；否则，t=t+1，执行下一步；

vi)对步骤iv）中得到最优抗体进行克隆，交叉，变异操作，假设有抗体种群克隆操作T_c被定义如下：

此处，符号“+”不仅是数学加法操作，而且还起到了分离抗体的作用。j=1,2,L q_i,i=1,2,L,n_A，q_i是某个抗体的克隆数目，按下式计算：

这里的rank(a_i,A_t)表示的是抗体a_i的偏好等级值，n_c是输入变量中所设置的克隆种群的大小。|A_t|为种群规模；

在按比例克隆操作之后，对所得克隆种群执行智能交叉操作，得到新的抗体其第i维的值计算公式如下：

x_1,i=0.5[(1-β_i)*x_p,i+(1+β_i)*x_c,i]

x_2,i=0.5[(1+β_i)*x_p,i+(1-β_i)*x_c,i]

其中x_p,i是从父代抗体种群中随机选取的抗体的第i维，x_c,i是从子代克隆抗体种群随机选取的抗体的第i维，x_1,i,x_2,i是新产生的抗体的第i维，u是(0,1)之间的随机数，η_c=0.5，是通过交叉之后新产生的抗体的第i维；

经过交叉之后得到了新的抗体种群，然后在这个新的抗体种群上进行变异操作，其变异公式：

其中r_i是(0,1)之间均匀分布的随机数，η_m=0.5，δ_i是经过变异操作后所产生的抗体的第i维；

通过克隆，交叉，变异等操作后得到的抗体种群加上父代最优抗体组成了一个新的抗体种群用于多目标免疫克隆聚类和波段选择算法；

其中步骤（2c）中从多个聚类结果中选出一个最优的聚类结果组成分割图的具体步骤如下：

对于聚类中的每个样本点，计算该样本点的Silhouette指数，计算公式如下：

其中，a是表示该样本点到跟它同一类的所有样本点的平均距离，b表示该样本点到跟它不同类的每一类的所有样本之间的平均距离中的最小值；所有样本的Silhouette指数的平均值作为该聚类结果的Silhouette指数；取Silhouette指数最大的聚类结果作为最优的聚类结果。

仿真实验

本发明的效果可以通过以下实验进一步说明：

1.仿真条件：

在CPU为core22.4HZ、内存2G、WINDOWS7系统上使用MATLAB进行了仿真。

2.仿真内容：

选择附图中的两幅高光谱遥感图像用作测试，每幅图都是进行了稀疏表示分类，稀疏表示分类图和FCM分割图融合，稀疏表示分类图和单目标免疫克隆进行特征选择和不进行特征选择得到的分割图融合，以及本发明提出的多目标免疫克隆进行特征选择和不进行特征选择、用指标选解的方法得到最优解所得到的分割图融合等六种情况进行了对比。两幅测试图像分别是Indiana Pines Scen（印第安纳图像组）e组所示的2a～2h图像、PaviaUniversity Scene（帕尔威亚校园图像）组所示的3a～3h图像。

图2c～2h，图3c～3h是对测试图像Indiana Pines Scene组和Pavia UniversityScene组的实验结果，试验中多目标免疫克隆的参数。通过映射图可以看出，稀疏表示分类图和分割图融合所得到的结果图比稀疏表示分类图的总体识别率，平均识别率和卡帕系数要高，并且区域一致性也好很多；多目标免疫克隆进行特征选择比单目标免疫克隆进行特征选择的总体识别率，平均识别率和卡帕系数要高，并且区域一致性也好很多。

评价结果好坏的指标有3个:

①计算总体识别率：对比实验结果图中的像素所属的类别和其真实类别相同的像素个数，除以总的像素数，称为总体识别率OA，其值在0～1之间，越大越好；

②计算平均识别率：对比实验结果图中的每类的像素所属的类别和其真实类别相同的像素个数，除以这一类的总的像素数，是这一类的识别率，所有类别的识别率的平均值称为平均识别率AA，其值在0～1之间，越大越好；

③计算卡帕系数（Kappa）：

卡帕系数的定义为：是一种计算分类精度的方法。它是通过把所有地表真实分类中的像元总数（N）乘以混淆矩阵对角线（Xkk）的和，再减去某一类地表真实像元总数与被误分成该类像元总数之积对所有类别求和的结果，再除以总像元数的平方差减去某一类中地表真实像元总数与该类中被分类像元总数之积对所有类别求和的结果所得到的。卡帕计算结果为-1～1，但通常卡帕是落在0～1间，越大越好。

这三个指标集中反映了分类识别率，具有很强的针对性。。针对上述三组测试图像，分别测试了其总体识别率OA,平均识别率AA,卡帕系数(Kappa),下面给出各组图像实验结果。

我们所设置的对比算法有只使用稀疏表示分类器得到的分类结果(SRC)，稀疏表示分类图和FCM用最大投票规则融合得到的分类结果(FCM)，还有在有特征选择的情况下和没有特征选择的情况下使用单目标的免疫克隆和多目标的免疫克隆所得到的分类结果，它们的参数设置完全一样，单目标免疫克隆的目标函数是XB指数，多目标免疫克隆所用的目标函数是本文所提出的目标函数。单目标免疫克隆聚类简写作ICXB，本发明提出的算法得到的分类结果简写作MOICA-S。

表1.各方法对Indiana Pines Scene图像进行实验得到的技术指标

表2各方法对Pavia University图像进行实验得到的技术指标

由表1～2可以看出，本发明方法，从技术指标上来说，本发明方法比其他三种方法要更优越。

Claims (5)

1.一种基于多目标免疫克隆的高光谱图像分类和波段选择的方法，其特征是：包括如下步骤：

(1)利用稀疏表示分类器对高光谱遥感图像进行分类得到基于像素的分类图；

(2)利用均值漂移对高光谱遥感图像进行预处理，并把处理后的图像经过多目标免疫克隆聚类和波段选择算法进行分割得到多个聚类结果，然后从这些聚类结果中选出最优的聚类结果组成分割图；

2a)对高光谱图像数据进行均值漂移得到高光谱图像的分块图；

2b)由步骤2a)中得到的分块图作为多目标免疫克隆聚类和波段选择算法的输入得到多个聚类结果；

2c)从步骤2b)中得到的多个聚类结果中选出一个最优的聚类结果构成分割图；

(3)利用最大投票规则融合步骤(1)中得到的分类图和步骤(2)得到的分割图获得最后的结果图；

其中步骤(2a)中对高光谱图像数据进行均值漂移得到高光谱图像的分块图的具体步骤如下：

2a1)将高光谱图像的每一个像素点为一个样本，每个样本用一个特征向量表示，假设样本的特征维数为D，样本总数为N，所有的样本组成高光谱图像数据集T；

2a2)由步骤2a1)中得到的高光谱图像数据集T进行均值漂移得到高光谱图像的分块图，具体步骤如下：

1)对数据集T中的每一个点x'∈T,构建一个新的向量x＝(x^s,x^r),其中x^s表示网格点的坐标,x^r表示该网格点上D维向量特征；

2)根据得到的新的向量x＝(x^s,x^r)计算该点的均值漂移值M(x)，计算公式如下

$K_{h_s,h_r}=\frac{1}{h_s^2{h}_r^D}f\left(\right|\left|\frac{x^s}{h_s}\right|{|}^2)f\left(\right|\left|\frac{x^r}{h_r}\right|{|}^2)$

$M\left(x\right)=\frac{\underset{i=1}{\overset{k}{\&Sigma;}}{K}_{h_s,h_r}(x_i-x)(x_i-x)}{\underset{i=1}{\overset{k}{\&Sigma;}}{K}_{h_s,h_r}(x_i-x)}$

f(z)＝exp{-||x-x_c||∧2/(2*σ)∧2}

其中,k＝1000，h_s＝3，h_r是x^r的标准方差，x_i表示距离x最近的第i个样本点，x_c为核函数的中心,σ为函数的均方差，x_c＝0,σ＝1；

3)判断是否终止循环，取ε＝10^-6，如果||M(x)-x||<ε，结束循环，输出该点的均值漂移M(x)，否则，执行步骤4)；

4)把M(x)赋给x，循环执行1)，直至满足条件；

5)把均值漂移值相同的样本点归为一类，得到高光谱图像的分块图。

2.根据权利要求1所述的基于多目标免疫克隆的高光谱图像分类和波段选择的方法，其特征是：

其中步骤(1)中所述的分类图按如下步骤进行：

将高光谱遥感图像分为训练数据集和测试数据集，图像的每一个像素点为一个样本，每个样本用一个特征向量表示，假设样本的特征维数为D，该高光谱图像包含c类像素点，训练样本集为A＝[A₁,A₂,...A_c]，其中第i类的训练样本集为n_i表示该类的训练样本数，a_i,j是第i类训练样本集A_i中的第j个样本，它是一个D维的数据，R^m是指m维的实数域空间，y∈R^m表示一个测试样本；

1)利用高光谱图像的训练样本A求解一下最小化问题：其中，α是未知的稀疏向量，γ是一个标量常数，就是使得这个最小的α的值，||B||₂是B的所有维的数值的平方和的均方根；

2)根据步骤2)得到的计算残差其中是第i类的系数向量；

3)根据步骤2)中得到的e_i，计算测试样本y的类标，即把使得e_i最小的对应的类别i当做y的类标；

4)根据步骤4)中得到的测试样本的类标以及已知的训练样本的类标组成分类图。

3.根据权利要求1所述的基于多目标免疫克隆的高光谱图像分类和波段选择的方法，其特征是：其中步骤(2b)中由步骤2a)中得到的分块图作为多目标免疫克隆聚类和波段选择算法的输入得到多个聚类结果的具体步骤如下：

2b1)由分块图得到新数据集；分块图中每一个区域内所有像素点的灰度值的均值作为新的样本点的特征值，所有的新样本点组成新数据集；

2b2)根据步骤2b1)中得到的新数据集作为多目标免疫克隆聚类和波段选择的输入，得到多个聚类结果，具体步骤如下：

1)在0～1之间随机初始化抗体种群，设种群大小为|A|＝50，当前迭代次数为t＝1，抗体的维数是D+1，D为高光谱数据的波段数，一个抗体记为(a₁,a₂,...,a_D,a_D+1)，其中，a₁,a₂,...,a_D表示特征的抗体编码，a_D+1表示聚类数的抗体编码；

2)根据步骤1)得到的抗体种群对高光谱图像进行特征选择和聚类；设置0.9为特征选择的阈值，当抗体的第i维数的值大于这个阈值的时候，所对应的原始数据的第i维特征被当做有效特征被选择；否则舍弃这维特征；将所选择的新的特征子集作为新的数据集用于模糊cc均值聚类，其对应聚类数k_c＝round(k_min+(k_max-k_min)a_D+1)，其中，k_min＝2，k_max＝2lnN，round是四舍五入；

3)根据步骤2)中的聚类结果计算每个抗体的目标函数值：

第一个目标函数f₁为：

$f_1=\underset{i=1}{\overset{N}{\&Sigma;}}\underset{j=1}{\overset{k_c}{\&Sigma;}}{\mathrm{\&mu;}}_{ij}^2\left|\right|X_i-Z_j|{|}^2$

其中，N是高光谱数据的样本数，Z_j,j＝1,2…k_c和μ_ij,i＝1,2…,N是步骤2)中所得到的聚类结果的类别中心和隶属度矩阵；

第二个目标函数f₂为：

$f_2=\frac{\mathrm{\&sigma;}/n}{o_{\min }{d}_{new}}$

其中，d_new为特征选择之后的特征数；

第三个目标函数f₃是：

f₃＝d_new

4)根据步骤3)得到的每个抗体的三个目标函数值选出最优的抗体；具体步骤如下：

对于每一组抗体所对应的三个目标函数值，如果没有其他的抗体所对应的三个目标函数值都小于它所对应的三个目标函数值，那么这个抗体就是最优的抗体；

5)判断当前迭代次数t是否达到设定的最大迭代次数G_max，G_max＝20；如果t≥G_max，就输出当前种群的最优抗体所对应的聚类结果；否则，t＝t+1，执行下一步；

6)对步骤4)中得到最优抗体进行克隆，交叉，变异等操作；

对步骤4)中得到的最优抗体进行克隆，每个抗体克隆的个数为种群的规模|A|除以最优抗体的个数，如果所得的数不是整数就对其进行四舍五入，在保留母版最优抗体的情况下，对通过克隆母版抗体所得到的子代克隆抗体种群和母版抗体种群执行交叉操作，得到新的抗体其第i维的值计算公式如下：

x_1,i＝0.5[(1-β_i)*x_p,i+(1+β_i)*x_c,i]

x_2,i＝0.5[(1+β_i)*x_p,i+(1-β_i)*x_c,i]

${\mathrm{\&beta;}}_i=\left(2u\right)\frac{1}{{\mathrm{\&eta;}}_c+1}$

$\widetilde{x_i}=max\{x_{1,i},x_{2,i}\}$

其中x_p,i是从母版抗体种群中随机选取的抗体的第i维，x_c,i是从子代克隆抗体种群随机选取的抗体的第i维，x_1,i,x_2,i是新产生的抗体的第i维，u是(0,1)之间的随机数，η_c＝0.5，是通过交叉之后新产生的抗体的第i维；

经过交叉之后得到了新的抗体种群，然后在这个新的抗体种群上进行变异操作，其变异公式：

其中r_i是(0,1)之间均匀分布的随机数，η_m＝0.5，δ_i是经过变异操作后所产生的抗体的第i维；

通过克隆，交叉，变异等操作后得到的抗体种群加上母版最优抗体就组成了一个新的抗体种群用于多目标免疫克隆聚类和波段选择算法。

4.根据权利要求1所述的基于多目标免疫克隆的高光谱图像分类和波段选择的方法，其特征是：其中步骤(2c)中从多个聚类结果中选出一个最优的聚类结果组成分割图的具体步骤如下：

对于聚类中的每个样本点，计算该样本点的Silhouette指数，计算公式如下：

$s=\frac{b-a}{max\{a,b\}}$

其中，a是表示该样本点到跟它同一类的所有样本点的平均距离，b表示该样本点到跟它不同类的每一类的所有样本之间的平均距离中的最小值；所有样本的Silhouette指数的平均值作为该聚类结果的Silhouette指数；取Silhouette指数最大的聚类结果作为最优的聚类结果。

5.根据权利要求1所述的基于多目标免疫克隆的高光谱图像分类和波段选择的方法，其特征是：其中步骤(3)中利用最大投票规则融合步骤(1)中得到的分类图和步骤(2)得到的分割图获得最后的结果图的具体步骤如下：

根据分割图中的区域划分，计算分类图中该区域内样本数最多的类别作为该区域内所有样本的类别，得到最后的结果图。