CN113191287B - 一种面向分类的高光谱图像波段选择方法 - Google Patents

Abstract

本发明公开了一种面向分类的高光谱图像波段选择方法，包括：求出高光谱图像每一个波段的类间离散度矩阵与类内离散度矩阵比值的迹，将其进行降序排列；采用灰狼算法将线性递减收敛因子改进为自适应非线性递减收敛因子；读取前一半的高光谱图像波段序列，进行随机排列，将其作为改进的灰狼算法的初始种群；将每个种群的类间离散度矩阵与类内离散度矩阵比值的迹作为改进灰狼算法的目标函数，搜索目标函数的最大值，其对应的个体就是所选的波段组合。该方法可有效选择出适用于分类的波段子集，考虑到基本的灰狼算法收敛速度慢，容易陷入局部极值，将类可分性准则与灰狼算法相结合，同时改善收敛因子，提高了灰狼算法的搜索性能。

Description

一种面向分类的高光谱图像波段选择方法

技术领域

本发明涉及高光谱图像波段选择领域，尤其涉及一种面向分类的高光谱图像波段选择方法。

背景技术

高光谱图像具有丰富的空间和光谱信息，被广泛应用于很多领域。然而，大量的光谱信息在增强地物分辩能力的同时，波段间较高的相关性导致后续处理算法复杂性增高并产生“Hughes”现象。降维是降低高光谱图像计算复杂度，提高分类性能的常用方法，也是目前解决高光谱图像“维数灾难”问题的最佳方法。波段选择是高光谱图像降维的重要技术。

很多学者引入全局优化算法进行波段选择，例如遗传算法、萤火虫算法、引力搜索算法等。其中，遗传算法参数多，执行复杂、且容易陷入局部最优，全局搜索的性能不好。萤火虫算法的发现率低，求解精度不高，收敛速度慢。引力搜索算法收敛速度慢、全局搜索效果不理想。后来提出一种新的种群智能搜索算法—灰狼算法，相较于其他优化算法具有调整参数少，收敛速度快，执行性高的特点，但它仍然具有多峰函数求解时，收敛速度慢，容易陷入局部极值的缺点。

发明内容

根据现有技术存在的问题，本发明公开了一种面向分类的高光谱图像波段选择方法，具体包括如下步骤：

求出高光谱图像每一个波段的类间离散度矩阵与类内离散度矩阵比值的迹，将获取的多个迹进行降序排列；

采用灰狼算法将线性递减收敛因子改进为自适应非线性递减收敛因子；

读取前一半的高光谱图像波段序列并进行随机排列，构成波段序列向量B_l/2，将B_l/2作为改进的灰狼算法的初始种群；

将每个种群的类间离散度矩阵与类内离散度矩阵比值的迹作为改进灰狼算法的目标函数，搜索目标函数的最大值，该最大值对应的个体为所选的高光谱图像波段组合。

进一步的，设高光谱图像数据采用HIM＝{x₁,x₂,…x_n}∈R^l×n表示，其中l为波段数目，n为每个波段图像的像元总数,k表示样本类别，求得第i类样本的均值向量为：

其中P_i表示第i类样本的先验概率，N_i表示类别W_i包含的像元数目，样本的总体均值向量计算方法为：

根据总体均值向量m和第i类样本均值向量m_i,计算类间离散度矩阵S_b和类内离散度矩阵S_w：

根据计算高光谱图像每一个波段类间离散度矩阵S_b和类内离散度矩阵S_w的迹J，计算公式如下：

按照J值的大小进行降序排列。

进一步的，将线性递减收敛因子改进为自适应非线性递减收敛因子过程如下：

灰狼算法的线性递减收敛因子a的计算公式如下：

其中t_max表示最大迭代次数。

将线性递减收敛因子改进为自适应非线性递减收敛因子：

进一步的，确定改进灰狼算法的初始种群过程如下：

确定波段选择的波段数目NB和初始种群数目nPop，读取前l/2的高光谱图像波段序列，随机选择波段子集组成nPop组，每组的波段数目为NB，获取初始种群Pop＝{b₁,b₂,…b_NB}∈R^nPop×NB，其中bi是含有波段序列的长度为nPop的列向量。

进一步的，根据改进的灰狼算法搜索最优波段子集：

将公式J作为改进灰狼算法的目标函数；

计算初始种群中每个种群对应的波段子集的J值并进行降序排列；

读取降序排列后的前三个种群作为灰狼算法的三只头狼，引导更新种群位置；

计算更新后的每个种群的目标函数，重复上述两个步骤直到满足最大迭代次数退出循环得到最优解，最优解对应的种群即为选择的最优波段子集序列。

由于采用了上述技术方案，本发明提供的一种面向分类的高光谱图像波段选择方法，该方法可有效选择出适用于分类的波段子集，考虑到基本的灰狼算法收敛速度慢，容易陷入局部极值，将类可分性准则与灰狼算法相结合，同时改善收敛因子，提高了灰狼算法的搜索性能。三组公开的高光谱数据集的实验结果表明，此方法选取的波段子集可以获得更好的分类结果。

附图说明

为了更清楚地说明本申请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申请中记载的一些实施例，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获得其他的附图。

图1是本发明所述波段选择方法的总体流程图；

图2是Indian Pine数据伪彩色图和真实地物信息图；

图3是Pavia数据伪彩色图和真实地物信息图；

图4是Salinas数据伪彩色图和真实地物信息图；

图5为本发明中Indian Pine数据分类结果图；

图6为本发明中Pavia数据分类结果图；

图7为本发明中Salinas数据分类结果图。

具体实施方式

为使本发明的技术方案和优点更加清楚，下面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的描述：

如图1所示的一种面向分类的高光谱图像波段选择方法，具体包括如下步骤：

S1：确定高光谱数据集，求出该数据集每一个波段的类间离散度矩阵与类内离散度矩阵比值的迹，将其进行降序排列；

S2：在经典灰狼算法的基础上，将线性递减收敛因子改进为自适应非线性递减收敛因子，对应了其前期搜索空间较大，需要快速搜索，要求收敛因子下降较快，后期需要精细搜索，要求收敛因子变化缓慢的递减趋势；

S3：设总波段数为l,获取S1中降序排列之后前l/2的波段序列，进行随机排列，将其作为改进的灰狼算法的初始种群；

S4：将每个种群的类间离散度矩阵与类内离散度矩阵比值的迹作为改进灰狼算法的目标函数，每次迭代都搜索目标函数的最大值，最优解对应的个体就是所选的波段组合；

进一步地：所述类间离散度矩阵与类内离散度矩阵比值的迹求解过程如下：

S1-1：假设高光谱图像数据用HIM＝{x₁,x₂,…x_n}∈R^l×n表示，其中l为波段数目，n为每个波段图像的像元总数,k表示样本类别。求得第i类样本的均值向量为：

其中P_i表示第i类样本的先验概率，N_i表示类别W_i包含的像元数目。样本的总体均值向量计算方法为：

S1-2：根据总体均值向量m和第i类样本均值向量m_i,计算类间离散度矩阵S_b和类内离散度矩阵S_w：

S1-3：根据S1-2计算高光谱图像每一个波段类间离散度矩阵S_b和类内离散度矩阵S_w的迹J，计算公式如下：

S1-4：按照J值的大小进行降序排列。

进一步地：将线性递减收敛因子改进为自适应非线性递减收敛因子过程如下：

S2-1：灰狼算法的线性递减收敛因子a的计算公式如下：

其中t_max表示最大迭代次数。

S2-2：将线性递减收敛因子改进为自适应非线性递减收敛因子：

进一步地：确定改进灰狼算法的初始种群过程如下：

确定波段选择的波段数目NB和初始种群数目nPop。获取S1中前l/2的高光谱图像波段序列，随机选择波段子集组成nPop组，每组的波段数目为NB，获取初始种群Pop＝{b₁,b₂,…b_NB}∈R^nPop×NB，其中bi是含有波段序列的长度为nPop的列向量。

进一步地：根据改进的灰狼算法搜索最优波段子集：

S4-1：将S1-3所述公式J作为改进灰狼算法的目标函数；

S4-2：计算初始种群中每个种群对应的波段子集的J值，进行降序排列；

S4-3：取S4-2降序排列之后的前三个种群作为灰狼算法的三只“头狼”，引导更新种群位置；

S4-4：计算更新之后的每个种群的目标函数，重复步骤S4-2，S4-3，直到满足最大迭代次数退出循环，得到最优解，最优解对应的种群即为选择的最优波段子集序列。

下面举例说明本发明一种面向分类的高光谱图像波段选择方法，样本数据来源于三组公开的高光谱数据集：Indian Pine数据、Salinas数据及Pavia数据。Indian Pine数据是由AVIRIS传感器在印第安纳州西北部获得的农田图像，其光谱范围为0.4～2.5μm，空间分辨率是20m，图像大小为145×145，去除噪声和水吸收波段后剩余200个波段，包含16类地物，其伪彩色图和真实地物信息如图2所示。

Pavia数据为采用ROSIS-03传感器在Pavia大学上空获取的城市地域图像，该数据图像大小为610×340，空间分辨率为1.3m，含有103个波段，共包括9类地物，其伪彩色图和真实地物信息如图3所示。

Salinas数据为由采用AVIRIS传感器在美国加州南部地区获取的，该图像的大小为512×217，空间分辨率为3.7m，去除噪声和水吸收波段后剩余204个波段，包含16类地物，其伪彩色图和真实地物信息如图4所示。

如图5和图7所示，改进灰狼算法初始种群设置为30，最大迭代次数设置为50。采用SVM进行地物分类，其中SVM选择高斯径向基核函数，每一类中随机抽取10％的数据点作为训练集，其余作为测试集。用总体精度(OA)、平均分类精度(AA)和一致性检验Kappa系数对分类结果进行分析。

OA的定义如下：

其中S_i为分类结果中第i类地物的样本数目，k为地物类别数，N_i为真实地物中第i类地物的样本数目。

每种地物目标类别的分类精度，计算公式如下：

AA的定义如下：

Kappa系数的计算公式为：

其中：

N1_i表示分类结果把为第i类地物错分为是其他地物的像元数目；N2_i表示把其他地物错分为第i类地物的像元数目。

表1、2、3为三组高光谱图像每一类分类精度和kappa系数的具体数值。可以看出本发明选择出的波段子集对于不同数据集都取得了不错的分类精度，同时kappa系数也比较高，表明该方法可以选出更适用于分类的波段子集。

表1

表2

表3

本发明将类可分性准则和改进的全局优化算法相结合，选出适用于分类的波段子集。将灰狼算法的收敛因子从线性递减改进为自适应非线性递减，对应了其前期搜索空间较大，需要快速搜索，要求收敛因子下降较快，后期需要精细搜索，要求收敛因子变化缓慢的递减趋势。本发明选出的波段子集在面向分类时有很好的分类精度。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (4)

1.一种面向分类的高光谱图像波段选择方法，其特征在于包括：

求出高光谱图像每一个波段的类间离散度矩阵与类内离散度矩阵比值的迹，将获取的多个迹进行降序排列；

采用灰狼算法将线性递减收敛因子改进为自适应非线性递减收敛因子；

读取前一半的高光谱图像波段序列并进行随机排列，构成波段序列向量B_l/2，将B_l/2作为改进的灰狼算法的初始种群；

将每个种群的类间离散度矩阵与类内离散度矩阵比值的迹作为改进灰狼算法的目标函数，搜索目标函数的最大值，该最大值对应的个体为所选的高光谱图像波段组合；

将线性递减收敛因子改进为自适应非线性递减收敛因子过程如下：

灰狼算法的线性递减收敛因子a的计算公式如下：

其中t_max表示最大迭代次数；

将线性递减收敛因子改进为自适应非线性递减收敛因子：

2.根据权利要求1所述的面向分类的高光谱图像波段选择方法，其特征在于：设高光谱图像数据采用HIM＝{x₁,x₂,…x_n}∈R^l×n表示，其中l为波段数目，n为每个波段图像的像元总数,k表示样本类别，求得第i类样本的均值向量为：

其中P_i表示第i类样本的先验概率，N_i表示类别W_i包含的像元数目，样本的总体均值向量计算方法为：

根据总体均值向量m和第i类样本均值向量m_i,计算类间离散度矩阵S_b和类内离散度矩阵S_w：

根据计算高光谱图像每一个波段类间离散度矩阵S_b和类内离散度矩阵S_w的迹J，计算公式如下：

按照J值的大小进行降序排列。

3.根据权利要求2所述的面向分类的高光谱图像波段选择方法，其特征在于：确定改进灰狼算法的初始种群过程如下：

确定波段选择的波段数目NB和初始种群数目nPop，读取前l/2的高光谱图像波段序列，随机选择波段子集组成nPop组，每组的波段数目为NB，获取初始种群Pop＝{b₁,b₂,…b_NB}∈R^nPop×NB，其中bi是含有波段序列的长度为nPop的列向量。

4.根据权利要求3所述的面向分类的高光谱图像波段选择方法，其特征在于：根据改进的灰狼算法搜索最优波段子集：

将公式J作为改进灰狼算法的目标函数；

计算初始种群中每个种群对应的波段子集的J值并进行降序排列；

读取降序排列后的前三个种群作为灰狼算法的三只头狼，引导更新种群位置；

计算更新后的每个种群的目标函数，重复上述两个步骤直到满足最大迭代次数退出循环得到最优解，最优解对应的种群即为选择的最优波段子集序列。