CN109871768B - 基于共享最近邻的高光谱最优波段选择方法 - Google Patents
基于共享最近邻的高光谱最优波段选择方法 Download PDFInfo
- Publication number
- CN109871768B CN109871768B CN201910046247.XA CN201910046247A CN109871768B CN 109871768 B CN109871768 B CN 109871768B CN 201910046247 A CN201910046247 A CN 201910046247A CN 109871768 B CN109871768 B CN 109871768B
- Authority
- CN
- China
- Prior art keywords
- band
- wave
- wave band
- bands
- hyperspectral
- 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.)
- Active
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
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
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,...,xL],其中,xi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(xi,xj):
利用K近邻方法得到波段i周围的K个波段为:
kd(xi)={xi∈X|D(xi,xj)≤di},
其中,di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(xi,xj)=|kd(xi)∩kd(xj)|,
根据步骤二中的D(xi,xj)与S(xi,xj)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σi,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Hi:
Hi=-∑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ρi、最小距离σi、信息量Hi,将三个因子的乘积作为最终的波段权重
wi=ρi×σi×Hi
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|||kt|-|kj||≥γ},
其中,t的取值范围为1≤t≤L-2,kt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,...,xL],其中,xi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(xi,xj):
利用K近邻方法得到波段i周围的K个波段为:
kd(xi)={xi∈X|D(xi,xj)≤di},
其中,di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(xi,xj)=|kd(xi)∩kd(xj)|,
根据上述的D(xi,xj)与S(xi,xj)矩阵,每个波段的局部密度定义为这两个矩阵的比值,记住ρi。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σi,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Hi:
Hi=-∑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ρi、最小距离σi、信息量Hi,将三个因子的乘积作为最终的波段权重
wi=ρi×σi×Hi
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|||kt|-|kj||≥γ},
其中,t的取值范围为1≤t≤L-2,kt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,...,xL],其中,xi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(xi,xj):
利用K近邻方法得到波段i周围的K个波段为:
kd(xi)={xi∈X|D(xi,xj)≤di},
其中,di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(xi,xj)=|kd(xi)∩kd(xj)|,
根据步骤二中的D(xi,xj)与S(xi,xj)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σi,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Hi:
Hi=-∑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ρi、最小距离σi、信息量Hi,将三个因子的乘积作为最终的波段权重
wi=ρi×σi×Hi
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|||kt|-|kj||≥γ},
其中,t的取值范围为1≤t≤L-2,kt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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910046247.XA CN109871768B (zh) | 2019-01-18 | 2019-01-18 | 基于共享最近邻的高光谱最优波段选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910046247.XA CN109871768B (zh) | 2019-01-18 | 2019-01-18 | 基于共享最近邻的高光谱最优波段选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109871768A CN109871768A (zh) | 2019-06-11 |
CN109871768B true CN109871768B (zh) | 2022-04-29 |
Family
ID=66917815
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910046247.XA Active CN109871768B (zh) | 2019-01-18 | 2019-01-18 | 基于共享最近邻的高光谱最优波段选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109871768B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112525346B (zh) * | 2020-12-03 | 2022-10-11 | 安徽理工大学 | 一种基于改进oif的光谱图像最佳波段的选择方法、系统及存储介质 |
CN116297530B (zh) * | 2023-05-19 | 2023-07-25 | 广东正一包装股份有限公司 | 基于光学技术的阻隔膜表面质量检测方法 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101859383B (zh) * | 2010-06-08 | 2012-07-18 | 河海大学 | 基于时间序列重要点分析的高光谱遥感图像波段选择方法 |
CN102521605A (zh) * | 2011-11-25 | 2012-06-27 | 河海大学 | 一种高光谱遥感图像波段选择方法 |
CN102903006B (zh) * | 2012-09-14 | 2015-08-12 | 哈尔滨工程大学 | 一种高光谱图像波段选择方法 |
US9213915B2 (en) * | 2013-03-15 | 2015-12-15 | Raytheon Company | Sparse adaptive filter |
CN104268582B (zh) * | 2014-08-26 | 2017-07-14 | 中国科学院遥感与数字地球研究所 | 一种高光谱图像的波段选择方法及装置 |
CN104217015B (zh) * | 2014-09-22 | 2017-11-03 | 西安理工大学 | 基于互为共享最近邻的层次聚类方法 |
CN104933156A (zh) * | 2015-06-25 | 2015-09-23 | 西安理工大学 | 一种基于共享近邻聚类的协同过滤方法 |
US10964018B2 (en) * | 2016-11-22 | 2021-03-30 | Universidad De Las Palmas De Gran Canaria | Method of non-invasive detection of tumour and/or healthy tissue and hyperspectral imaging apparatus |
CN106778680B (zh) * | 2017-01-06 | 2018-06-26 | 杭州电子科技大学 | 一种基于关键波段提取的高光谱图像波段选择方法及装置 |
CN106934400B (zh) * | 2017-02-24 | 2020-02-07 | 西安电子科技大学 | 基于自表示和局部相似性保护的高光谱图像波段选择方法 |
CN107203779A (zh) * | 2017-05-11 | 2017-09-26 | 中国科学院西安光学精密机械研究所 | 基于空谱信息保持的高光谱降维方法 |
CN107220662B (zh) * | 2017-05-16 | 2019-07-19 | 西北工业大学 | 基于全局最优聚类的高光谱图像波段选择方法 |
CN107451606B (zh) * | 2017-07-13 | 2020-08-11 | 西安电子科技大学 | 基于局部聚类比例排序的高光谱波段选择方法 |
CN108647297B (zh) * | 2018-05-08 | 2020-11-20 | 山东师范大学 | 一种共享近邻优化的密度峰值聚类中心选取方法和系统 |
CN109191443B (zh) * | 2018-08-28 | 2022-03-04 | 广东工业大学 | 基于序列信息与波段质量的高光谱图像波段选择方法 |
-
2019
- 2019-01-18 CN CN201910046247.XA patent/CN109871768B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109871768A (zh) | 2019-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jia et al. | A novel ranking-based clustering approach for hyperspectral band selection | |
Bosch et al. | Combining global and local features for food identification in dietary assessment | |
CN108596154B (zh) | 基于高维特征选择与多级融合的遥感图像分类方法 | |
Zhao et al. | Band-subset-based clustering and fusion for hyperspectral imagery classification | |
Huang et al. | Double nearest proportion feature extraction for hyperspectral-image classification | |
LU502854B1 (en) | A hyperspectral image band selection method and system based on nearest neighbor subspace division | |
CN109934258B (zh) | 特征加权和区域整合的图像检索方法 | |
James et al. | Nearest neighbor classifier based on nearest feature decisions | |
CN109871768B (zh) | 基于共享最近邻的高光谱最优波段选择方法 | |
Bramhe et al. | Extraction of built-up areas from Landsat-8 OLI data based on spectral-textural information and feature selection using support vector machine method | |
Zhao et al. | Combining multiple SVM classifiers for adult image recognition | |
CN109902581B (zh) | 一种基于多步加权的单样本部分遮挡人脸识别方法 | |
Guerbai et al. | Handwriting gender recognition system based on the one-class support vector machines | |
CN110929801B (zh) | 一种基于改进的Euclid距离KNN分类方法和系统 | |
CN106326927B (zh) | 一种鞋印新类别检测方法 | |
Kumar et al. | A Robust mRMR Based Pedestrian Detection Approach Using Shape Descriptor. | |
Di Ruberto et al. | On different colour spaces for medical colour image classification | |
Jain et al. | An unsupervised band selection method for hyperspectral images using mutual information based dependence index | |
CN109241886B (zh) | 基于olbp与pca的人脸识别方法和系统 | |
Bhagyalakshmi et al. | Image retrieval using color and texture binary patterns | |
Demidova et al. | Improving the accuracy of the SVM classification using the Parzen classifier | |
CN111539470A (zh) | 图像处理方法、装置、计算机设备及存储介质 | |
Umarani et al. | Z-Score Normalized Features with Maximum Distance Measure Based k-NN Automated Blood Cancer Diagnosis System | |
Wang et al. | Hyperspectral band selection based on adaptive neighborhood grouping and local structure correlation | |
Zweng et al. | Improved relational feature model for people detection using histogram similarity functions |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |