CN111912799A - 一种基于高光谱水体库的自适应波段选择方法 - Google Patents

一种基于高光谱水体库的自适应波段选择方法 Download PDF

Info

Publication number
CN111912799A
CN111912799A CN202010694084.9A CN202010694084A CN111912799A CN 111912799 A CN111912799 A CN 111912799A CN 202010694084 A CN202010694084 A CN 202010694084A CN 111912799 A CN111912799 A CN 111912799A
Authority
CN
China
Prior art keywords
water body
spectrum
band
subspace
spectral
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
Application number
CN202010694084.9A
Other languages
English (en)
Other versions
CN111912799B (zh
Inventor
李海巍
陈军宇
陈铁桥
胡炳樑
张耿
王爽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
XiAn Institute of Optics and Precision Mechanics of CAS
Original Assignee
XiAn Institute of Optics and Precision Mechanics of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by XiAn Institute of Optics and Precision Mechanics of CAS filed Critical XiAn Institute of Optics and Precision Mechanics of CAS
Priority to CN202010694084.9A priority Critical patent/CN111912799B/zh
Publication of CN111912799A publication Critical patent/CN111912799A/zh
Application granted granted Critical
Publication of CN111912799B publication Critical patent/CN111912799B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提出一种基于高光谱水体库的自适应波段选择方法，解决了现有水体大气校正精度较低的问题。该方法通过对水体光谱库进行相关的处理，定义了一种针对水体波段选择的自适应函数，结合遗传算法，最终选取了水体校正所需的最优波段，这样的波段选择方法，能够面向不同分辨率的光谱仪、不同水体场景下，得到不同的最优波段选择，从而更好的提升水体大气校正的精度。

Description

一种基于高光谱水体库的自适应波段选择方法
技术领域
本发明属于定量遥感中高光谱水体大气校正领域，具体涉及一种基于高光谱水体库的自适应波段选择方法，该方法为水体大气校正中选择离水辐亮度近似为0的波段。
背景技术
在定量遥感领域，高光谱传感器在大气层顶接收到的信号中有90％以上来自大气散射，使得获取的所需水体信息只占到10％，大气散射和气溶胶散射等严重影响了水体信息的获取。因此，要获得有关水体信息，就需要进行精确的水体大气校正。在水体大气校正中，主要目的就是得到剔除掉瑞利散射、气溶胶散射等影响的真实离水辐亮度Lw。目前较为精确的水体大气校正，都会先设定其离水辐亮度Lw近似为0的波段。现有的水体校正算法中，都是预先给予经验的波段，例如MODIS选用1240nm和1640nm进行波段组合完成大气校正；可见光三波段离水辐射经验关系迭代算法选择443nm、550nm、670nm进行迭代求解；Arnone选择765nm、671nm、865nm波段带入到SeaWiFS算法中迭代求得各波段的离水辐射。这些波段的选择都是基于之前学者研究经验总结得出，而且具有区域特性。对于某些特定的水体场景，波段的选择不一定有效，比如在高浑浊水域，Arnone的经验关系式则不一定成立，从而降低了水体大气校正的精度。然而高光谱数据具有高的光谱分辨率，对于光谱分辨率在1nm～5nm范围内的高光谱数据，有很多波段可以考虑。
发明内容
本发明的目的是解决现有水体大气校正精度较低的问题，提出一种基于高光谱水体库的自适应波段选择方法。该方法通过对水体光谱库进行相关的处理，定义了一种针对水体波段选择的自适应函数，结合遗传算法，最终选取了水体校正所需的最优波段，这样的波段选择方法，能够面向不同分辨率的光谱仪、不同水体场景下，得到不同的最优波段选择，从而更好的提升水体大气校正的精度。
为实现以上发明目的，本发明技术方案是：
一种基于高光谱水体库的自适应波段选择方法，包括以下步骤：
步骤一、导入水体光谱库，获取水体光谱库中水体光谱曲线；
步骤二、根据光谱仪的光谱分辨率对水体光谱曲线进行光谱等效；
根据光谱仪的分辨率，使用高斯函数模拟光谱响应函数，通过以下公式对水体光谱曲线进行光谱波段等效，得到与光谱仪相对应的光谱曲线Xi；
Figure BDA0002590318710000021
Figure BDA0002590318710000022
其中，gi(λ)为使用高斯函数模拟的光谱响应函数；Xλ为在λ波长下的水体离水辐亮度值；cb为每个通道的中心波长；FWHM为半波宽；Xi为等效后的i波长下的离水辐亮度值；λ1为当前i波长下使用高斯函数模拟的光谱响应函数的最小波段；λ2为当前i波长下使用高斯函数模拟的光谱响应函数的最大波段；
步骤三、对水体光谱数据进行数据增强；
对步骤二得到的光谱曲线Xi使用三次样条差值进行光谱波段的数据增强，得到增强后的n个光谱数据；
步骤四、剔除氧气水汽吸收波段；
在步骤三得到的光谱数据中剔除受水汽氧气二氧化碳吸收影响的波段；
步骤五、计算水体光谱的相关系数矩阵；
通过公式(3)计算光谱数据的相关系数矩阵R；
Figure BDA0002590318710000031
其中，rij为波段Wi和波段Wj的相关系数，i和j的范围均为1到l，其中l为最大波段数，波段Wi和波段Wj是步骤四处理后的光谱数据，rij使用公式(4)计算；
Figure BDA0002590318710000032
其中，Wik为波段Wi中的第k个离水辐亮度值，
Figure BDA0002590318710000033
为波段Wi的均值；Wjk为波段Wj中的第k个离水辐亮度值，
Figure BDA0002590318710000034
为波段Wj的均值；
步骤六、根据相关系数矩阵R展示出的多个空间子块，进行子空间初次划分，选择红外波段处的光谱子空间，得到红外波段的光谱子空间范围[Lmin,Lmax]；Lmin为筛选出的红外子空间的最小波段值，Lmax为筛选出的红外子空间的最大波段值；
步骤七、对筛选出的光谱子空间范围结合预先设定的波段数，使用k-means进行二次子空划分，得到光谱子空间搜索范围；
光谱子空间范围结合所需水体校正算法的初始化波段数k，使用K-means聚类算法，对光谱子空间范围[Lmin,Lmax]进行二次划分，得到光谱子空间范围[Lmin,Lmax]的搜索范围[Lmin,L1],[L1+1,L2]…[Lk+1,Lmax]；其中，L1，L2…Lk的个数等价为预定的波段数k；搜索范围的划分数为使用k-mean计算得到的类型k；
步骤八、根据光谱子空间搜索范围，初始化遗传算子的搜索范围，同时设定遗传算法的初始化参数以及适应度函数；
使用遗传算法在步骤七得到的光谱子空间搜索范围[Lmin-L1],[L1+1,Ln2]…[Lk+1,Lmax]中进行最优波段搜索；使用目标函数OIF_DIST作为遗传算法的适应度函数；OIF_DIST函数如公式(5)所示；
Figure BDA0002590318710000041
其中，Si为光谱谱段为i的标准差；ε为距离约束项的松弛系数；l表示每次搜索的第l个样本；l+1表示每次搜索的第l+1个样本；x(l)为遗传算子每次搜索的第l个样本对应的种群；x(l+1)为遗传算子每次搜索的第l+1个样本对应的种群；Lj表示的光谱子空间中第j的波段值；Lj+1表示的光谱子空间中第j+1的波段值；
步骤九、根据遗传算法的循环终止条件输出最优波段组合。
进一步地，步骤四中，在步骤三得到的光谱数据中剔除波长为720nm、820nm、940nm、1100nm、1380nm、1870nm的波段。
进一步地，步骤八中，ε为0.05。
进一步地，步骤九中，遗传算法的循环终止条件为迭代次数或阈值判定法。
同时，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
此外，本发明还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
与现有技术相比，本发明的有益效果是：
1.本发明基于高光谱水体库的自适应波段选择方法可以针对不同的水体大气校正算法，提供不同个数的波段估计，也可以针对不同的水体光谱库，不同的水体场景，计算出更为精确的波段组合，从而提高水体大气校正的精确度。
2.本发明基于高光谱水体库的自适应波段选择方法首次利用水体光谱库，来估计离水辐亮度近似为0的波段，同时，该方法充分利用了高光谱数据中高光谱分辨率的特性，给水体大气校正、离水辐亮度为0的波段估计提供了更多的选择。
3.本发明基于高光谱水体库的自适应波段选择方法使用相关系数矩阵、k-means聚类方法进行光谱维子空间划分，提高了遗传算法达到全局最优的能力，使用目标函数OIF_DIST作为遗传算法的适应度函数，提高了搜索离水辐亮度约为0的光谱精度。
4.本发明方法的波段选择能够面向不同分辨率的光谱仪、不同水体场景下自适应的得到不同情况下的最优波段选择，具有业务化推广应用的前景。
附图说明
图1为本发明基于高光谱水体库的自适应波段选择方法的流程示意图；
图2为本发明实施例中选择的Aster水体光谱库示意图；
图3为本发明实施例中选择的Aster水体光谱中400～1000nm波段水体光谱示意图；
图4为本发明实施例中对Aster水体光谱数据增强后的示意图；
图5为本发明实施例中利用相关系数矩阵R得到的初次光谱子空间；
图6为本发明实施例中利用k-meas聚类得到的二次红外波段光谱子空间划分。
具体实施方式
下面将结合本发明的实施实例和附图，对本发明的技术方案进行清楚、完整的描述。
针对现有水体数据不足的场景，本发明提供一种高光谱水体大气校正中，使用高光谱水体数据库选择离水辐亮度近似为0的最优光谱波段组合方法。该方法利用水体光谱库信息，进行最优化搜索，来选择水体大气校正中离水辐亮度近似为0的谱段，其具体包括以下步骤：1)选择光谱库中水体光谱曲线；2)根据实际光谱仪的光谱分辨率对水体光谱曲线进行光谱等效；3)对水体光谱数据进行数据增强；4)剔除氧气水汽吸收波段；5)计算水体光谱的相关系数矩阵；6)结合相关系数矩阵进行子空间初次划分，选择红外波段处的光谱子空间；7)对筛选出的光谱子空间结合预先设定的波段数，使用k-means进行二次子空划分；8)根据二次子空间划分范围，初始化遗传算子的搜索范围，同时设定遗传算法的初始化参数，以及适应度函数；9)使用遗传算子进行最优波段搜索，输出最优的波段组合。本发明方法可以实现全自动自适应的高光谱水体校正初始化波段选择，可根据不同分辨率高光谱仪、以及不同场景下的水体光谱，选择不同的离水辐亮度近似为0的波段，从而提高水体校正的精度，具有良好的应用前景。
如图1所示，本发明提出的基于高光谱水体库的自适应波段选择方法具体包括以下步骤：
步骤一、导入水体光谱库，获取水体光谱库中水体光谱曲线；
步骤二、根据光谱仪的光谱分辨率对水体光谱曲线进行光谱等效；
根据光谱仪设备所需分辨率，使用高斯函数模拟光谱响应函数，通过以下公式对水体光谱曲线进行光谱波段等效，得到与所需光谱仪相对应的光谱曲线Xi；
Figure BDA0002590318710000061
Figure BDA0002590318710000062
其中，gi函数代表使用高斯函数模拟的光谱响应函数；Xλ代表着在λ波长下的水体离水辐亮度值；cb为每个通道的中心波长；FWHM为半波宽；Xi为等效后的i波长下的离水辐亮度值；λ1为当前i波长下使用高斯函数模拟的光谱响应函数的最小波段；λ2为当前i波长下使用高斯函数模拟的光谱响应函数的最大波段；
步骤三、对水体光谱数据进行数据增强；
对步骤二得到的光谱曲线Xi使用三次样条差值进行光谱波段的数据增强，得到水体光谱数据增强后的n个光谱数据；
步骤四、剔除氧气水汽吸收波段；
在步骤三得到的水体光谱数据增强后的光谱数据中剔除受水汽氧气二氧化碳等吸收影响的波段，例如，720nm，820nm，940nm，1100nm，1380nm，1870nm等；
步骤五、计算水体光谱数据的相关系数矩阵；
通过公式(3)计算增强后的水体光谱数据相关系数矩阵R；
Figure BDA0002590318710000071
其中，rij为波段Wi和波段Wj的相关系数，i和j的范围均为1到l，其中l为最大波段数，波段Wi和波段Wj是步骤四处理后的光谱数据，rij使用如下公式(4)计算；
Figure BDA0002590318710000072
其中，Wik为波段Wi中的第k个离水辐亮度值，
Figure BDA0002590318710000073
为波段Wi的均值；Wjk为波段Wj中的第k个离水辐亮度值，
Figure BDA0002590318710000074
为波段Wj的均值；
步骤六、结合相关系数矩阵展示出的多个空间子块，进行子空间初次划分，选择红外波段处的光谱子空间，得到红外波段的光谱子空间范围[Lmin,Lmax]；Lmin为筛选出的红外子空间的最小波段值；Lmax为筛选出的红外子空间的最大波段值；
步骤七、对筛选出的光谱子空间范围结合预先设定的波段数，使用k-means进行二次子空划分，得到光谱子空间搜索范围；
光谱子空间搜索范围结合所需水体校正算法的初始化波段数k，使用K-means聚类算法，对光谱子空间范围[Lmin,Lmax]进行二次划分，得到光谱子空间范围[Lmin,Lmax]的搜索范围[Lmin,L1],][L1+1,L2]…[Lk+1,Lmax]；其中，L1，L2…Lk的个数等价为预定的波段数k；搜索范围的划分数为使用k-mean计算得到的类型k；
步骤八、根据光谱子空间搜索范围，初始化遗传算子的搜索范围，同时设定遗传算法的初始化参数，以及适应度函数；
使用遗传算法在步骤七得到的光谱子空间搜索范围[Lmin-L1],[L1+1,Ln2]…[Lk+1,Lmax]中进行最优波段搜索；使用目标函数OIF_DIST作为遗传算法的适应度函数；OIF_DIST公式如公式(5)所示，同时初始化遗传算法初始化参数，包括个体维数、种群个数、交叉率、变异率；
Figure BDA0002590318710000081
其中，Si为光谱谱段为i的标准差；其中i，j表示k个谱段数中的所有两两组合情况；l表示每次搜索的第l个样本；
Figure BDA0002590318710000082
表示从初始化的波段个数k中每次取出2个不同波段的组合数；l+1表示每次搜索的第l+1个样本；x(l)为遗传算子每次搜索的第l个样本对应的种群；x(l+1)为遗传算子每次搜索的第l+1个样本对应的种群；ε为距离约束项的松弛系数，默认为0.05；k表示所需水体校正算法的初始化谱段个数；Lmin表示光谱子空间的最小波段值；Lmax表示光谱子空间的最大波段值；Lj表示的光谱子空间中第j的波段值；Lj+1表示的光谱子空间中第j+1的波段值；i表示的第i个光谱谱段j表示的第j个光谱谱段；
步骤九、根据遗传算法的循环终止条件输出最优波段组合；
循环终止条件可以为迭代次数，阈值判定法等。
同时，本发明实施例还提供一种计算机可读存储介质，用于存储程序，程序被执行时实现基于高光谱水体库的自适应波段选择方法的步骤。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述方法中描述的根据本发明各种示例性实施方式的步骤。
用于实现上述方法的程序产品，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备、计算机设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
如图2和图3所示，本发明实施示例以Aster水体光谱库作为水体光谱库的示例，所需进行水体大气校正的光谱仪谱段范围为400nm～1000nm，光谱分辨率为2.5nm，采用Arnone三波段迭代算法来进行水体大气校正。
1)获取Aster混合水体的四条光谱谱段，对应的名称为Water+Montmor SWy-2+0.5g/l、Water+Montmor SWy-2+1.67g/l、Water+Montmor SWy-2+5.01g/l以及Water+Montmor SWy-2+16.5g/l，光谱谱段范围为350nm～2500nm范围，光谱分辨率为2.5nm；
2)使用高斯函数模拟光谱响应函数，对光谱仪波段进行等效，最终获得光谱分辨率为2.5nm、波段范围为400nm～1000nm之间的241条波段；
3)使用三次样条插值方法对Aster水体光谱库进行数据增强，最终获得61条水体光谱数据，将61条光谱数据按行存储，波段数按列存储，增强后的数据如图4所示；
4)对氧气水汽吸收波段进行剔除，所剔除的波段为720nm±2.5nm,820nm±2.5nm,940nm±2.5nm，最终获得大小为61×232的水体光谱矩阵Water_interp；
5)计算水体光谱矩阵Water_interp的相关系数矩阵R，大小为232×232，利用相关系数矩阵R得到的初次光谱子空间如图5所示；
6)结合相关系数矩阵R，对光谱子空间进行初次划分，获得红外波段的子空间water_infrared范围为第206个波段到第232个波段，对应的光谱波段范围为[927.5nm～1000nm]；
7)对红外波段子空间water_infrared使用k-means进行二次划分。本实例采用了Arnone三波段迭代来进行水体大气校正，所以这里的k值为3，二次划分结果为[206,209],[210,213],[214,232]；利用k-meas聚类得到的二次红外波段光谱子空间划分如图6所示；
8)使用遗传算法在三个子空间内进行搜索，使用OIF_DIST作为遗传算子的适应度函数，初始化的种群规模为20，个体维数为8bit；
9)最终获得最优波段组合。此次案例中的最优序列组合为209213227依次对应的最优波段组合为：935nm、952.5nm、987.5nm。

Claims (6)

1.一种基于高光谱水体库的自适应波段选择方法，其特征在于，包括以下步骤：
步骤一、导入水体光谱库，获取水体光谱库中水体光谱曲线；
步骤二、根据光谱仪的光谱分辨率对水体光谱曲线进行光谱等效；
根据光谱仪的分辨率，使用高斯函数模拟光谱响应函数，通过以下公式对水体光谱曲线进行光谱波段等效，得到与光谱仪相对应的光谱曲线Xi；
Figure FDA0002590318700000011
Figure FDA0002590318700000012
其中，gi(λ)为使用高斯函数模拟的光谱响应函数；Xλ为在λ波长下的水体离水辐亮度值；cb为每个通道的中心波长；FWHM为半波宽；Xi为等效后的i波长下的离水辐亮度值；λ1为当前i波长下使用高斯函数模拟的光谱响应函数的最小波段；λ2为当前i波长下使用高斯函数模拟的光谱响应函数的最大波段；
步骤三、对水体光谱数据进行数据增强；
对步骤二得到的光谱曲线Xi使用三次样条差值进行光谱波段的数据增强，得到增强后的n个光谱数据；
步骤四、剔除氧气水汽吸收波段；
在步骤三得到的光谱数据中剔除受水汽氧气二氧化碳吸收影响的波段；
步骤五、计算水体光谱的相关系数矩阵；
通过公式(3)计算光谱数据的相关系数矩阵R；
Figure FDA0002590318700000013
其中，rij为波段Wi和波段Wj的相关系数，i和j的范围均为1到l，其中l为最大波段数，波段Wi和波段Wj是步骤四处理后的光谱数据，rij使用公式(4)计算；
Figure FDA0002590318700000021
其中，Wik为波段Wi中的第k个离水辐亮度值，
Figure FDA0002590318700000022
为波段Wi的均值；Wjk为波段Wj中的第k个离水辐亮度值，
Figure FDA0002590318700000023
为波段Wj的均值；
步骤六、根据相关系数矩阵R展示出的多个空间子块，进行子空间初次划分，选择红外波段处的光谱子空间，得到红外波段的光谱子空间范围[Lmin,Lmax]；Lmin为筛选出的红外子空间的最小波段值，Lmax为筛选出的红外子空间的最大波段值；
步骤七、对筛选出的光谱子空间范围结合预先设定的波段数，使用k-means进行二次子空划分，得到光谱子空间搜索范围；
光谱子空间范围结合所需水体校正算法的初始化波段数k，使用K-means聚类算法，对光谱子空间范围[Lmin,Lmax]进行二次划分，得到光谱子空间范围[Lmin,Lmax]的搜索范围[Lmin,L1],[L1+1,L2]…[Lk+1,Lmax]；其中，L1，L2…Lk的个数等价为预定的波段数k；搜索范围的划分数为使用k-mean计算得到的类型k；
步骤八、根据光谱子空间搜索范围，初始化遗传算子的搜索范围，同时设定遗传算法的初始化参数以及适应度函数；
使用遗传算法在步骤七得到的光谱子空间搜索范围[Lmin-L1],[L1+1,Ln2]…[Lk+1,Lmax]中进行最优波段搜索；使用目标函数OIF_DIST作为遗传算法的适应度函数；OIF_DIST函数如公式(5)所示；
Figure FDA0002590318700000024
其中，Si为光谱谱段为i的标准差；ε为距离约束项的松弛系数；l表示每次搜索的第l个样本；l+1表示每次搜索的第l+1个样本；x(l)为遗传算子每次搜索的第l个样本对应的种群；x(l+1)为遗传算子每次搜索的第l+1个样本对应的种群；Lj表示的光谱子空间中第j的波段值；Lj+1表示的光谱子空间中第j+1的波段值；
步骤九、根据遗传算法的循环终止条件输出最优波段组合。
2.根据权利要求1所述的基于高光谱水体库的自适应波段选择方法，其特征在于：步骤四中，在步骤三得到的光谱数据中剔除波长为720nm、820nm、940nm、1100nm、1380nm、1870nm的波段。
3.根据权利要求1或2所述的基于高光谱水体库的自适应波段选择方法，其特征在于：步骤八中，ε为0.05。
4.根据权利要求3所述的基于高光谱水体库的自适应波段选择方法，其特征在于：步骤九中，遗传算法的循环终止条件为迭代次数或阈值判定法。
5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1至4任一所述方法的步骤。
6.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1至4任一所述方法的步骤。
CN202010694084.9A 2020-07-17 2020-07-17 一种基于高光谱水体库的自适应波段选择方法 Active CN111912799B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010694084.9A CN111912799B (zh) 2020-07-17 2020-07-17 一种基于高光谱水体库的自适应波段选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010694084.9A CN111912799B (zh) 2020-07-17 2020-07-17 一种基于高光谱水体库的自适应波段选择方法

Publications (2)

Publication Number Publication Date
CN111912799A true CN111912799A (zh) 2020-11-10
CN111912799B CN111912799B (zh) 2021-07-27

Family

ID=73281307

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010694084.9A Active CN111912799B (zh) 2020-07-17 2020-07-17 一种基于高光谱水体库的自适应波段选择方法

Country Status (1)

Country Link
CN (1) CN111912799B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112884035A (zh) * 2021-02-07 2021-06-01 山东科技大学 一种噪声鲁棒的高光谱图像波段选择方法
CN113011589A (zh) * 2021-03-29 2021-06-22 湖北工业大学 一种基于协同进化的高光谱图像波段选择方法及系统
CN114779467A (zh) * 2022-04-27 2022-07-22 吉林大学 一种基于探测器特性的新型光谱仪膜系组合的选择方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7693683B2 (en) * 2004-11-25 2010-04-06 Sharp Kabushiki Kaisha Information classifying device, information classifying method, information classifying program, information classifying system
CN101853392A (zh) * 2010-04-21 2010-10-06 河海大学 基于条件互信息的遥感高光谱图像波段选择方法
CN102903006A (zh) * 2012-09-14 2013-01-30 哈尔滨工程大学 一种高光谱图像波段选择方法
CN103020912A (zh) * 2012-12-18 2013-04-03 武汉大学 一种结合波段聚类和稀疏表达的遥感影像复原方法
CN104751179A (zh) * 2015-04-01 2015-07-01 河海大学 一种基于博弈论的多目标高光谱遥感影像波段选择方法
CN107274460A (zh) * 2017-06-14 2017-10-20 中国科学院遥感与数字地球研究所 一种全谱段高光谱图像模拟方法及装置
US9858502B2 (en) * 2014-03-31 2018-01-02 Los Alamos National Security, Llc Classification of multispectral or hyperspectral satellite imagery using clustering of sparse approximations on sparse representations in learned dictionaries obtained using efficient convolutional sparse coding

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7693683B2 (en) * 2004-11-25 2010-04-06 Sharp Kabushiki Kaisha Information classifying device, information classifying method, information classifying program, information classifying system
CN101853392A (zh) * 2010-04-21 2010-10-06 河海大学 基于条件互信息的遥感高光谱图像波段选择方法
CN102903006A (zh) * 2012-09-14 2013-01-30 哈尔滨工程大学 一种高光谱图像波段选择方法
CN103020912A (zh) * 2012-12-18 2013-04-03 武汉大学 一种结合波段聚类和稀疏表达的遥感影像复原方法
US9858502B2 (en) * 2014-03-31 2018-01-02 Los Alamos National Security, Llc Classification of multispectral or hyperspectral satellite imagery using clustering of sparse approximations on sparse representations in learned dictionaries obtained using efficient convolutional sparse coding
CN104751179A (zh) * 2015-04-01 2015-07-01 河海大学 一种基于博弈论的多目标高光谱遥感影像波段选择方法
CN107274460A (zh) * 2017-06-14 2017-10-20 中国科学院遥感与数字地球研究所 一种全谱段高光谱图像模拟方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LIU JIA,ET AL.: ""Retrieval of marine inorganic particle concentrations in turbid waters using polarization signals"", 《INTERNATIONAL JOURNAL OF REMOTE SENSING》 *
杨金红 等: ""一种改进的高光谱数据自适应波段选择方法"", 《遥感技术与应用》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112884035A (zh) * 2021-02-07 2021-06-01 山东科技大学 一种噪声鲁棒的高光谱图像波段选择方法
CN113011589A (zh) * 2021-03-29 2021-06-22 湖北工业大学 一种基于协同进化的高光谱图像波段选择方法及系统
CN113011589B (zh) * 2021-03-29 2024-03-08 湖北工业大学 一种基于协同进化的高光谱图像波段选择方法及系统
CN114779467A (zh) * 2022-04-27 2022-07-22 吉林大学 一种基于探测器特性的新型光谱仪膜系组合的选择方法

Also Published As

Publication number Publication date
CN111912799B (zh) 2021-07-27

Similar Documents

Publication Publication Date Title
CN111912799B (zh) 一种基于高光谱水体库的自适应波段选择方法
Roy et al. DARecNet-BS: Unsupervised dual-attention reconstruction network for hyperspectral band selection
CN112364730B (zh) 基于稀疏子空间聚类的高光谱地物自动分类方法及系统
CN110579186B (zh) 基于逆高斯过程反演叶面积指数的农作物长势监测方法
CN103150577B (zh) 基于粒子群优化的高光谱遥感影像自适应波段选择方法
CN105158200A (zh) 一种提高近红外光谱定性分析准确度的建模方法
CN111626224A (zh) 基于近红外光谱和ssa优化的elm的煤矸石快速识别方法
Dos Santos et al. Multichannel autocalibration for the Atmospheric Imaging Assembly using machine learning
Vittorioso et al. An Infrared Atmospheric Sounding Interferometer–New Generation (IASI‐NG) channel selection for numerical weather prediction
Yuan et al. Research on rice leaf area index estimation based on fusion of texture and spectral information
CN109001181B (zh) 一种拉曼光谱典型相关分析融合的食用油种类快速鉴别方法
CN117710744A (zh) 基于波段选择特征融合多注意力网络的高光谱图像分类方法
Mangalraj et al. Recent trends and advances in hyperspectral imaging techniques to estimate solar induced fluorescence for plant phenotyping
CN113139515A (zh) 基于条件随机场和深度特征学习的高光谱图像分类方法
CN115049917B (zh) 神经网络的训练方法、物体检测方法和智能终端设备
Rasti et al. Sunaa: Sparse unmixing using archetypal analysis
CN104021393A (zh) 基于萤火虫优化的高光谱遥感影像波段选择方法
CN116091847A (zh) 像素点分类方法、装置、处理器及电子设备
CN115797763A (zh) 一种植被空间分布格局调查方法及植被分类系统
CN115438566A (zh) 一种基于全连接和rnn神经网络的大气辐射传输模型模拟方法
CN115641503A (zh) 一种基于Transformer网络的高光谱波段选择方法及装置
Naethe et al. A precise method unaffected by atmospheric reabsorption for ground-based retrieval of red and far-red sun-induced chlorophyll fluorescence
WO2021038252A1 (en) Spectroscopic apparatus and methods for determining components present in a sample
Schumacher et al. Problem-specific optimized multispectral sensing for improved quantification of plant biochemical constituents
CN107527061B (zh) 基于归一化多维互信息和克隆选择的高光谱波段选择方法

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