CN105184314B - 基于像素聚类的wrapper式高光谱波段选择方法 - Google Patents

Abstract

本发明提出了一种基于像素聚类的wrapper式高光谱波段选择方法。具体操作步骤如下：输入待波段选择的高光谱图像，并将其转换成矩阵形式；对高光谱数据做超像素分割，得到超像素块；利用相关性方法从每个超像素块中挑选一个代表点；先使用无监督k‑mediods方法对所得像素点聚类，再使用svm分类器进一步优化聚类效果，得到最终聚类结果；利用最终聚类结果，将代表点作为标记样本，使用wrapper式方法挑选波段。本发明解决了当没有标记样本时，就无法使用有监督波段选择方法的技术问题。本发明适用范围广，选择效果好，在无监督波段选择领域使用有监督波段选择方法，扩展了有监督波段选择的应用范围。用于高光谱图像处理中的数据降维，方便后续数据处理。

Description

基于像素聚类的wrapper式高光谱波段选择方法

技术领域

本发明属于图像处理技术领域，更进一步涉及高光谱影像(HyperspectralImagery)波段选择领域中基于无监督的高光谱波段选择方法，具体是一种基于像素聚类的wrapper式高光谱波段选择方法，用于高光谱图像处理中的数据降维，方便后续的数据处理。

背景技术

近年来，随着遥感技术和成像光谱仪的发展，高光谱遥感能够在连续的波段上获取地物的光谱信息。虽然丰富的光谱数据信息使得精确的目标识别成为可能；但是同时，庞大的数据难以避免的出现了数据冗余的现象，为后续的高光谱图像处理带来了数据维度过高、计算量大、耗费存储空间的难题。因此，如何在最大程度保留高光谱数据丰富信息的基础上降低数据维度是高光谱图像处理的重要技术问题之一。

高光谱图像降维方法有特征提取与波段选择两种，特征提取方法会根据原始的波段信息生成新的合成波段，一般是通过线性或者非线性的方法将高维波段空间映射至低维波段空间，从而达到降维的目的。常用方法如：PCA主成分分析法，ICA独立分量分析法等等。波段选择是从原始的波段中选择一部分现有的波段，相对于特征提取的方法，波段选择不会改变原始的波段数据，较好的保留了原始波段中的物理含义以及地物的光谱特性，因此从物理意义上讲，波段选择更适合高光谱图像的降维。

高光谱图像波段选择可以分为无监督波段选择和有监督波段选择两类，其主要区别在于是否需要标记样本的参与。无监督波段选择不需要标记样本的参与，利用图像数据的内在结构来选择波段，更加符合实际情况，因此使用范围更加广泛。有监督波段选择需要已知标记样本的参与，虽然标记样本的标记信息可以提高波段选择的性能，但是高光谱图像的标记样本通常难以获取，这大大限制了有监督波段选择方法的应用范围。

现有的无监督波段选择方法，如SBBS(Similarity-Based Unsupervised BandSelection)、ECA(Exemplar Component Analysis)、MI-based(Mutual Informatio based)等,一般都使用全部的像素点参与运算，或者随机选取一定比例(如10％)的像素点参与运算。选用全部的像素点运算量较大会降低波段选择的效率，而随机选取一定比例的像素点会因为随机性影响导致结果有波动且随机选取一定比例的像素点没有与之相对的实际物理含义。

高光谱图像数据是地球上各种类型地物对于光谱射线的反射，高光谱图像的标记样本指的是高光谱图像中某一个像素点对应的实地区域的地物标记，标记样本的获取有两种途径：第一种是需要由人工实地考察该地区的地物之后人工记录得到，这种方法需要大量的人工参与，需耗费大量人力物力资源；第二种是根据已有的标准图像光谱库，使用得到的高光谱图像数据与光谱库中的数据对比匹配得到，这种方法需要经过大量的对比匹配运算，而且如果标准光谱库中没有该种地物则无法完成匹配。然而随着季节变换、人类劳作、地球运动等原因，即使是同一块区域的地物也无时无刻不在发生变化，同时地球上的某些区域，如：高山、深海、荒漠、密林等区域是难以进入的，所以想要获取这些高光谱图像的标记样本是十分困难的；更重要的是，很多情况下需要对实时获取到的高光谱图像做处理，无法等待标记样本的获取。现有的有监督波段选择方法，如MRMR(Max-Relevance Min-Redundancy)、wrapper式等，都需要大量标记样本的参与。当没有标记样本时就无法使用这些方法，使得有监督波段选择方法的使用范围大大受限。

发明内容

本发明的目的在于克服上述现有技术的不足，提出一种不需要已知标记样本参与就可以使用有监督波段选择方法的基于像素聚类的wrapper式高光谱波段选择方法。

本发明的技术方案的实现包括有如下步骤：

(1)输入待波段选择的高光谱图像，假设图像的原始波段数目为P，将该图像转换为矩阵形式的高光谱数据；

(2)对高光谱数据做超像素(Superpixel)分割，共产生N个相关的图像块；

(3)对每一个图像块，利用像素点之间的相关性方法挑选一个最具代表性的像素点，共得到N个代表点；

(4)对N个代表点使用k-medoids方法进行聚类，这种聚类属于无监督聚类，得到N个代表点的初始聚类结果；以N个代表点的初始聚类结果作为初始标签，再使用支撑向量机(SVM)对初始聚类结果进行优化分类，得到N个代表点的最终聚类结果；

(5)以N个代表点的最终聚类结果作为最终标签，将这N个代表点作为标记样本，用wrapper式波段选择方法在原始波段中选择波段，实现高光谱图像的波段选择。

本发明的基本思路是：对原高光谱图像数据做超像素分割得到超像素块，从超像素块中选取具有代表性的像素点，对这些代表点使用聚类的方法得到最终标签，使得代表点可以作为标记样本来使用，用这些代表点作为标记样本参与有监督的wrapper式波段选择方法，实现高光谱图像的波段选择。

与现有技术相比，本发明具有以下优点：

第一：现有的有监督波段选择方法需要已知标记样本的参与，而通常情况下已知标记样本是很难得到的；本发明中用代表点的最终聚类结果当做最终标签，形成标记样本，因此本发明不需要已知标记样本参与就可以使用有监督波段选择方法；实现了在无监督波段选择领域中使用有监督波段选择方法，扩大了有监督波段选择方法的应用范围。

第二：高光谱图像是对实际地物的一种反映，而实际地物一般是成片出现的，如一片农田、一片湖泊、一片居民区等等。本发明中是对高光谱图像做超像素分割之后，从超像素块中挑选最具代表性像素点用作后续波段选择处理；那么超像素块对应于实际地物的成片区域，因此从超像素块中挑选最具代表性像素点用作后续波段选择处理不仅可以减低波段选择的运算量，提高波段选择效率，而且这些代表点还具有实际的物理意义。

第三：一般的k-medoids聚类方法的效果受到聚类中心的随机初始化的影响十分严重，本发明在使用k-medoids进行初始聚类后，再将SVM分类器引入到无监督的聚类过程中，借由分类器强大的分类能力，优化了聚类效果，提高了聚类的可靠性。

附图说明：

图1是本发明的流程图；

图2是在indian pines高光谱图像上本发明与已有技术的选择效果对比曲线图；

图3是在paviaU高光谱图像上本发明与已有技术的选择效果对比曲线图。

具体实施方式：

下面参照附图，对本发明详细说明

高光谱图像数据通常是由数万个像素点的数百个波段数据组成，如此庞大且高维度的数据虽然带来了丰富的地物信息，但同时也给高光谱图像的处理带来了诸多问题与不便之处。由于高光谱图像数据是地物对于连续波段的光谱反射曲线，其中存在有大量的冗余信息，因此，如何在最大程度保留高光谱数据丰富信息的基础上降低数据维度是高光谱图像处理的重要技术问题之一。

有监督波段选择方法由于使用标记样本的标记信息，提高了波段选择的性能。但是出于标记样本的难以获取和对高光谱图像实时处理的需要，有监督波段选择方法的应用范围一直受到很大限制。为此本发明展开了研究与探索，提出了一种基于像素聚类的wrapper式高光谱波段选择方法。

实施例1：

基于像素聚类的wrapper式高光谱波段选择方法的具体步骤如下：

(1)输入待波段选择的高光谱图像，假设图像的原始波段数目为P，将该图像转换为矩阵形式的高光谱数据；

本例中所选的高光谱图像是通过机载可见光及红外成像光谱仪AVIRIS获取的印第安纳州高光谱图像，该高光谱图像中包含有16种不同种类的地物，其中有大豆、小麦、玉米、草地、人工建筑、道路等等，这些地物分布在图中的不同区域。该高光谱图像包含220个原始波段，即P＝220，波长范围为0.4μm-2.5μm。该高光谱图像中像素点数目为145*145，则转换为矩阵形式后的高光谱图像数据大小为145*145*220。为了方面后续数据处理，对高光谱图像数据做归一化操作，将高光谱图像的光谱值归一化到0-1之间。

(2)对高光谱数据做超像素(Superpixel)分割，共产生N个相关的图像块；

本例中采用SLIC(simple linear iterative clustering)算法对高光谱图像做超像素分割，具体步骤包括有：

2.1：输入想要得到的目标图像块数X，本例中目标图像块数为500，即X＝500；

2.2：计算像素点i与像素点j的空间距离d_s与谱域距离d_p，其计算公式分别如下：

其中row_i与row_j分别代表像素点i与像素点j的行坐标，column_i与column_j分别代表像素点i与像素点j的列坐标；与，k＝1,2…,220；分别代表像素点i与像素点j在波段k上的光谱值；

2.3：根据空间距离d_s与谱域距离d_p计算得到综合距离d_sum，d_sum的计算公式如下：

其中m代表空域-谱域调节系数，本例中设为0.5；

S的计算公式为其中Num_pixel代表图像的像素点总数，本例中为21025，X为目标图像块数，本例中X＝500；

2.4：将综合距离d_sum代入SLIC算法，将高光谱图像分割成超像素块，本例中最终将高光谱图像分割成462个图像块；

有很多方法都可以实现超像素分割，本发明都可以使用，上述只是列举了一个具体实现案例。

(3)对每一个图像块，利用像素点之间的相关性方法挑选一个最具代表性的像素点，共得到N个代表点；

本例中得到的图像块数为462，则可以得到462个代表点。

(4)对N个代表点使用k-medoids方法进行聚类，这中方法是一种无监督聚类方法，得到N个代表点的初始聚类结果；以N个代表点的初始聚类结果作为初始标签，再使用支撑向量机(SVM)对初始聚类结果进行优化分类，得到N个代表点的最终聚类结果；

本例中用k-medoids将462个代表点聚成25类，初始聚类结果表示为{C_k}，k＝1,2,...,462；其中C_k∈{1,2,...,25}；然后再使用支撑向量机(SVM)对初始聚类结果进行优化分类，本例中经过优化之后462点分成20个类，462个点的最终聚类结果表示为{D_k}，k＝1,2,...,462；其中D_k∈{1,2,...,20}。

本例中所有的支撑向量机(SVM)分类器都由libsvm-3.20工具箱实现。

(5)以N个代表点的最终聚类结果作为最终标签，将这N个代表点作为标记样本，用wrapper式波段选择方法在原始波段中选择波段，实现高光谱图像的波段选择。

本例中以462个代表点的最终聚类结果{D_k}，k＝1,2,...,462；作为其最终标签，将这462个代表点作为标记样本，用wrapper式波段选择方法在原始波段中选择波段，从220个原始波段中选择了50个波段。

本发明利用了波段选择，波段选择是高光谱图像领域中数据降维的主要方式，波段选择不会改变原始的波段数据，较好的保留了原始波段中的物理含义以及地物的光谱特性，既达到了降维的目的又不会对原始数据中有用的成分造成明显的丢失。

同时本发明对原有的波段选择方法进行改进与扩展，现有的有监督波段选择方法需要已知标记样本的参与，标记样本难以获取，实时地获取标记样本更加难以实现；本发明中用代表点的最终聚类结果当做最终标签，形成标记样本，因此本发明实现了在无监督波段选择领域中使用有监督波段选择方法，扩大了有监督波段选择方法的应用范围。

实施例2：

基于像素聚类的wrapper式高光谱波段选择方法同实施例1，其中步骤(3)中从分割后的超像素块中挑选具有代表性的点，具体步骤包括有：

3.1：本例中在步骤(2)中生成了462个超像素块，设第i个超像素块中有j个像素点，第i个超像素块中的每个点的谱信息记为其中每个元素，k＝1,2,...,j；都是一个220维特征向量，表示该点的谱信息；则块内平均光谱值为：

3.2：计算第i个超像素块内每一像素点，k＝1,2,...,j；与平均光谱值的相关性,得到j个相关性值{corr₁,corr₂,...,corr_j}；

3.3：挑选每个超像素块中相关性最大的像素点作为最具代表性像素点，462个超像素块共挑选出462个代表点，记作{y₁,y₂,...,y_k,...,y₄₆₂}其中y_k是其中第k个220维特征向量，表示第k个超像素块中代表点的谱信息。

在现有的波段选择技术中，要么使用全部的像素点参与运算，要么随机抽取一定比例的像素点参与运算，都不是十分合理的方式。本发明中利用相关性从超像素块中选择代表点，不仅降低了后续处理过程中的数据量，而且所选代表点有实际的物理意义。

实施例3：

基于像素聚类的wrapper式高光谱波段选择方法同实施例1-2，其中步骤(4)中以462个代表点的初始聚类结果作为初始标签，再使用支撑向量机(SVM)对初始聚类结果进行优化分类，得到462个代表点的最终聚类结果；具体步骤包括有：

4.1：对得到的462个代表性像素点做k-medoids聚类，本实施例中设462个代表点聚成25个类，则462个代表点初始聚类结果表示为{C_k}，k＝1,2,...,462；其中C_k∈{1,2,...,25}；其中对462个代表点的k-medoids聚类的具体步骤包括有：

4.1a：输入聚类类别数目，本例中聚类类别数目为25，在462个代表点中随机抽取25个代表点作为初始中心；

4.1b：计算代表点i与初始中心点j的距离的d_ij，其计算公式为

其中与，k＝1,2…,220；分别代表像素点i与初始中心点j在波段k上的光谱值；

4.1c：对于代表点i，根据其与所有25个初始中心的距离，选择与之距离最短的中心的类别作为该代表点的类别；如此得出所有代表点的类别；

4.1d：根据所有代表点的类别，更新各个类别的中心；更新方法是计算该类别中某一点与该类别中其他所有点的距离之和，选取距离之和最小的点作为该类别的新中心点；

4.1e：重复步骤4.1b-4.1d，不断更新中心点，直到所有类别中心点不再改变，得到初始聚类结果{C_k}，k＝1,2,...,462；其中C_k∈{1,2,...,25}；

4.2：以462个点的初始聚类结果{C_k}，k＝1,2,...,462；作为初始标签，结合谱信息y_k使用支撑向量机(SVM)优化聚类；本实施例中经过优化之后462点分成20个类，则462个点的最终聚类结果表示为{D_k}，k＝1,2,...,462；其中D_k∈{1,2,...,20}。其中以462个点的初始聚类结果{C_k}，k＝1,2,...,462；作为初始标签，结合谱信息y_k使用支撑向量机(SVM)优化聚类的具体步骤包括有：

4.2a：使用5-折交叉验证的方法，将462个代表点，按照其聚类结果{C_k}，k＝1,2,…,462；分成五等份，即每一种类别中的点分成五等份；

4.2b：交替使用五份中的一份作为测试样本，其余四份作为训练样本，用聚类结果{C_k}作为标签，使用svm分类器进行分类，本例中使用libsvm-3.20工具箱实现svm分类器，具体参数设置为：t＝2,c＝1024,g＝2^-7，其余参数使用默认值；得到新的分类结果{C'_k}，k＝1,2,…,462；

4.2c：比较462个代表点的初始聚类结果{C_k}与新的分类结果{C'_k}，找出其中不同的代表点集合Q，从集合Q中随机选取一定比例的不同的代表点，将这些随机抽取的代表点的聚类结果{C_k}更新为新的分类结果{C'_k}；本例中使用的抽取比例为5％；

4.2d：重复步骤4.2a-4.2c，不断更新聚类结果{C_k}，直到达到最大迭代次数，本例中最大迭代次数设为100，记最终聚类结果为{D_k}，k＝1,2,…,462；本例中最终的聚类类别变成20，即D_k∈{1,2,...,20}；

k-medoids聚类方法由于受初始化聚类中心的随机性影响，波动性较大，本例中在k-medoids之后再使用svm分类器对初始聚类结果进行优化分类，很大程度的削弱了随机性的影响，提高了聚类结果的可靠性。

实施例4：

基于像素聚类的wrapper式高光谱波段选择方法同实施例1-3，其中步骤(5)中以462个代表点的最终聚类结果{D_k}，k＝1,2,…,462；作为最终标签，将这462个代表点作为标记样本，用wrapper式波段选择方法在原始波段中选择波段；具体步骤包括有：

5.1：设已经选择的波段集合为S，起始时S为空，即S＝[]；

5.2：首先是第一个波段的选择，选择220个原始波段中的一个波段记作p，令T＝[Sp]，以{D_k}，k＝1,2,…,462；为标记样本，其中代表点k在波段集合T中的光谱值，D_k代表点k的最终标签，使用支撑向量机(SVM)对标记样本进行训练及分类，得到220个原始波段的分类准确度，选择其中准确率最高的波段，本例中准确率最高的波段为波段31，并在原始波段中去除掉波段31，将波段加入已选波段集合S，则已选波段集合S＝[31]；

5.3：接着是第二个波段的选择，选择219个剩余原始波段中的一个波段记作p，令T＝[S p]，此时已选波段集合S＝[31]，以{D_k}，k＝1,2,…,462；为标记样本，其中代表点k在波段集合T中的光谱值，D_k代表点k的最终标签，使用支撑向量机(SVM)对标记样本进行训练及分类，得到219个剩余原始波段的分类准确度，选择其中准确率最高的波段，本实施例中准确率最高的波段为波段12，并在剩余原始波段中去除掉波段12，将波段12加入已选波段集合S，则此时已选波段集合S＝[31 12]；

5.4：第q+1个波段的选择过程应该是，选择220-q个剩余原始波段中的一个波段记作p，令T＝[S p]，此时已选波段S＝[31 12 ... s_q]，以{D_k}，k＝1,2,…,462；为标记样本，其中代表点k在波段集合T中的光谱值，D_k代表点k的最终标签，使用支撑向量机(SVM)对标记样本进行训练及分类，得到220-q个剩余原始波段的分类准确度，选择其中准确率最高的波段,将该波段记为s_(q+1)，并在剩余原始波段中去除掉该波段，将s_(q+1)加入已选集合S，则此时已选波段集合S＝[31 12 ... s_q s_(q+1)]；

5.5：重复执行步骤5.4，逐步选择波段，直到达到所需的波段数目，此时已选集合S中即为所需波段。

本例中所有支撑向量机(svm)分类器都是由libsvm-3.20工具箱实现，具体参数设置为：t＝2,c＝1024,g＝2^-7，其余参数使用默认值；

本例中选择了50个波段，最终已选波段集合S＝[31 12 61 35 83 62 30 7 71120 14 16 72 118 51 146 203 156 169 106 104 160 162 107 209 105 163 213 214111 210 69 117 172 112 110 109 148 103 151 154 152 165 216 220 150 161 42 80149]。

下面结合附图与仿真实验对本发明进一步详细说明。

实施例5：

基于像素聚类的wrapper式高光谱波段选择方法同实施例1-4，实现过程包括有：

步骤1：高光谱数据输入，输入一幅原始高光谱图像数据，大小为m*n*P,其中m、n为图像的长和宽，P为波段数目。

步骤2：对高光谱图像做超像素分割，得到N个超像素块。

步骤3：在分割得到的超像素块中，挑选最具代表性的像素点，每一个超像素块挑选一个最具代表性的像素点，共得到N个代表点。

设第i块超像素块中有j个像素点，每个点的谱信息记为其中每个元素(k＝1,2,...,j)都是一个P维向量，表示该点的谱信息。则块内平均光谱值为：

计算块内每一点(k＝1,2,...,j)与的相关性,得到{corr₁,corr₂,...,corr_j}。挑选相关性最大的点作为最具代表性像素点；N个超像素块共挑选出N个代表点，记作{y₁,y₂,...,y_k,...,y_N}，其中y_k是一个P维向量，表示该点的谱信息。

步骤4：使用k-medoids聚类方法对N个代表点聚类。

假设N个代表点聚成C类，则每个代表点属于{1,2,...,C}中的某一类，可表示为{y_k,C_k}(k＝1,2,...,N)；得到初始聚类结果；

步骤5：用聚类之后得到的类别作为标签，使用支撑向量机分类器优化聚类结果。

将初始聚类类别C_k作为标签，结合谱信息y_k使用支撑向量机(SVM)优化聚类。假设优化之后N点分成D类，则可表示为{y_k,D_k}(k＝1,2,...,N)，其中D_k∈{1,2,...,D}；得到了最终聚类结果；

步骤6：以代表性像素点的最终聚类结果作为最终标签，将代表点用做标记样本，使用wrapper式波段选择方法逐步挑选波段，得到所选波段集合。

wrapper式波段选择方法具体实施步骤如下：

设已经选择的波段集合为S，起始时S为空，即S＝[]；

首先是第一个波段的选择，选择P个波段中的一个波段记作p，令T＝[S p]，以{D_k}为样本(其中代表点k在波段集合T中的数值)进行支撑向量机(SVM)训练及分类。P个波段得到P个不同的分类准确度，选择其中准确率最高的波段，将该波段记为s₁，并在原始波段中去除掉s₁，将s₁加入集合S，则S＝[s₁]；

接着是第二个波段的选择，选择P-1个波段中的一个波段记作p，令T＝[S p]，此时已选波段集合S＝[s₁]，以{D_k}为样本(其中代表点k在波段集合T中的数值)进行支撑向量机(SVM)训练及分类。P-1个波段得到P-1个不同的分类准确度，选择其中准确率最高的波段，将该波段记为s₂，并在原始波段中去除掉s₂，将s₂加入集合S，则S＝[s₁ s₂]；

波段选择按如上方法依次进行；

第q+1个波段的选择过程应该是，选择P-q个波段中的一个波段记作p，令T＝[Sp]，此时已选波段S＝[s₁,s₂,...,s_q]，以{D_k}为样本(其中代表点k在波段集合T中的数值)进行支撑向量机(SVM)训练及分类。P-q个波段得到P-q个不同的分类准确度，选择其中准确率最高的波段，将该波段记为s_(q+1)，并在原始波段中去除掉该波段，将s_(q+1)加入集合S，则S＝[s₁,s₂,...,s_q,s_(q+1)]；最终按照如上方法依次选择，得到需要数目的波段即可。

为了说明本发明的有效性，通过如下的实验进行论证。

实施例6：

基于像素聚类的wrapper式高光谱波段选择方法同实施例1-5，仿真过程包括有：

1.仿真实验条件：

本发明的仿真实验采用的硬件测试平台是：处理器为Inter Core i5-3230M，主频为2.60GHz，内存4GB；软件平台为：Windows 7旗舰版64位操作系统、Matlab R2015a进行仿真测试。

2.仿真实验数据：

本例中采用的是ROSIS-03光学传感器所记录的帕维亚大学的图像，以及通过机载可见光及红外成像光谱仪AVIRIS获取的印第安纳州高光谱图像进行分类算法仿真；将帕维亚大学的高光谱图像记为paviaU，印第安纳州高光谱图像记为indian pines。

两幅图像的高光谱数据以及对应的ground truth图都来自于：

http://www.ehu.es/ccwintco/index.php？title＝Hyperspectral_Remote_Sensi ng_Scenes.

3.仿真过程：

本次仿真实验选择两个现有的具有代表性的波段方法与本发明相比较。

第一种方法是基于相似度的无监督高光谱波段选择方法，该方法来源于文献：[Q.Du and H.Yang,“Similarity-based unsupervised band selection forhyperspectral image analysis,”Geoscience and Remote Sensing Letters,IEEE,vol.5,no.4,pp.564–568,2008.]。在本次实验中简记为SBBS。

第二种方法是最大化方差PCA，该方法来源于文献：[C.-I.Chang,Q.Du,T.-L.Sun,and M.L.Althouse,“A joint band prioritization and band-decorrelation approachto band selection for hyperspectral image classification,”Geoscience andRemote Sensing,IEEE Transactions on,vol.37,no.6,pp.2631–2641,1999.]。在本次实验中简记为MVPCA。

为了验证波段选择的有效性，在进行波段选择之后，会使用所选波段对应的高光谱数据，以ground truth图中的类别作为标签，参与高光谱图像分类实验，以分类准确度作为波段选择性能的判断标准。

对于indian pines图像，本例中使用本发明的方法与SBBS和MVPCA三种方法都选取了50个波段，选择10％的已知标记样本作为训练样本，剩余的已知标记样本作为测试样本，使用支撑向量机(svm)分类器做分类实验。本高光谱图像实验中所有的svm分类器都使用libsvm-3.20实现，参数设为t＝2,c＝1024,g＝2^-7，其余参数使用默认值。

对于paviaU图像，本例中使用本发明的方法与SBBS和MVPCA三种方法都选取了25个波段，选择5％的已知标记样本作为训练样本，剩余的已知标记样本作为测试样本，使用支撑向量机(svm)分类器做分类实验。本高光谱图像实验中所有的svm分类器都使用libsvm-3.20实现，参数设为t＝2,c＝1024,g＝2^-7，其余参数使用默认值。

通过仿真结果分析阐述本发明的有效性。

实施例7：

基于像素聚类的wrapper式高光谱波段选择方法同实施例1-5，仿真条件及实验平台同实施例6：

仿真结果分析：

实施例6中仿真实验得到的结果呈现在附图2与附图3中。

附图2是在indian pines高光谱图像上得到的本发明方法与现有两种波段选择方法的效果对比曲线图。图中呈现了三种方法分别挑选出5至50个波段后用于分类得到的准确度。从图中可以看出，本发明方法的效果一直要优于现有两种方法，尤其是本发明挑选出15个波段所取得的效果就已经优于现有两种方法获取50个波段时候的性能，说明本发明的波段选择性能更优秀；而且本发明在获取15个波段时性能已经趋于稳定，说明本发明方法在挑选出较少的波段时就可以达到最优效果。

附图3是在paviaU高光谱图像上得到的本发明方法与现有两种波段选择方法的效果对比曲线图。图中呈现了三种方法分别挑选出3至24个波段后用于分类得到的准确度。从图中可以看出，在挑选3至15个波段时，本发明方法的效果一直要优于现有两种方法；在挑选15至24个波段时，本发明方法与现有的SBBS方法效果几乎一致，但是明显优于现有的MVPCA方法；因此总体上来说本发明方法是优于现有两种方法的，本发明的波段选择性能更优秀。从图中还可以发现，本发明在挑选12个波段时，性能已经趋于最优的稳定水平，说明本发明方法在挑选出较少的波段时就可以达到最优效果。

上述仿真实验结果分析证明了本发明的有效性。

综上所述，本发明提出的一种基于像素聚类的wrapper式高光谱波段选择方法。具体操作步骤如下：(1)输入待波段选择的高光谱图像，并将其转换成矩阵形式；(2)对高光谱数据做超像素分割，得到超像素块；(3)利用相关性方法从每个超像素块中挑选一个代表点；(4)先使用无监督k-mediods方法对所得像素点聚类，再使用svm分类器进一步优化聚类效果，得到最终聚类结果；(5)：利用最终聚类结果，将代表点作为标记样本，使用wrapper式方法挑选波段。本发明解决了当没有标记样本时，就无法使用有监督波段选择方法的技术问题。本发明适用范围广，选择效果好，可以在无监督波段选择领域使用有监督波段选择方法，扩展了有监督波段选择方法的应用范围。用于高光谱图像处理中的数据降维，方便后续数据处理。

Claims (2)

1.一种基于像素聚类的wrapper式高光谱波段选择方法，其特征在于，包括有如下步骤：

(1)输入待波段选择的高光谱图像，假设图像的原始波段数目为P，将该图像转换为矩阵形式的高光谱数据；

(2)对高光谱数据做超像素分割，共产生N个相关的图像块；

(3)对每一个图像块，利用像素点之间的相关性方法挑选一个最具代表性的像素点，共得到N个代表点；

(4)对N个代表点使用k-medoids方法进行聚类，得到N个代表点的初始聚类结果；以N个代表点的初始聚类结果作为初始标签，再使用支撑向量机对初始聚类结果进行优化分类，得到N个代表点的最终聚类结果；具体步骤包括有：

4.1：对得到的N个代表点做k-medoids聚类，设N个代表点聚成C个类，则每个代表点属于{1,2,...,C}中的某一类，表示为{C_k}，k＝1,2,…,N；

4.2：以N个点的初始聚类结果{C_k}，k＝1,2,…,N；作为初始标签，结合谱信息{y_k}，k＝1,2,…,N；使用支撑向量机优化分类，设优化之后N个代表点分成D个类，则每个代表点属于{1,2,...,D}中的某一类，表示为{D_k}，k＝1,2,…,N；

(5)以N个代表点的最终聚类结果作为最终标签，将这N个代表点作为标记样本，用wrapper式波段选择方法在原始波段中选择波段，实现高光谱图像的波段选择，具体步骤包括有：

5.1：设已经选择的波段集合为S，起始时S为空，即S＝[]；

5.2：首先是第一个波段的选择，选择P个原始波段中的一个波段记作p，令T＝[S p]，以k＝1,2,…,N；为标记样本，其中代表第k个代表点在波段集合T中的光谱值，D_k代表第k个代表点的最终标签，使用支撑向量机对标记样本进行训练及分类，得到P个原始波段的分类准确度，选择其中准确率最高的波段，将该波段记为s₁，并在原始波段中去除掉s₁，将s₁加入已选波段集合S，则此时已选波段集合更新为S＝[s₁]；

5.3：接着是第二个波段的选择，选择P-1个剩余原始波段中的一个波段记作p，令T＝[Sp]，此时已选波段集合S＝[s₁]，以k＝1,2,…,N；为标记样本，其中代表第k个代表点在波段集合T中的光谱值，D_k代表第k个代表点的最终标签，使用支撑向量机对标记样本进行训练及分类，得到P-1个剩余原始波段的分类准确度，选择其中准确率最高的波段，将该波段记为s₂，并在原始波段中去除掉s₂，将s₂加入已选波段集合S，则此时已选波段集合更新为S＝[s₁ s₂]；

5.4：第q+1个波段的选择过程应该是，选择P-q个剩余原始波段中的一个波段记作p，令T＝[S p]，此时已选波段S＝[s₁,s₂,...,s_q]，以k＝1,2,…,N；为标记样本，其中代表第k个代表点在波段集合T中的光谱值，D_k代表第k个代表点的最终标签，使用支撑向量机对标记样本进行训练及分类，得到P-q个剩余原始波段的分类准确度，选择其中准确率最高的波段，将该波段记为s_(q+1)，并在原始波段中去除掉s_(q+1)，将s_(q+1)加入已选波段集合S，则此时已选波段集合更新为S＝[s₁,s₂,...,s_q,s_(q+1)]；

5.5：重复执行步骤5.4，逐步选择波段，直到达到所需的波段数目，此时已选集合S中即为所需波段。

2.根据权利要求1中所述的基于像素聚类的wrapper式高光谱波段选择方法，其特征在于，步骤(3)中从分割后的超像素块中挑选具有代表性的点，具体步骤包括有：

3.1：获取该超像素块内所有像素点的光谱平均值，设步骤(2)中生成N个超像素块，设第i个超像素块中有j个像素点，第i个超像素块中的每个点的谱信息记为其中每个元素k＝1,2,…,j；都是一个P维特征向量，表示该点的光谱信息；则该超像素块内平均光谱值为：

3.2：计算第i个超像素块内每一个像素点k＝1,2,…,j；与该超像素块的平均光谱值的相关性，得到j个相关性值{corr₁,corr₂,...,corr_j}；

3.3：挑选每个超像素块中相关性最大的像素点作为最具代表性像素点，N个超像素块共挑选出N个代表点，记作{y₁,y₂,...,y_k,...,y_N}，其中y_k是第k个P维特征向量，表示第k个超像素块中代表点的光谱信息。