CN104268554A - 一种基于相关系数的高光谱图像波段选择方法 - Google Patents
一种基于相关系数的高光谱图像波段选择方法 Download PDFInfo
- Publication number
- CN104268554A CN104268554A CN201410459608.0A CN201410459608A CN104268554A CN 104268554 A CN104268554 A CN 104268554A CN 201410459608 A CN201410459608 A CN 201410459608A CN 104268554 A CN104268554 A CN 104268554A
- Authority
- CN
- China
- Prior art keywords
- selection method
- hyperspectral image
- method based
- related coefficient
- wave band
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于相关系数的高光谱图像波段选择方法,步骤一,记N个待选择的高光谱图像为S1,…SN,所有高光谱图像的像素大小均为p×q;将高光谱图像Si排列成向量ai=[S1,1,…S1,q,…,Sp,1,…Sp,q];步骤二,将ai中心化得步骤三,计算与的相关系数ρij;步骤四,计算绝对互相关系数矩阵CN,N;步骤五,选取Cij≥λ的候选元素对(i,j),若对任意k∈[1,N]且k≠i,j,存在ci1/cj1≈cik/cjk,则第i个波段和第j个波段可以根据剔除原则剔除一个;步骤六,对所有候选元素对(i,j),依据步骤五中的剔除原则进行剔除,最后留下来的全部波段即最终选择到的波段。本发明算法简单而且高效,通过本方法进行波段选择后,便于对高光谱图像后续处理和应用,该简单而实用。
Description
技术领域
本发明涉及一种基于相关系数的高光谱图像波段选择方法,属于智能信息处理技术领域。
背景技术
高光谱遥感的主要特点是成像光谱仪在电磁波谱的紫外、可见光、近红外和中红外区域中的数十至数百个非常窄且连续的光谱段上同时获取信息,得到每个像素的完整连续的光谱曲线。获得较高光谱分辨能力的同时,也带来了数据量的增大。且高光谱图像波段之间的相关系数往往很高,因而包含了大量的冗余信息,会造成存储和处理能力的浪费,如何从原始数据中剔除这些冗余信息,在不损失重要信息的情况下尽可能降低数据的维度,成为一个重要问题。针对这个问题,可以采用波段选择的方法,从原始的数百个波段中选出最能表示整体特征的数十个或数个波段,并以此来表示整个数据集。当前对高光谱图像波段选择方法的研究,都是针对其在分类中的应用,具体又可以分为有监督和无监督两种。有监督的方法通常需要手动输入训练样本,使算法符合实际数据的特点,以达到波段选择后实现较准确分类的目的;无监督的方法不使用任何先验知识,这样就能实现完全自动的波段选择;但是现有选择方法算法复杂且效率不高。
发明内容
为了解决上述技术问题,本发明提供了一种基于相关系数的高光谱图像波段选择方法,算法简单而且高效,通过本方法进行波段选择后,便于对高光谱图像后续处理和应用,该简单而实用。
我了达到上述目的,本发明所采用的技术方案是:
一种基于相关系数的高光谱图像波段选择方法,包括以下步骤,
步骤一,记N个待选择的高光谱图像为S1,…SN,所有高光谱图像的像素大小均为p×q;将高光谱图像Si排列成向量ai=[S1,1,…S1,q,…,Sp,1,…Sp,q],其中i∈[1,N],N为正整数;
步骤二,将ai中心化得其中mean(ai)为ai各个元素的均值,1pq为元素全部为1的pq向量;
步骤三,计算与的相关系数ρij,其中j∈[1,N],i≠j;
步骤四,计算绝对互相关系数矩阵CN,N;绝对互相关系数矩阵的第(i,j)个元素为Cij=|ρij|,其中|·|为绝对值算子;
步骤五,选取Cij≥λ的候选元素对(i,j),若对任意k∈[1,N]且k≠i,j,存在ci1/cj1/≈cik/cjk,则第i个波段和第j个波段可以根据剔除原则剔除一个,其中λ为阈值;
步骤六,对所有候选元素对(i,j),依据步骤五中的剔除原则进行剔除,最后留下来的全部波段即最终选择到的波段。
所述mean(ai)公式为
mean(ai)=ΣΣSmn/pq
式中Smk为ai中的一个元素,m∈[1,p],n∈[1,q]。
所述相关系数ρij公式为
式中为的方差,为的方差,为的转置。
所述λ≥0.9。
所述候选元素对(i,j)为绝对互相关系数矩阵的第(i,j)个元素,其第i行和第j行分别为
Ci=[ci1,ci2,………,cij,ci,j+1,…,ciq]
Cj=[cj1,cj2,…,cji,cj,i+1,………,cjq]。
所述剔除原则为,若ci1/cj1≥1,则选留第j个波段;反之,选留第i个波段。
本发明所达到的有益效果:本发明将高光谱图像排列成向量后进行中心化,然后再计算彼此间的绝对互相关系数得到绝对互相关系数矩阵,如果相关性很强的两个波段与其他波段的相关性大体成比例,则选择与其他波段相关性弱的那个波段予以保留,这样处理的结果是剔除了相关性大的波段,同时保留了相关性小的波段,通过波段选择后,便于对高光谱图像后续处理和应用,该简单而实用;本发明在无需任何先验知识和训练样本,属于非监督的方法。
具体实施方式
以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
一种基于相关系数的高光谱图像波段选择方法,包括以下步骤:
步骤一,记N个待选择的高光谱图像为S1,…SN,所有高光谱图像的像素大小均为p×q;将高光谱图像Si排列成向量ai=[S1,1,…S1,q,…,Sp,1,…Sp,q],其中i∈[1,N],N为正整数。
步骤二,将ai中心化得其中mean(ai)为ai各个元素的均值,1pq为元素全部为1的pq向量。
mean(ai)=ΣΣSmn/pq
式中Smk为ai中的一个元素,m∈[1,p],n∈[1,q]。
步骤三,计算与的相关系数ρij,其中j∈[1,N],i≠j。
ρij公式为:
式中为的方差,为的方差,为的转置。
步骤四,计算绝对互相关系数矩阵CN,N;绝对互相关系数矩阵的第(i,j)个元素为Cij=|ρij|,其中|·|为绝对值算子。
步骤五,选取Cij≥λ的候选元素对(i,j),Cij为绝对互相关系数矩阵的第(i,j)个元素,绝对互相关系数矩阵的第i行和第j行分别为
Ci=[ci1,ci2,………,cij,ci,j+1,…,ciq]
Cj=[cj1,cj2,…,cji,cj,i+1,………,cjq]
若对任意k∈[1,N]且k≠i,j,存在ci1/cj1≈cik/cjk,则第i个波段和第j个波段可以根据剔除原则剔除一个,其中λ为阈值,在这里λ≥0.9。
上述的剔除原则为,若ci1/cj1≥1,则选留第j个波段;反之,选留第i个波段。
步骤六,对所有候选元素对(i,j),依据步骤五中的剔除原则进行剔除,最后留下来的全部波段即最终选择到的波段。
上述的选择方法在无需任何先验知识和训练样本,属于非监督的方法,该方法将高光谱图像排列成向量后进行中心化,然后再计算彼此间的绝对互相关系数得到绝对互相关系数矩阵,如果相关性很强的两个波段与其他波段的相关性大体成比例,则选择与其他波段相关性弱的那个波段予以保留,这样处理的结果是剔除了相关性大的波段,同时保留了相关性小的波段,通过波段选择后,便于对高光谱图像后续处理和应用,该简单而实用。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (6)
1.一种基于相关系数的高光谱图像波段选择方法,其特征在于:包括以下步骤,
步骤一,记N个待选择的高光谱图像为S1,…SN,所有高光谱图像的像素大小均为p×q;将高光谱图像Si排列成向量ai=[S1,1,…S1,q,…,Sp,1,…Sp,q],其中i∈[1,N],N为正整数;
步骤二,将ai中心化得其中mean(ai)为ai各个元素的均值,1pq为元素全部为1的pq向量;
步骤三,计算与的相关系数ρij,其中j∈[1,N],i≠j;
步骤四,计算绝对互相关系数矩阵CN,N;绝对互相关系数矩阵的第(i,j)个元素为Cij=|ρij|,其中|·|为绝对值算子;
步骤五,选取Cij≥λ的候选元素对(i,j),若对任意k∈[1,N]且k≠i,j,存在ci1/cj1≈cik/cjk,则第i个波段和第j个波段可以根据剔除原则剔除一个,其中λ为阈值;
步骤六,对所有候选元素对(i,j),依据步骤五中的剔除原则进行剔除,最后留下来的全部波段即最终选择到的波段。
2.根据权利要求1所述的一种基于相关系数的高光谱图像波段选择方法,其特征在于:所述mean(ai)公式为
mean(ai)=ΣΣSmn/pq
式中Smk为ai中的一个元素,m∈[1,p],n∈[1,q]。
3.根据权利要求1所述的一种基于相关系数的高光谱图像波段选择方法,其特征在于:所述相关系数ρij公式为
式中为的方差,为的方差,为的转置。
4.根据权利要求1所述的一种基于相关系数的高光谱图像波段选择方法,其特征在于:所述λ≥0.9。
5.根据权利要求1所述的一种基于相关系数的高光谱图像波段选择方法,其特征在于:所述候选元素对(i,j)为绝对互相关系数矩阵的第(i,j)个元素,其第i行和第j行分别为
Ci=[ci1,ci2,………,cij,ci,j+1,…,ciq]
Cj=[cj1,cj2,…,cji,cj,i+1,………,cjq]。
6.根据权利要求1所述的一种基于相关系数的高光谱图像波段选择方法,其特征在于:所述剔除原则为,若ci1/cj1≥1,则选留第j个波段;反之,选留第i个波段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410459608.0A CN104268554B (zh) | 2014-09-10 | 2014-09-10 | 一种基于相关系数的高光谱图像波段选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410459608.0A CN104268554B (zh) | 2014-09-10 | 2014-09-10 | 一种基于相关系数的高光谱图像波段选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104268554A true CN104268554A (zh) | 2015-01-07 |
CN104268554B CN104268554B (zh) | 2017-05-31 |
Family
ID=52160074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410459608.0A Expired - Fee Related CN104268554B (zh) | 2014-09-10 | 2014-09-10 | 一种基于相关系数的高光谱图像波段选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104268554B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106156728A (zh) * | 2016-06-24 | 2016-11-23 | 湖北久之洋红外系统股份有限公司 | 基于光谱空间分解和噪声成分分析的超光谱图像降维方法及系统 |
CN109187497A (zh) * | 2018-10-26 | 2019-01-11 | 成都以太航空保障工程技术有限责任公司 | 一种元素检测光谱仪的初始化方法 |
CN112163523A (zh) * | 2020-09-29 | 2021-01-01 | 北京环境特性研究所 | 一种异常目标检测方法、装置和计算机可读介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101131734A (zh) * | 2007-06-25 | 2008-02-27 | 北京航空航天大学 | 适用于高光谱遥感图像的自动波段选择方法 |
US20090074297A1 (en) * | 2007-09-17 | 2009-03-19 | Raytheon Company | Hyperspectral image dimension reduction system and method |
-
2014
- 2014-09-10 CN CN201410459608.0A patent/CN104268554B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101131734A (zh) * | 2007-06-25 | 2008-02-27 | 北京航空航天大学 | 适用于高光谱遥感图像的自动波段选择方法 |
US20090074297A1 (en) * | 2007-09-17 | 2009-03-19 | Raytheon Company | Hyperspectral image dimension reduction system and method |
Non-Patent Citations (2)
Title |
---|
杨存建等: ""腾冲县高光谱各波段间的相关性分析"", 《地理与地理信息科学》 * |
陈蜜: ""基于分块特性的高光谱影像波段选取方法的研究"", 《测绘通报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106156728A (zh) * | 2016-06-24 | 2016-11-23 | 湖北久之洋红外系统股份有限公司 | 基于光谱空间分解和噪声成分分析的超光谱图像降维方法及系统 |
CN106156728B (zh) * | 2016-06-24 | 2019-09-10 | 湖北久之洋红外系统股份有限公司 | 基于光谱空间分解和噪声成分分析的超光谱图像降维方法及系统 |
CN109187497A (zh) * | 2018-10-26 | 2019-01-11 | 成都以太航空保障工程技术有限责任公司 | 一种元素检测光谱仪的初始化方法 |
CN109187497B (zh) * | 2018-10-26 | 2019-10-18 | 成都以太航空保障工程技术有限责任公司 | 一种元素检测光谱仪的初始化方法 |
CN112163523A (zh) * | 2020-09-29 | 2021-01-01 | 北京环境特性研究所 | 一种异常目标检测方法、装置和计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN104268554B (zh) | 2017-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sameen et al. | Classification of very high resolution aerial photos using spectral-spatial convolutional neural networks | |
Cai et al. | Degradation-aware unfolding half-shuffle transformer for spectral compressive imaging | |
Li et al. | Semisupervised hyperspectral image segmentation using multinomial logistic regression with active learning | |
Mateo-García et al. | Convolutional neural networks for multispectral image cloud masking | |
CN103886329A (zh) | 基于张量分解降维的极化图像分类方法 | |
CN103208011B (zh) | 基于均值漂移和组稀疏编码的高光谱图像空谱域分类方法 | |
CN110751036B (zh) | 一种基于分波段及分块策略的高光谱/多光谱影像快速融合方法 | |
CN110110596A (zh) | 高光谱图像特征提取、分类模型构建及分类方法 | |
Cheng et al. | Multi-model solar irradiance prediction based on automatic cloud classification | |
CN104732535A (zh) | 一种约束稀疏的非负矩阵分解方法 | |
CN104268554A (zh) | 一种基于相关系数的高光谱图像波段选择方法 | |
Ros et al. | Unsupervised image transformation for outdoor semantic labelling | |
Jana et al. | Intra-class recognition of fruits using color and texture features with neural classifiers | |
Ticay-Rivas et al. | Pollen classification based on geometrical, descriptors and colour features using decorrelation stretching method | |
Ye et al. | Ground-based cloud image categorization using deep convolutional visual features | |
CN106408009A (zh) | 一种基于深度置信网络的邻域加权平均高光谱图像分类方法 | |
CN102722734A (zh) | 一种基于曲波域双边二维主成分分析的图像目标识别方法 | |
Kliangsuwan et al. | Feature extraction techniques for ground-based cloud type classification | |
CN109858531B (zh) | 一种基于图的高光谱遥感图像快速聚类算法 | |
CN106156728B (zh) | 基于光谱空间分解和噪声成分分析的超光谱图像降维方法及系统 | |
CN104408751A (zh) | 一种高光谱图像在轨压缩方法 | |
Liu et al. | Harvesting spatiotemporal correlation from sky image sequence to improve ultra-short-term solar irradiance forecasting | |
Yuan et al. | Low-rank representation for 3D hyperspectral images analysis from map perspective | |
Karoui et al. | Joint nonnegative matrix factorization for hyperspectral and multispectral remote sensing data fusion | |
Luo et al. | Ground-based cloud-type recognition using manifold kernel sparse coding and dictionary learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170531 Termination date: 20200910 |
|
CF01 | Termination of patent right due to non-payment of annual fee |