CN110766619A - 一种基于波段质量分析的无监督波段选择算法 - Google Patents

Abstract

本发明公开一种基于波段质量分析的无监督波段选择算法，属于遥感图像处理技术领域。实施过程包括：1)构建初始波段质量参考图，利用改进的结构相似度指标(SSIM)对各个波段的质量进行评估，得出各波段初始质量得分；2)利用初始质量得分更新质量参考图，并计算出各波段最终质量得分；3)将波段质量分析的结果用以指导列子集波段选择算法，从而选择出冗余度低，信息量大，波段质量优的波段子集。本发明通过对波段质量的分析，在无监督的条件下获得了波段的质量得分，能够改善传统无监督波段选择方法易受噪声影响这一缺点，可用于遥感图像降维，分类等领域。

Description

一种基于波段质量分析的无监督波段选择算法

技术领域

本发明涉及一种基于波段质量分析的无监督波段选择方法，属于遥感图像处理领域，特别针对高光谱图像波段选择和降维应用。

背景技术

遥感技术是指结合电磁波的理论，将远距离目标对象应用传感仪器进行收集、处理，并通过显示设备使其成像，从而实现对地球上的物体进行探测和识别的技术，也是通俗意义下的“遥远的感知”。在航空航天领域，借助遥感技术对探测目标的电磁特性进行分析，使人类不需要直接接触到目标就可以获取所观测物体的许多性质和特征，从而极大的拓宽了人们的视野。随着人工智能，机器视觉等相关领域的发展，更是将其推向到了更高的发展水平，使其成为一门应用广泛的综合性学科。目前，遥感技术已成功应用于多个领域，在环境保护，海洋研究，大气科学，资源探测，地质勘查，精准农业等领域都有极大的发展前景。在此基础上，高光谱成像技术逐渐兴起，使得更多原来人类无法将其区分的物质在高光谱遥感的探测下得以区分开来。高光谱遥感将光谱维的信息与空间上的信息得以有效的结合，从而极大地提高了这一技术的识别能力，有效地提高了对物质的特征进行分析的可靠性与可信度，已广泛应用于城市遥感，环境监测等诸多方面。与只有几个波段的多光谱相比，高光谱图像拥有成千上百个波段，大量的光谱波段为我们对地物识别的研究带来了极大的便利，也使得一些在传统图像或者传统探测技术中不容易区分的物质在高光谱成像仪下得以探测。

但成千上百个波段也带来了许许多多的问题。例如数据量大，传输、存储难，信息冗余等。通常来讲，高光谱图像的波段宽度十分微小，一般都在纳米数量级，相邻波段之间相关性比较高，造成大量信息是多余的且重复的。这些冗余信息占据了大量存储空间，给后续的数据传输，分析等造成严重不便。在分类过程中，特征维度的增加还会造成Hughes现象，即随着波段数量不断增加，分类精度会呈现先增后降的变化趋势。此外，高光谱图像会包含一些被噪声污染的无用波段，这些波段会影响对高光谱图像数据的后续处理，降低分类精度。因此，对高光谱图像进行降维，并提取出有用的特征或者波段信息显得尤为重要。

目前的高光谱图像波段选择方法通常分为以下几种类型，即基于排序的方法，基于聚类的方法，基于几何的方法。其中，基于排序的方法通常根据某些准则，例如互信息、方差等对波段进行排序，基于聚类的方法将波段选择解释为聚类问题，更倾向于选择靠近聚类中心的波段作为期望的波段子集，最近，基于几何的方法也引起了许多研究者的关注，其中，通过最大化单形体体积来进行波段选择取得了较优的结果。基于几何的方法可以充分利用高光谱数据中的几何特征，从而选择具有最低相关性和最大信息量的波段子集。然而，由于噪声波段与其他波段相比具有不同的特性，因此这些方法很容易被噪声干扰。

综上所述，现有无监督波段选择算法普遍容易遭受噪声波段的影响。本发明通过分析高光谱图像中各个波段的质量，提出了一种鲁棒性的基于几何的波段选择方法。

发明内容

(一)要解决的技术问题

针对现有的基于几何的波段选择方法存在的易受噪声影响的问题，本发明提供一种基于波段质量分析的高光谱图像无监督波段选择方法。该方法能够在无监督条件下，获得各个波段的质量优劣，从而选择出冗余度低，信息量大，同时波段质量优的波段子集。

(二)技术方案

一种基于波段质量的高光谱图像波段选择方法，该方法具体包括以下步骤：

步骤1：构建初始波段质量参考图，利用改进的结构相似度指标(SSIM)对高光谱图像各个波段的质量进行初步估计，得出初始质量得分；

步骤2：利用初始质量得分更新波段质量参考图，并获得各波段最终质量得分；

步骤3：利用获得的波段质量得分指导基于几何的列子集波段选择算法，选择出冗余度低，信息量大，波段质量优的波段子集。其中，基于几何的列子集选择算法将每个波段视为一个列向量，通过最大化波段子集构成的单形体体积来找出信息量大、冗余性低的波段子集；

(三)有益效果

目前的无监督波段选择方法大都可以选择出冗余度低，信息量大的波段子集，但是由于噪声波段与其他波段相比也具有极大不同，因此现有的无监督波段选择方法极易受到噪声波段的干扰，造成选择的波段子集包含大量的噪声波段。而本发明通过对高光谱图像中各个波段进行质量分析，能够相对准确地避免选择质量差的波段，从而使得本发明中的方法具有较高的鲁棒性。

附图说明

图1：基于波段质量分析的高光谱图像无监督波段选择方法流程图；

图2：Indian Pines数据的波段可视化及其对应的质量得分；

图3：不同波段数量下不同方法的总体分类精度曲线对比

具体实施方式

为了更好地了解本发明的方案过程，下面结合附图和具体实施方式详细介绍本发明具体过程。本发明的具体实现流程如图1所示，各部分具体实施细节如下：

步骤1：首先构建高光谱图像各波段的初始质量参考图，利用改进的SSIM对各个波段的质量进行初步估计，得出初始质量得分。

步骤1-1：计算每个波段的数值梯度图，计算公式如(1)所示。对于高光谱图像，高质量波段中不同的地物之间通常有明确的边缘，而低质量波段则没有体现出这一点。因此空间结构信息可以被用来评估波段的质量。

G_i(x，y)＝sqrt(F_x ²+F_y ²)

其中，F_x，F_y分别为波段图像在x,y方向的微分。

步骤1-2：对获得的数值梯度进行直方图均衡，以便使不同波段的梯度值保持在相同的范围内。但直方图均衡后的梯度不仅包含主要结构，还包含次要纹理。而这些轻微的纹理可能是由噪声引起的，会给后续的质量评估带来错误的影响。因此，还需要将各个波段梯度中的较小值设置为零，这有利于保留主要结构信息并去除无用的次要信息。

步骤1-3：计算所有波段梯度的平均值，并作为初始质量参考图，如式(2)所示。

其中，G_i表示第i个波段的梯度，N表示波段的数目，RG表示初始质量参考图。

步骤1-4：根据初始质量参考图，可以利用结构相似度指标(SSIM)来计算各波段的初始质量得分，如式(3)所示。

其中，

表示第i个波段的初始质量得分。

步骤2：利用初始质量得分更新波段质量参考图，并获得各波段最终质量得分。

步骤2-1：根据初始质量得分对波段进行排序，选取前t_N个波段作为高质量波段集。然后，通过这些高质量波段集更新参考初始质量参考图，如式(4)所示。

其中，RG^final表示最终的质量参考图，t_N表示高质量波段的数量。

步骤2-2：通过计算每个波段与最终质量参考图之间的结构相似性来获得每个波段的最终质量得分，如式(5)所示。

AGR_i＝SSIM(G_i,RG^final） (5)

其中，AGR_i表示最终的波段质量得分。

步骤3：利用获得的波段质量得分指导基于几何的列子集波段选择算法，选择出冗余度低，信息量大，波段质量优的波段子集。其中，基于几何的列子集选择算法将每个波段视为一个列向量，通过最大化波段子集构成的单形体体积来找出信息量大、冗余性低的波段子集。

步骤3-1：将输入的三维高光谱立方体转变为二维矩阵的形式，即X＝[x₁,x₂,…,x_N]∈R^M×N，其中x_i表示由第i个波段中的所有像素构成的矢量。M表示像素数量，N表示波段数量。

步骤3-2：为了找出冗余度低，信息量大，同时波段质量优的子集，需要对式(6)进行优化，找出可以使式(6)最大化的列子集。

F＝AGR×V (6)

其中，V＝Vol(x₁,x₂,…x_t)表示波段子集构成的单形体体积，t表示所选择的波段子集中的数目，AGR表示波段的质量得分。

步骤3-3：优化求解。由于直接优化上式是一个NP难问题，因此，可以利用Thurau近似理论来有效解决这一优化问题，如式(7)所示。

具体来说，可以通过迭代的方式寻找可以使单形体体积最大的波段，如式(8)所示。

实施例

本实施例选取高光谱图像中具有代表性的Indian Pines图像为例，此图像是由机载可见红外成像光谱仪(AVIRIS)于1992年收集，覆盖印第安纳州西北部的印度松树试验场。这个最广泛使用的高光谱图像由145×145像素组成，空间分辨率为20米/像素，共有220个波段，其中第104-108，第150-163以及第220个波段被水吸收。

为了证明本发明在波段质量评估上的效果，在图2中展示了三个具有不同质量得分的波段，从直观上可以看出，质量较好且结构较清晰的波段的质量得分较高，反之则得分较低。由此说明本发明能够在无监督的情况下相对准确地对波段质量进行评估。

为了证明本发明在波段选择上的效果，选取了五种代表性波段选择方法，即两种基于聚类的方法：ECA，EFDPC，三种基于几何的方法：OPBS，CSBS，VGBS。为了检验各个算法选择到的波段子集的优劣，本发明利用分类实验作为检验方式，并采用了总体分类精度曲线(overall accuracy，OA)作为客观评价指标，如图3所示。由此可以看出，本发明在波段数量为5到40时，能够取得最高的分类精度。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于波段质量分析的无监督波段选择算法，其特征在于，构建初始波段质量参考图，利用改进的结构相似度指标(SSIM)对各个波段的质量进行评估，得出各波段初始质量得分；利用计算得到的初始质量得分更新质量参考图，并计算出各波段最终质量得分；在得到波段质量得分的基础上，将质量得分用以指导列子集波段选择算法，从而选择出冗余度低，信息量大，波段质量优的波段子集。

2.按照权利要求1所述的构建初始波段质量参考图，利用改进的结构相似度指标(SSIM)对各个波段的质量进行评估，得出各波段初始质量得分，其特征在于，由于高光谱图像中高质量波段通常有明确定义的边缘和结构，而低质量波段则没有，因此可以通过波段结构信息来获取波段初始质量得分。具体包括以下步骤：

21)：按照公式(1)计算每个波段的数值梯度图。

G_i(x,y)＝sqrt(F_x ²+F_y ²) (1)

其中，F_x，F_y分别表示波段图像在x,y方向的微分。

22)：对获得的数值梯度进行直方图均衡处理，以便使不同波段的梯度值保持在相同的范围内。但直方图均衡后的梯度不仅包含主要结构，还包含次要纹理。而这些轻微的纹理可能是由噪声引起的，会给后续的质量评估带来不利的影响。因此，还需要将各个波段梯度中的较小值设置为零，这有利于保留主要结构信息并去除无用的次要信息。

23)：根据式(2)计算所有波段梯度的平均值，并作为初始质量参考图。

其中，G_i表示第i个波段的梯度，N表示波段的数目，RG表示初始质量参考图。

24)：根据初始质量参考图，计算各波段的初始质量得分，如式(3)所示。

其中，

表示第i个波段的初始质量得分。

3.按照权利要求1所述的利用计算得到的初始质量得分更新质量参考图，并计算出各波段最终质量得分，其特征在于，包括以下步骤：

31)根据初始质量得分对波段进行排序，选取前t_N个波段作为高质量波段集。然后，利用这些高质量波段集更新参考初始质量参考图，如式(4)所示。

其中，RG^final表示最终的质量参考图，t_N表示高质量波段的数量。

32)：通过计算各个波段与最终质量参考图之间的结构相似性来获得波段最终质量得分，如式(5)所示。

AGR_i＝SSIM(G_i,RG^final) (5)

其中，AGR_i表示最终的波段质量得分。

4.按照权利要求1所述的在得到波段质量得分的基础上，将质量得分用以指导列子集波段选择算法，从而选择出冗余度低，信息量大，波段质量优的波段子集，其特征在于，包括以下步骤：

41)将输入的三维高光谱立方体转变为二维矩阵的形式，即X＝[x₁,x₂,…,x_N]∈R^M×N，其中x_i表示由第i个波段中的所有像素构成的矢量。M表示像素数量，N表示波段数量。

42)为了找出冗余度低，信息量大，同时波段质量优的子集，需要对式(6)进行优化，并找出可以使式(6)最大化的列子集。

F＝AGR×V (6)

其中，V＝Vol(x₁,x₂,…x_t)表示波段子集构成的单形体体积，t表示所选择的波段子集中的数目，AGR表示波段的质量得分。

43)优化求解。由于直接优化上式是一个NP难问题，因此，可以利用Thurau近似理论来有效解决这一优化问题，如式(7)所示。

具体来说，可以通过迭代的方式寻找能够使单形体体积最大的波段子集，如式(8)所示。

Images