CN112525346B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN112525346B
CN112525346B CN202011404367.1A CN202011404367A CN112525346B CN 112525346 B CN112525346 B CN 112525346B CN 202011404367 A CN202011404367 A CN 202011404367A CN 112525346 B CN112525346 B CN 112525346B
Authority
CN
China
Prior art keywords
oif
spectral
band
improved
optimal
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
Application number
CN202011404367.1A
Other languages
English (en)
Other versions
CN112525346A (zh
Inventor
来文豪
周孟然
胡锋
卞凯
朱梓伟
王锦国
胡天羽
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.)
Anhui University of Science and Technology
Original Assignee
Anhui University of Science and Technology
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 Anhui University of Science and Technology filed Critical Anhui University of Science and Technology
Priority to CN202011404367.1A priority Critical patent/CN112525346B/zh
Publication of CN112525346A publication Critical patent/CN112525346A/zh
Application granted granted Critical
Publication of CN112525346B publication Critical patent/CN112525346B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28—Investigating the spectrum
    • G01J3/2823—Imaging spectrometer
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
    • G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
    • G01J3/28—Investigating the spectrum
    • G01J3/2823—Imaging spectrometer
    • G01J2003/2826—Multispectral imaging, e.g. filter imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Algebra (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Remote Sensing (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Astronomy & Astrophysics (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种基于改进OIF的光谱图像最佳波段的选择方法、系统及存储介质。本发明基于图像信息熵改进最佳指数法(Optimum Index Factor,OIF)，既能用于超光谱波段选择，也能用于多光谱和超光谱波段选择，并且选取的是最佳组合波段，选择的波段数由用户自行设定。基于图像信息熵改进OIF用于最佳组合波段的选择，充分利用了不同波段间光谱图像的相关性信息以及光谱图像包含的信息量的信息，使得所选组合波段的相关性小，所包含信息量大且冗余信息少。

Description

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
技术领域
本发明涉及光谱图像波段选择领域，尤其涉及一种基于改进OIF的光谱图像最佳波段的选择方法、系统及存储介质。
背景技术
光谱成像技术是光谱技术与成像技术的结合，在普通的二维空间成像的基础上，增加了一维的光谱信息。光谱成像技术能从电磁波段的紫外波段到中红外区域获取许多窄并且光谱连续的图像数据，根据成像光谱仪的光谱分辨率不同，可以分为多光谱图像、高光谱图像和超光谱图像。一般情况下，多光谱成像仪的波段一般从十几到几十个不等，高光谱成像的波段可达几百个，而超光谱的成像波段高达几千甚至上万。因为窄带和能获取的信息非常丰富，光谱成像技术在遥感勘测、医学检测、食品检测、农业生产和军事应用等领域有着极为广泛的应用。
光谱成像仪的每个波段都对应一副图像，这会产生巨大的数据量，给分析带来极大挑战，并且不同波段的数据具有一定相关性，使得原始的光谱图像中包含大量冗余信息。因此，在实际应用中会从众多波段中选择最佳组合波段用于识别和分析，以减少冗余信息的干扰。目前仅有部分关于高光谱波段选择的专利报道，例如，201911232855.6提出一种基于深度学习的高光谱图像波段选择方法，深度学习模型难以训练，对计算机性能要求高，将其用于包含几百波段的高光谱图像数据选择，过程耗时且模型复杂；201911027959.3基于标准差和相关性实现高光谱最优波段选择，相比于深度学习法，该专利的方法相对简单、速度快，但是该方法实质是由美国学者查维茨提出的最佳指数法(Optimum Index Factor,OIF)，利用标准差描述光谱图像的信息量，具有局限性。此外，上述发明仅针对高光谱，对于多光谱和超光谱没有涉及。针对上述问题，本发明从相关性和信息量出发，提出一种于改进最佳指数的光谱图像组合波段的选择方法和装置。
发明内容
本发明的目的是提供一种基于改进OIF的光谱图像最佳波段的选择方法、系统及存储介质，旨在快速的从多光谱、高光谱或超光谱图像众多波段中选出最佳组合波段，其主要优点有：本发明利用图像信息熵改进传统的OIF，这使得选择的组合波段信息丰富且相关性小，此外，本发明既可用于高光谱图像波段选择，也可用于多光谱和超光谱图像最佳组合波段的选择，且方法简单、速度快。
为实现上述目的，本发明第一方面提供了一种基于改进OIF的光谱图像最佳波段的选择方法，以各波段光谱图像的相关性和信息量为依据，选出最佳组合波段。进一步地，该方法包括以下步骤：
S1、获取多光谱、高光谱或超光谱成像仪各波段的光谱图像数据，然后将各波段光谱图像数据映射到相同区间；
S2、分析获取的成多光谱、高光谱或超光谱像仪各波段光谱图像之间的相关性，计算各波段光谱图像的相关性系数；
S3、以信息熵为量度，通过计算多光谱、高光谱或超光谱成像仪的各波段光谱图像的信息熵，获取各波段光谱图像的信息量，然后将获取的信息量结合各波段的相关系数改进传统的OIF，并计算改进后的OIF值；
S4、将计算得的改进OIF值从大到小排序，选出改进后OIF的值最大的组合波段，并将选出的组合波段作为多光谱、高光谱或超光谱图像的最佳组合波段。
进一步地，所述步骤S1中的数据映射方法如下：
Figure BDA0002813470410000021
其中x′代表光谱图像中每个像素点的值，x是数据映射后的光谱图像的像素点值。
进一步地，所述步骤S2具体计算步骤如下：
对于给定多光谱、高光谱或超光谱成像仪，其波段数一共有N个，不同波段的光谱图像的相关系数的计算如下式所示：
Figure BDA0002813470410000022
式(1)中的ρn,m代表第m波段和第n波段的相关系数，w和h分别是每个波段光谱图像的长和高，
Figure BDA0002813470410000023
代表第m个波段的光谱图像的第i行第j列的像素值，
Figure BDA0002813470410000024
代表第n个波段的光谱图像的第i行第j列的像素值，
Figure BDA0002813470410000025
和
Figure BDA0002813470410000026
分别代表第m波段和第n波段的像素平均值，其值计算如下式所示：
Figure BDA0002813470410000027
Figure BDA0002813470410000028
进一步地，所述步骤S3具体计算步骤如下：
熵是指体系的混乱的程度，在信息论中被广泛使用，而图像熵是一种特征的统计形式，它反映了图像中平均信息量的多少，图像熵的计算如下：
Figure BDA0002813470410000031
式(3)中的Hn代表第n波段的光谱图像熵，
Figure BDA0002813470410000032
代表第n波段的光谱图像中像素值为i的概率。
基本的OIF是所选波段光谱图像标准差的和与所选各波段图像之间的相关系数之比，仅将图像相关系数作为波段选择的依据，本发明将信息熵改进传统OIF用于最佳组合波段选择，改进OIF的计算如下：
Figure BDA0002813470410000033
式(5)中F是改进后OIF的值，K代表从光谱成像仪的N个波段中选取的波段数，由用户自定义输入，H代表所选波段的图像熵，ρ代表所选波段之间的相关系数。
第二方面，本发明还提供了一种存储介质，其中所述存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行本申请提供的任意实施例所述的最佳组合波段选择方法的步骤。
第三方面，本发明还提出一种基于改进OIF的光谱图像最佳波段的选择系统，其特征在于，该系统包括：
光谱图像数据获取及处理模块：用于获取多光谱、高光谱或超广谱各波段的图像数据，并将获取的光谱图像数据映射到相同空间；
组合波段的光谱图像之间的相关系数计算模块：用于计算多光谱、高光谱或超广谱光谱仪所有的组合波段间的相关性系数；
组合波段的改进OIF值计算模块：计算所有波段的光谱图像的信息熵，基于所述图像信息熵改进传统的OIF，然后计算组合波段的改进后OIF值；
最佳组合波段选择模块：用于将多光谱、高光谱或超广谱光谱仪所有可能组合波段的改进OIF值排序，选择改进OIF值最大的组合波段作为最佳组合波段。
本发明的技术方案中，具有以下有益效果：(1)本发明既能用于超光谱波段选择，也能用于多光谱和超光谱波段选择，并且选取的是最佳组合波段，选择的波段数由用户自行设定；(2)基于图像信息熵改进OIF用于最佳组合波段的选择，充分利用了不同波段间光谱图像的相关性信息以及光谱图像包含的信息量的信息，使得所选组合波段的相关性小和包含信息量大，且冗余信息少。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1为基于改进OIF的光谱图像最佳波段的选择方法的流程图；
图2为基于改进OIF的光谱图像最佳波段的选择装置的模块框图；
图3为煤的25个波段的多光谱图像和波段1的光谱图像；
图4为最优组合波段展示。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
另外，若本发明实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，全文中出现的“和/或”的含义，包括三个并列的方案，以“A和/或B”为例，包括A方案、或B方案、或A和B同时满足的方案。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
本发明提出一种基于改进OIF的光谱图像最佳波段的选择方法、系统及存储介质，旨在解决传统OIF仅用相关系数选择波段的不足，基于图像信息熵改进OIF，提供一个既能用于高光谱最佳组合波段的选择，也能用于多光谱和超光谱最佳组合波段选择的方法、系统及存储介质。
实施例1
为实现上述目的，本实施例提出一种基于改进OIF的光谱图像最佳波段的选择方法，把图像信息熵用于改进OIF，将不同波段之间的相关系数结合光谱图像的信息量用于最佳组合波段选择。
需要说明的是，本发明改进OIF用于光谱图像最佳组合波段选择，不仅能实现高光谱最佳组合波段选择，而且也能用于多光谱和超光谱最佳组合波段选择，并且组合波段中所包含的波段数目可由用户自行设定。
在具体实现中，本发明基于图像信息熵改进OIF，然后将改进OIF用于最佳组合波段选择，所选择的最佳组合波段之间的相关性小，所包含信息量多且冗余信息少。
进一步地，参见图1：具体包括以下步骤：
S1、获取多光谱、高光谱或超光谱成像仪各波段的光谱图像数据，然后将各波段光谱图像数据映射到相同区间；
所述步骤S1中的数据映射方法如下：
Figure BDA0002813470410000051
其中x′代表光谱图像中每个像素点的值，x是数据映射后的光谱图像的像素点值。
S2、分析获取的成多光谱、高光谱或超光谱像仪各波段光谱图像之间的相关性，计算各波段光谱图像的相关性系数；
所述步骤S2具体计算步骤如下：
对于给定多光谱、高光谱或超光谱成像仪，其波段数一共有N个，不同波段的光谱图像的相关系数的计算如下式所示：
Figure BDA0002813470410000052
式(1)中的ρn,m代表第m波段和第n波段的相关系数，w和h分别是每个波段光谱图像的长和高，
Figure BDA0002813470410000053
代表第m个波段的光谱图像的第i行第j列的像素值，
Figure BDA0002813470410000054
代表第n个波段的光谱图像的第i行第j列的像素值，
Figure BDA0002813470410000055
和
Figure BDA0002813470410000056
分别代表第m波段和第n波段的像素平均值，其值计算如下式所示：
Figure BDA0002813470410000057
Figure BDA0002813470410000058
S3、以信息熵为量度，通过计算多光谱、高光谱或超光谱成像仪的各波段光谱图像的信息熵，获取各波段光谱图像的信息量，然后将获取的信息量结合各波段的相关系数改进传统的OIF，并计算改进后的OIF值；
所述步骤S3具体计算步骤如下：
熵是指体系的混乱的程度，在信息论中被广泛使用，而图像熵是一种特征的统计形式，它反映了图像中平均信息量的多少，图像熵的计算如下：
Figure BDA0002813470410000061
式(3)中的Hn代表第n波段的光谱图像熵，
Figure BDA0002813470410000062
代表第n波段的光谱图像中像素值为i的概率。
基本的OIF是所选波段光谱图像标准差的和与所选各波段图像之间的相关系数之比，仅将图像相关系数作为波段选择的依据，本发明将信息熵改进传统OIF用于最佳组合波段选择，改进OIF的计算如下：
Figure BDA0002813470410000063
式(5)中F是改进后OIF的值，K代表从光谱成像仪的N个波段中选取的波段数，由用户自定义输入，H代表所选波段的图像熵，ρ代表所选波段之间的相关系数。
S4、将计算得的改进OIF值从大到小排序，选出改进后OIF的值最大的组合波段，并将选出的组合波段作为多光谱、高光谱或超光谱图像的最佳组合波段。
需要说明的是，本发明基于图像信息熵改进OIF，并将改进后的OIF用于光谱图像的最佳组合波段选择。
应理解的是，本发明基于改进的OIF光谱图像的最佳组合波段选择，将相关系数结合信息量选择组合波段，所选择的最佳组合波段间相关性小，包含信息量多且冗余信息少。
在具体实现中，本发明能快速的实现光谱图像最佳组合波段的选择，下面以实际案例仿真说明实施方案的有效性。
使用MQ022HG-IM-SM5X5-NIR多光谱成像仪采集煤和煤矸石的多光谱图像，该型号光谱成像仪在波长区间为[675nm 975nm]内能采集25个光谱图像，即，该型号多光谱成像仪有25个波段，每个波段的成像光谱图像分辨率为409×216。采集的多光谱图像如图3所示，图中全部是煤块。从25个波段中选择3个波段，组合的改进OIF值如表1所示。
表1改进OIF值最大的10个组合波段
Figure BDA0002813470410000064
Figure BDA0002813470410000071
从25个波段中选择3个波段，一共有2300种组合方式，表1中只展示改进OIF值排名前10的波段组合。从25个波段中选择3个波段，最佳组合方式是波段5、波段7和波段23。
组合波段展示如图4所示，从左到右分别是波段5、波段7、波段23以及组合波段的多光谱图像。
实施例2
此外，为实现上述目的，本实施例一种存储介质，所述存储介质上存储基于改进OIF的光谱图像最佳波段的选择程序，所述基于改进OIF的光谱图像最佳波段的选择程序被处理器执行时实现上文所述的基于改进OIF的光谱图像最佳波段的选择方法的计算流程。
实施例3
此外，为实现上述目的，参见图2：本实施例还提出一种基于改进OIF的光谱图像最佳波段的选择系统，该系统包括：
光谱图像数据获取及处理模块：用于获取多光谱、高光谱或超广谱各波段的图像数据，并将获取的光谱图像数据映射到相同空间；
组合波段的光谱图像之间的相关系数计算模块：用于计算多光谱、高光谱或超广谱光谱仪所有的组合波段间的相关性系数；
组合波段的改进OIF值计算模块：计算所有波段的光谱图像的信息熵，基于所述图像信息熵改进传统的OIF，然后计算组合波段的改进后OIF值；
最佳组合波段选择模块：用于将多光谱、高光谱或超广谱光谱仪所有可能组合波段的改进OIF值排序，选择改进OIF值最大的组合波段作为最佳组合波段。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (5)

1.一种基于改进OIF的光谱图像最佳波段的选择方法，其特征在于，基于图像信息熵改进传统OIF，将改进的OIF用于光谱图像最佳组合波段选择，所选的最佳组合波段的相关性小，包含信息量大且冗余信息少；
所述的基于改进OIF的光谱图像最佳波段的选择方法，具体包括以下步骤：
S1、获取多光谱、高光谱或超光谱成像仪各波段的光谱图像数据，然后将各波段光谱图像数据映射到相同区间；
S2、分析获取的成多光谱、高光谱或超光谱像仪各波段光谱图像之间的相关性，计算各波段光谱图像的相关性系数；
S3、以信息熵为量度，通过计算多光谱、高光谱或超光谱成像仪的各波段光谱图像的信息熵，获取各波段光谱图像的信息量，然后将获取的信息量结合各波段的相关系数改进传统的OIF，并计算改进后的OIF值；
其中，图像熵的计算如下：
Figure FDA0003798020950000011
式(1)中的Hn代表第n波段的光谱图像熵，
Figure FDA0003798020950000012
代表第n波段的光谱图像中像素值为i的概率；
将信息熵改进传统OIF用于最佳组合波段选择，改进OIF的计算如下：
Figure FDA0003798020950000013
式(2)中F是改进后OIF的值，K代表从光谱成像仪的N个波段中选取的波段数，由用户自定义输入，H代表所选波段的图像熵，ρ代表所选波段之间的相关系数；
S4、将计算得的改进OIF值从大到小排序，选出改进后OIF的值最大的组合波段，并将选出的组合波段作为多光谱、高光谱或超光谱图像的最佳组合波段。
2.根据权利要求1所述的基于改进OIF的光谱图像最佳波段的选择方法，其特征在于，所述步骤S1中的数据映射方法如下：
Figure FDA0003798020950000021
其中x′代表光谱图像中每个像素点的值，x是数据映射后的光谱图像的像素点值。
3.根据权利要求1所述的基于改进OIF的光谱图像最佳波段的选择方法，其特征在于，所述步骤S2具体计算步骤如下；
对于给定多光谱、高光谱或超光谱成像仪，其波段数一共有N个，不同波段的光谱图像的相关系数的计算如下式所示：
Figure FDA0003798020950000022
式(3)中的ρn,m代表第m波段和第n波段的相关系数，w和h分别是每个波段光谱图像的长和高，
Figure FDA0003798020950000023
代表第m个波段的光谱图像的第i行第j列的像素值，
Figure FDA0003798020950000024
代表第n个波段的光谱图像的第i行第j列的像素值，
Figure FDA0003798020950000025
和
Figure FDA0003798020950000026
分别代表第m波段和第n波段的像素平均值，其值计算如下式所示：
Figure FDA0003798020950000027
Figure FDA0003798020950000028
4.一种存储介质，其特征在于，所述存储介质上存储有基于改进OIF的光谱图像最佳波段的选择程序，所述基于改进OIF的光谱图像最佳波段的选择程序被处理器执行时实现如权利要求1中所述的基于改进OIF的光谱图像最佳波段的选择方法的计算流程。
5.一种基于改进OIF的光谱图像最佳波段的选择系统，其特征在于，该系统包括：
光谱图像数据获取及处理模块：用于获取多光谱、高光谱或超广谱各波段的图像数据，并将获取的光谱图像数据映射到相同空间；
组合波段的光谱图像之间的相关系数计算模块：用于计算多光谱、高光谱或超广谱光谱仪所有的组合波段间的相关性系数；
组合波段的改进OIF值计算模块：计算所有波段的光谱图像的信息熵，基于所述图像信息熵改进传统的OIF，然后计算组合波段的改进后OIF值；
其中，图像熵的计算如下：
Figure FDA0003798020950000031
式(6)中的Hn代表第n波段的光谱图像熵，
Figure FDA0003798020950000032
代表第n波段的光谱图像中像素值为i的概率；
将信息熵改进传统OIF用于最佳组合波段选择，改进OIF的计算如下：
Figure FDA0003798020950000033
式(7)中F是改进后OIF的值，K代表从光谱成像仪的N个波段中选取的波段数，由用户自定义输入，H代表所选波段的图像熵，ρ代表所选波段之间的相关系数；
最佳组合波段选择模块：用于将多光谱、高光谱或超广谱光谱仪所有可能组合波段的改进OIF值排序，选择改进OIF值最大的组合波段作为最佳组合波段。
CN202011404367.1A 2020-12-03 2020-12-03 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 Active CN112525346B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011404367.1A CN112525346B (zh) 2020-12-03 2020-12-03 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011404367.1A CN112525346B (zh) 2020-12-03 2020-12-03 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

Publications (2)

Publication Number Publication Date
CN112525346A CN112525346A (zh) 2021-03-19
CN112525346B true CN112525346B (zh) 2022-10-11

Family

ID=74997947

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011404367.1A Active CN112525346B (zh) 2020-12-03 2020-12-03 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

Country Status (1)

Country Link
CN (1) CN112525346B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116563571B (zh) * 2023-05-16 2023-11-21 北京师范大学 基于玻尔兹曼熵相似性的高光谱图像波段选择方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101131734A (zh) * 2007-06-25 2008-02-27 北京航空航天大学 适用于高光谱遥感图像的自动波段选择方法
CN104122210A (zh) * 2014-07-02 2014-10-29 中国林业科学研究院林业研究所 一种基于最佳指数-相关系数法的高光谱波段提取方法
CN106408010A (zh) * 2016-09-09 2017-02-15 河南理工大学 一种基于光谱信息散度的矩阵模式波段选择方法
CN109871768A (zh) * 2019-01-18 2019-06-11 西北工业大学 基于共享最近邻的高光谱最优波段选择方法
CN110441647A (zh) * 2019-09-06 2019-11-12 云南电网有限责任公司电力科学研究院 基于光谱强度信息的弧光危险评估方法及装置
CN110781831A (zh) * 2019-10-28 2020-02-11 北京环境特性研究所 基于自适应的高光谱最优波段选择方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101131734A (zh) * 2007-06-25 2008-02-27 北京航空航天大学 适用于高光谱遥感图像的自动波段选择方法
CN104122210A (zh) * 2014-07-02 2014-10-29 中国林业科学研究院林业研究所 一种基于最佳指数-相关系数法的高光谱波段提取方法
CN106408010A (zh) * 2016-09-09 2017-02-15 河南理工大学 一种基于光谱信息散度的矩阵模式波段选择方法
CN109871768A (zh) * 2019-01-18 2019-06-11 西北工业大学 基于共享最近邻的高光谱最优波段选择方法
CN110441647A (zh) * 2019-09-06 2019-11-12 云南电网有限责任公司电力科学研究院 基于光谱强度信息的弧光危险评估方法及装置
CN110781831A (zh) * 2019-10-28 2020-02-11 北京环境特性研究所 基于自适应的高光谱最优波段选择方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
一种改进的高光谱图像波段选择方法;任晓东等;《计算机科学》;20151115;全文 *
西洞庭湖湿地遥感最佳波段选择研究;朱晓荣等;《现代农业科技》;20120810(第15期);全文 *
高光谱遥感影像中最佳谱段的快速选择方法;尹继豪等;《遥感信息》;20100615(第03期);全文 *

Also Published As

Publication number Publication date
CN112525346A (zh) 2021-03-19

Similar Documents

Publication Publication Date Title
Huang et al. Spatial and spectral image fusion using sparse matrix factorization
US8948540B2 (en) Optimized orthonormal system and method for reducing dimensionality of hyperspectral images
Du et al. Spatial and spectral unmixing using the beta compositional model
Kotwal et al. A novel approach to quantitative evaluation of hyperspectral image fusion techniques
US9171226B2 (en) Image matching using subspace-based discrete transform encoded local binary patterns
CN107292258B (zh) 基于双边加权调制与滤波的高光谱图像低秩表示聚类方法
Hang et al. Graph regularized nonlinear ridge regression for remote sensing data analysis
CN112067129B (zh) 一种高光谱处理方法及波段选择方法
Varga No-reference image quality assessment based on the fusion of statistical and perceptual features
CN108154094A (zh) 基于子区间划分的高光谱图像非监督波段选择方法
Kanmani et al. An optimal weighted averaging fusion strategy for remotely sensed images
US6778702B1 (en) Method and apparatus for assessing the quality of spectral images
CN110111276A (zh) 基于空-谱信息深度利用的高光谱遥感影像超分辨率方法
CN108470192B (zh) 一种高光谱分类方法及装置
CN111062267B (zh) 一种时间序列遥感影像降维方法
CN112525346B (zh) 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
CN114882359B (zh) 基于植被指数时序谱特征的大豆种植区提取方法和系统
Wai et al. Estimating aboveground biomass of two different forest types in myanmar from sentinel-2 data with machine learning and geostatistical algorithms
CN116091833A (zh) 注意力与Transformer高光谱图像分类方法及系统
CN116403046A (zh) 一种高光谱影像分类装置及方法
Li et al. Quality control for the BPG lossy compression of three-channel remote sensing images
CN116152524A (zh) 一种小麦种子分类方法
JP6213950B2 (ja) 画像処理装置、画像処理方法、及び画像処理プログラム
US20040057618A1 (en) Interactive computer aided analysis of images from sensor combinations
CN116089660A (zh) 一种监测系统的数据存储方法

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