CN109871768B - 基于共享最近邻的高光谱最优波段选择方法 - Google Patents

Abstract

本发明公开了一种基于共享最近邻的高光谱最优波段选择方法，用于解决现有波段选择方法实用性差的技术问题。技术方案是利用欧式距离度量每个波段之间的相似性，通过K近邻方法获得每个波段周围的K个邻近波段，采用共享最近邻方法计算每个波段的局部密度；获得每个波段到其它高密度波段的最小距离，通过信息熵计算每个波段信息量的大小，将三个因子的乘积作为波段权重；将高光谱波段的权重进行降序排序，通过权重曲线的斜率变化得到最大索引，进而确定最优波段数量。由于共享最近邻从局部分析每个波段与其它波段之间的局部相似性，能准确反映空间中各个波段的局部分布特征，同时考虑到被选波段的信息量，提高了高光谱波段选择的鲁棒性，实用性好。

Description

基于共享最近邻的高光谱最优波段选择方法

技术领域

本发明属于图像处理技术领域，特别涉及一种基于共享最近邻的高光谱最优波段选择方法。

背景技术

利用高光谱传感器，通过不同的波长捕获大量连续的波段图像，相比于RGB图像，这些波段可以提供更为丰富的光谱信息与图像信息，能对同一目标地物连续成像,更好的描述地物的光谱特性差异，提高了目标的检测与识别能力。然而，大量的高光谱波段使得数据量成倍的增长，并且波段之间的信息冗余度高，不利于后续的图像分析。因此，减少数据量、节省资源的降维处理非常有必要。为了不改变原始数据，波段选择技术应用而生，其是从所有的高光谱波段中选择相关性小、信息量大的波段子集代表整个光谱波段，获得与所有波段近似相等的处理结果。

文献“Jia S,Tang G,Zhu J,et al.A Novel Ranking-Based ClusteringApproach for Hyperspectral Band Selection.IEEE Transactions on Geoscience andRemote Sensing,2015,54(1):88-102.”公开了一种基于改进的密度峰值聚类波段选择方法。这种算法将每个波段看为一个点，以欧式距离度量各个点之间的相似性，采用指数学习规则获得每个点局部密度，然后计算每个点与其它更高的局部密度点之间的最小距离，根据两个因子的乘积得到每个点的权重，依据权重大小选择相应的波段。虽然该方法通过计算两个因子有效的降低了波段之间的冗余度与相关性，但其仍存在不足：首先，采用自动调整截断距离计算每个点局部密度，该方法没有考虑到其他点的影响，造成错误的局部密度估计；其次，在选择较大权重作为被选的波段时，没有考虑波段信息量，影响后续的波段子集选取。

发明内容

为了克服现有波段选择方法实用性差的不足，本发明提供一种基于共享最近邻的高光谱最优波段选择方法。该方法首先利用欧式距离度量每个波段之间的相似性，通过K近邻方法获得每个波段周围的K个邻近波段，并采用共享最近邻方法计算每个波段的局部密度；其次根据聚类中心具有较大的局部密度思想，获得每个波段到其它高密度波段的最小距离，接着通过信息熵计算每个波段信息量的大小，将三个因子的乘积作为波段权重；最后将高光谱波段的权重进行降序排序，并通过权重曲线的斜率变化得到符合准则的最大索引，进而确定最优的波段数量。由于共享最近邻从局部分析每个波段与其它波段之间的局部相似性，能准确反映空间中各个波段的局部分布特征，同时也考虑到被选波段的信息量，可以有效地提高高光谱波段选择的鲁棒性，实用性好。

本发明解决其技术问题所采用的技术方案：一种基于共享最近邻的高光谱最优波段选择方法，其特点是包括以下步骤：

步骤一、假设L为高光谱的波段数量，每个波段的尺寸大小为W×H，将每个波段的空间图像拉伸为一维向量，并将每个波段的数据进行归一化处理，得到所有波段的初始矩阵X＝[x₁,x₂,...,x_L]，其中，x_i为波段i的向量。

步骤二、采用欧式距离度量任意两个波段之间距为D(x_i,x_j)：

利用K近邻方法得到波段i周围的K个波段为：

kd(x_i)＝{x_i∈X|D(x_i,x_j)≤d_i}，

其中，d_i表示距波段i的第K个波段的距离。

步骤三、对高光谱的每个波段，计算波段i与波段j的局部共享近邻数量：

S(x_i,x_j)＝|kd(x_i)∩kd(x_j)|，

根据步骤二中的D(x_i,x_j)与S(x_i,x_j)矩阵，每个波段的局部密度定义：

步骤四、对高光谱每个波段，计算每个波段与其它更高的局部密度波段之间的最小距离σ_i，对于有着最大局部密度的波段，将其直接等于与其它波段最远的距离，具体公式定义如下：

步骤五、采用信息熵衡量每个波段的信息量大小，记为H_i：

H_i＝-∑p(a)log(p(a))

其中，p(a)表示事件a发生的概率。归一化每个波段的局部密度ρ_i、最小距离σ_i、信息量H_i，将三个因子的乘积作为最终的波段权重

w_i＝ρ_i×σ_i×H_i

步骤六、将高光谱波段的权重进行降序排序，并通过权重曲线的斜率变化得到符合候选波段的数量p：

p＝{t|||k_t|-|k_j||≥γ}，

其中，t的取值范围为1≤t≤L-2，k_t为第t个波段与第t+1个波段权重曲线的斜率，γ为相邻两个波段之间权重曲线斜率的平均值。根据候选的波段数量p，选择最大值作为最优波段的数量。

本发明的有益效果是：该方法首先利用欧式距离度量每个波段之间的相似性，通过K近邻方法获得每个波段周围的K个邻近波段，并采用共享最近邻方法计算每个波段的局部密度；其次根据聚类中心具有较大的局部密度思想，获得每个波段到其它高密度波段的最小距离，接着通过信息熵计算每个波段信息量的大小，将三个因子的乘积作为波段权重；最后将高光谱波段的权重进行降序排序，并通过权重曲线的斜率变化得到符合准则的最大索引，进而确定最优的波段数量。由于共享最近邻从局部分析每个波段与其它波段之间的局部相似性，能准确反映空间中各个波段的局部分布特征，同时考虑到被选波段的信息量，提高了高光谱波段选择的鲁棒性，实用性好。

下面结合附图和具体实施方式对本发明作详细说明。

附图说明

图1是本发明基于共享最近邻的高光谱最优波段选择方法的流程图。

具体实施方式

参照图1。本发明基于共享最近邻的高光谱最优波段选择方法具体步骤如下：

步骤一、假设L为高光谱的波段数量，每个波段的尺寸大小为W×H，将每个波段的空间图像拉伸为一维向量，并将每个波段的数据进行归一化处理，得到所有波段的初始矩阵X＝[x₁,x₂,...,x_L]，其中，x_i为波段i的向量。

步骤二、采用欧式距离度量任意两个波段之间距为D(x_i,x_j)：

利用K近邻方法得到波段i周围的K个波段为：

kd(x_i)＝{x_i∈X|D(x_i,x_j)≤d_i}，

其中，d_i表示距波段i的第K个波段的距离。

步骤三、对高光谱的每个波段，计算局部共享近邻数量：

S(x_i,x_j)＝|kd(x_i)∩kd(x_j)|，

根据上述的D(x_i,x_j)与S(x_i,x_j)矩阵，每个波段的局部密度定义为这两个矩阵的比值，记住ρ_i。为了减少统计误差造成的影响，采用高斯核函数进行处理得到每个波段的局部密度为：

步骤四、对高光谱每个波段，计算每个波段与其它更高的局部密度波段之间的最小距离σ_i，对于有着最大局部密度的波段，将其直接等于与其它波段最远的距离，具体公式定义如下：

步骤五、采用信息熵衡量每个波段的信息量大小，记为H_i：

H_i＝-∑p(a)log(p(a))

其中，p(a)表示事件a发生的概率。归一化每个波段的局部密度ρ_i、最小距离σ_i、信息量H_i，将三个因子的乘积作为最终的波段权重

w_i＝ρ_i×σ_i×H_i

步骤六、将高光谱波段的权重进行降序排序，并通过权重曲线的斜率变化得到符合候选波段的数量p：

p＝{t|||k_t|-|k_j||≥γ}，

其中，t的取值范围为1≤t≤L-2，k_t为第t个波段与第t+1个波段权重曲线的斜率，γ为相邻两个波段之间权重曲线斜率的平均值。根据候选的波段数量p，选择最大值作为最优波段的数量。

本发明的效果通过以下仿真实验做进一步的说明。

1.仿真条件。

本发明是在中央处理器为

i5-3470 3.2GHz CPU、内存16G、WINDOWS 10操作系统上，运用MATLAB R2016a软件进行的仿真。仿真中使用的数据为高光谱公开数据集Indian Pines与Pavia University。Indian Pines数据集含有200个波段，每个波段的尺寸大小为145×145；Pavia University数据集含有103个波段，每个波段的尺寸大小为610×340。

2.仿真内容。

为了证明本发明基于共享最近邻的高光谱最优波段选择方法(SNNC)的有效性,以平均分类精确度(Average Overall Accuracy,AOA)作为评价标准，采用K近邻(k-NearestNeighbor，KNN)与支持向量机(Support Vector Machine，SVM)分类器进行测试，选择了等距波段选择(UBS)、基于改进的密度峰值聚类波段选择(E-FDPC)、基于几何的正交投影波段选择(OPBS)与基于体积梯度的波段选择(VGBS)作为对比算法。UBS算法在文献“Chang C I,Wang S.Constrained band selection for hyperspectral imagery.IEEE Transactionson Geoscience and Remote Sensing,2006,44(6):1575-1585.”中有详细介绍；E-FDPC算法是“Jia S,Tang G,Zhu J,et al.A Novel Ranking-Based Clustering Approach forHyperspectral Band Selection.IEEE Transactions on Geoscience and RemoteSensing,2015,54(1):88-102.”提出的；OPBS算法在“Zhang W,Li X,Dou Y,et al.AGeometry-Based Band Selection Approach for Hyperspectral Image Analysis.IEEETransactions on Geoscience and Remote Sensing,2018,PP(99):1-16.”提出的；VGBS算法在文献“Geng X,Sun K,Ji L,et al.A Fast Volume-Gradient-Based Band SelectionMethod for Hyperspectral Image.IEEE Transactions on Geoscience and RemoteSensing,2014,52(11):7111-7119.”提出的。对比结果如表1所示：

从表1可见，本发明所方法在两个数据集上都有较高的分类精度，在两个分类器上分类的结果都优于其它算法。这说明本发明方法更具有鲁棒性。

Claims (1)

1.一种基于共享最近邻的高光谱最优波段选择方法，其特征在于包括以下步骤：

步骤一、假设L为高光谱的波段数量，每个波段的尺寸大小为W×H，将每个波段的空间图像拉伸为一维向量，并将每个波段的数据进行归一化处理，得到所有波段的初始矩阵X＝[x₁,x₂,...,x_L]，其中，x_i为波段i的向量；

步骤二、采用欧式距离度量任意两个波段之间距离 为D(x_i,x_j)：

利用K近邻方法得到波段i周围的K个波段为：

kd(x_i)＝{x_i∈X|D(x_i,x_j)≤d_i}，

其中，d_i表示距波段i的第K个波段的距离；

步骤三、对高光谱的每个波段，计算波段i与波段j的局部共享近邻数量：

S(x_i,x_j)＝|kd(x_i)∩kd(x_j)|，

根据步骤二中的D(x_i,x_j)与S(x_i,x_j)矩阵，每个波段的局部密度定义：

步骤四、对高光谱每个波段，计算每个波段与其它更高的局部密度波段之间的最小距离σ_i，对于有着最大局部密度的波段，将其直接等于与其它波段最远的距离，具体公式定义如下：

步骤五、采用信息熵衡量每个波段的信息量大小，记为H_i：

H_i＝-∑p(a)log(p(a))

其中，p(a)表示事件a发生的概率；归一化每个波段的局部密度ρ_i、最小距离σ_i、信息量H_i，将三个因子的乘积作为最终的波段权重

w_i＝ρ_i×σ_i×H_i

步骤六、将高光谱波段的权重进行降序排序，并通过权重曲线的斜率变化得到符合候选波段的数量p：

p＝{t|||k_t|-|k_j||≥γ}，

其中，t的取值范围为1≤t≤L-2，k_t为第t个波段与第t+1个波段权重曲线的斜率，γ为相邻两个波段之间权重曲线斜率的平均值；根据候选的波段数量p，选择最大值作为最优波段的数量。

Images