CN117423004A - 高光谱图像的波段选择方法、装置、终端及存储介质 - Google Patents
高光谱图像的波段选择方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN117423004A CN117423004A CN202311746979.2A CN202311746979A CN117423004A CN 117423004 A CN117423004 A CN 117423004A CN 202311746979 A CN202311746979 A CN 202311746979A CN 117423004 A CN117423004 A CN 117423004A
- Authority
- CN
- China
- Prior art keywords
- classification
- label
- subset
- labels
- tag
- 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
Links
- 238000010187 selection method Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000004891 communication Methods 0.000 claims description 18
- 238000005315 distribution function Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 9
- 238000012549 training Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 5
- 241001466077 Salina Species 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 125000003275 alpha amino acid group Chemical group 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了高光谱图像的波段选择方法、装置、终端及存储介质，所述方法包括：获取高光谱图像的分类标签，根据所述分类标签确定连通标签子集，所述连通标签子集包括单分类标签和混合分类标签，所述单分类标签用于反映呈单高斯分布的地物，所述混合分类标签用于反映呈现混合高斯分布的地物；对所述混合分类标签进行扩展，确定所述连通标签子集的子类扩展标签；根据所述分类标签、所述连通标签子集和所述子类扩展标签，构建伸缩树多层分类标签，基于所述伸缩树多层分类标签，分层选择所述高光谱图像的波段。通过本发明构造的伸缩树多层分类标签，能够区分不同地物之间的分布特性，实现在波段选择时用更少的波段得到更好的分类效果。
Description
技术领域
本发明涉及高光谱图像处理与分析技术领域，尤其涉及高光谱图像的波段选择方法、装置、终端及存储介质。
背景技术
高光谱图像（Hyperspectral image，简称“HSI”）是通过不同空间平台上的高光谱传感器得到的数十至数百个连续且细分的光谱波段，并对目标区域同时成像。因为高光谱图像往往包含几十个到上百个波段，数据量是单波段遥感图像的几百倍，数据存在大量冗余，所以在处理不当时会影响分类精度，同时，由于高光谱图像的波段多、波段间的相关性高，所以高光谱图像分类时所需求的训练样本数目也多。在高光谱遥感图像中，当训练样本数目有限时，分类精度随着图像波段数目的增加先增加，在到达一定极值后，分类精度随这波段数目的增加而下降，也就是说高光谱图像在分类时会出现休斯现象。
为了解决这一现象，通常需要在分类前对其进行降维，降维的方法分为特征提取和波段选择两种。特征提取是指从原始的数据中提取出具有代表性的特征，通过对原始数据或者子空间上的数据进行数学变换，把各分量经过特定的规则进行组合，从而选出具有代表性的信息。波段选择是选择出高信息、低相关性的波段，该方法的优点是保留了所采集波段的原始物理信息，可以根据所选择的原始波段来定义系统，而不需要采集或存储无关的波段。根据标签信息的可用性，波段选择可分为有监督和无监督，对于有监督的波段选择，大致分为三类：基于排序的方法、基于搜索的方法和基于聚类的方法。其中，基于聚类的方法是将每个波段视为一个对象，通过聚类将所有波段分为若干子集，再从每个子集中选取一个代表性的波段构成最终的最优波段子集。目前，在基于聚类的波段选择方法中，HSPFiGs（hyperspectral piling Fisher graphs，即“高光谱堆积Fisher图”）波段选择方法是性能比较优越的方法，能够得到较为丰富的波段信息。
但是，HSPFiGs波段选择方法在根据相关性划分有限收敛子集时，仍存在把描述不同地物间的具有强可分特性的波段划分在同一个子集内的情况，使得选出的波段存在一定的信息冗余，对地物可分特性的信息利用还不够充分，此外，最优波段子集中的波段对呈混合高斯分布的地物可分特性的针对性不足。可见，现有的高光谱图像的波段选择方法并没有充分地考虑地物的分布特性。
因此，现有技术还有待改进和提高。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种高光谱图像的波段选择方法、装置、终端及存储介质，旨在解决现有技术中高光谱图像的波段选择方法并没有充分地考虑地物的分布特性的问题。
为了解决上述技术问题，本发明所采用的技术方案如下：
第一方面，本发明提供一种高光谱图像的波段选择方法，其中，所述方法包括：
获取高光谱图像的分类标签，根据所述分类标签确定连通标签子集，所述连通标签子集包括单分类标签和混合分类标签，所述单分类标签用于反映呈单高斯分布的地物，所述混合分类标签用于反映呈现混合高斯分布的地物；
对所述混合分类标签进行扩展，确定所述连通标签子集的子类扩展标签；
根据所述分类标签、所述连通标签子集和所述子类扩展标签，构建伸缩树多层分类标签，基于所述伸缩树多层分类标签，分层选择所述高光谱图像的波段。
在一种实现方式中，所述获取高光谱图像的分类标签，根据所述分类标签确定连通标签子集，所述连通标签子集包括单分类标签和混合分类标签，包括：
获取Fisher可分指数和分类精确率的函数关系，基于所述函数关系确定分类标签阈值；
根据所述分类标签阈值确定所述连通标签子集。
在一种实现方式中，所述对所述混合分类标签进行扩展，确定所述连通标签子集的子类扩展标签，包括：
获取所述混合分类标签的基数，基于所述基数确定所述连通标签子集的子类扩展标签，所述子类扩展标签包括第一子类扩展标签和第二子类扩展标签；
其中，所述基于所述基数确定所述连通标签子集的子类扩展标签，包括：
当所述基数等于2时，确定所述子类扩展标签为所述第一子类扩展标签；
当所述基数大于2时，确定所述子类扩展标签为所述第二子类扩展标签。
在一种实现方式中，所述对所述混合分类标签进行扩展，确定所述连通标签子集的子类扩展标签，还包括：
采用EM算法将所述混合分类标签扩展为若干个子类扩展标签；
计算若干个所述子类扩展标签的分布函数与预设的样本分布之间的差异度；
将若干个所述差异度进行比较，获得比较结果，根据所述比较结果，确定分类标签波段。
在一种实现方式中，所述根据所述比较结果，确定分类标签波段之后，包括：
获取所述子类扩展标签中不同地物之间的显著Fisher可分指数；
根据所述显著Fisher可分指数，对扩展子类的数目进行更新。
在一种实现方式中，所述根据所述分类标签、所述连通标签子集和所述子类扩展标签，构建伸缩树多层分类标签，包括：
根据所述分类标签、所述连通标签子集和所述子类扩展标签，构建伸缩树三层分类标签，其中，所述伸缩树三层分类标签的第一层为所述分类标签、所述伸缩树三层分类标签的第二层为所述连通标签子集、所述伸缩树三层分类标签的第三层为所述子类扩展标签。
在一种实现方式中，所述基于所述伸缩树多层分类标签，分层选择所述高光谱图像的波段，包括：
基于所述伸缩树多层分类标签，确定最优波段子集族，所述最优波段子集族为，其中，/>为混合最优波段子集，/>和/>为子类扩展最优波段子集；
基于所述最优波段子集族，分层选择高光谱图像的波段。
第二方面，本发明实施例还提供一种高光谱图像的波段选择装置，其中，所述装置包括：
连通标签子集确定模块，用于获取高光谱图像的分类标签，根据所述分类标签确定连通标签子集，所述连通标签子集包括单分类标签和混合分类标签，所述单分类标签用于反映呈单高斯分布的地物，所述混合分类标签用于反映呈现混合高斯分布的地物；
子类扩展标签确定模块，用于对所述混合分类标签进行扩展，确定所述连通标签子集的子类扩展标签；
多层分类标签构建模块，用于根据所述分类标签、所述连通标签子集和所述子类扩展标签，构建伸缩树多层分类标签，基于所述伸缩树多层分类标签，分层选择所述高光谱图像的波段。
第三方面，本发明实施例还提供一种终端，其中，所述终端包括存储器、处理器及存储在存储器中并可在处理器上运行的高光谱图像的波段选择程序，所述处理器执行所述高光谱图像的波段选择程序时，实现上述方案中任一项的高光谱图像的波段选择方法的步骤。
第四方面，本发明实施例还提供一种计算机可读存储介质，其中，计算机可读存储介质上存储有高光谱图像的波段选择程序，所述高光谱图像的波段选择程序被处理器执行时，实现上述方案中任一项所述的高光谱图像的波段选择方法的步骤。
有益效果：与现有技术相比，本发明提供了一种高光谱图像的波段选择方法、装置、终端及存储介质，首先，获取高光谱图像的分类标签，根据所述分类标签确定连通标签子集，所述连通标签子集包括单分类标签和混合分类标签，所述单分类标签用于反映呈单高斯分布的地物，所述混合分类标签用于反映呈现混合高斯分布的地物。然后，对所述混合分类标签进行扩展，确定所述连通标签子集的子类扩展标签。最后，根据所述分类标签、所述连通标签子集和所述子类扩展标签，构建伸缩树多层分类标签，基于所述伸缩树多层分类标签，分层选择所述高光谱图像的波段。本发明所构造的伸缩树多层分类标签能够清楚地区分不同地物之间的分布特性，能够按需选择高光谱图像中的波段，使得在分类时能用更少的波段得到更好的分类效果。
附图说明
图1为本发明实施例提供的高光谱图像的波段选择方法的具体实施方式的流程图。
图2为本发明实施例提供的通过子类扩展标签集构造伸缩树多层分类标签的具体流程图。
图3为本发明实施例提供的运用伸缩树多层分类标签进行分层波段选择的具体流程图。
图4为本发明实施例提供的高光谱图像的波段选择装置的功能原理图。
图5为本发明实施例提供的终端的原理框图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。
本领域技术人员应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本实施例提供一种高光谱图像的波段选择方法、装置、终端及存储介质，具体实施时，本实施例首先获取高光谱图像的分类标签，根据所述分类标签确定连通标签子集，所述连通标签子集包括单分类标签和混合分类标签，所述单分类标签用于反映呈单高斯分布的地物，所述混合分类标签用于反映呈现混合高斯分布的地物。然后，对所述混合分类标签进行扩展，确定所述连通标签子集的子类扩展标签。最后，根据所述分类标签、所述连通标签子集和所述子类扩展标签，构建伸缩树多层分类标签，基于所述伸缩树多层分类标签，分层选择所述高光谱图像的波段。本实施例所构造的伸缩树多层分类标签能够清楚地区分不同地物之间的分布特性，能够按需选择高光谱图像中的波段，使得在分类时能用更少的波段得到更好的分类效果。
举例说明，由于本实施例中构建的该伸缩树多层分类标签包括有分类标签、连通标签子集和子类扩展标签三层，所以当通过该伸缩树多层分类标签来分层选择高光谱图像的波段时，可以优先对伸缩树多层分类标签的第一层进行波段选择，通过根节点（即连通标签子集，包括单分类标签和混合分类标签）选择出混合分类标签，然后对伸缩树多层分类标签的第二层（即：混合分类标签）进行波段选择，得到混合最优波段子集，比如：，最后对伸缩树多层分类标签的第三层（即：子类扩展标签）进行波段选择，得到算子类扩展最优波段子集，比如/>、/>、…、/>，然后，通过对伸缩树三层分类标签的多层选择分类结果进行整合，可以得到最终的分类标签，比如：最优波段子集族。最后，就能够基于该最优波段子集族来选择高光谱图像的波段，此时，既可以描述高光谱图像中呈单高斯分布的地物间的可分特性，也可以描述呈混合高斯分布的地物间的可分特性，能够提高所选波段对分类的贡献，实现利用更少的波段得到更好的分类效果。
本实施例的高光谱图像的波段选择方法可应用于终端中，所述终端可为手机、平板、电脑等智能化产品终端。在本实施例中，所述终端可为与高光谱图像的波段选择装置连接的外接设备，也可以为内置在所述高光谱图像的波段选择装置中的设备。如图1中所示，本实施例的高光谱图像的波段选择方法包括如下步骤：
步骤S100、获取高光谱图像的分类标签，根据所述分类标签确定连通标签子集，所述连通标签子集包括单分类标签和混合分类标签，所述单分类标签用于反映呈单高斯分布的地物，所述混合分类标签用于反映呈现混合高斯分布的地物。
具体地，由于本实施例是通过连通标签子集来构建伸缩树多层分类标签的，且连通标签子集是根据高光谱图像的分类标签所确定的，所以本实施例首先要获取高光谱图像的分类标签，然后再进一步确定连通标签子集，将连通标签子集分为单分类标签和混合分类标签。优选地，该单分类标签用于反映高光谱图像中呈单高斯分布的地物，而混合分类标签用于反映高光谱图像中呈现混合高斯分布的地物。
在一种实现方式中，本实施例的步骤S100具体包括如下步骤：
步骤S101、获取Fisher可分指数和分类精确率的函数关系，基于所述函数关系确定分类标签阈值；
步骤S102、根据所述分类标签阈值确定所述连通标签子集。
具体地，为了便于理解本实施例的技术内容，本实施例特做出以下定义：本实施例中的一个高光谱图像可表示为，/>可以为/>，/>表示高光谱图像的地物的个数，/>表示高光谱图像中第/>波段上的第/>类地物组成的像素点的集合，/>表示分类标签集，，/>表示第/>波段上的第/>类和第/>类地物间的Fisher可分指数。
其中，（1），
式（1）中的表示第/>个波段上第/>类地物的像素点组成的集合的均值，/>表示第/>个波段上第/>类地物的像素点组成的集合的标准差，/>表示第/>个波段上第/>类地物的像素点组成的集合的方差。/>表示显著Fisher可分指数，其中，，为了表达方便，便对得到的/>按从小到大进行排列，其中，第k个值用/>表示。
具体实施时，本实施例中第波段上的第/>类和第/>类地物间的Fisher可分指数和分类精确率/>之间的函数关系为：/>，/>是标准正态分布函数。本实施例中基于函数关系可以确定分类标签阈值/>，然后，根据该分类标签阈值与Fisher可分指数之间的条件关系构造第/>个连通标签子集/>，/>，其中，连通标签子集包括有单分类标签和混合分类标签。
步骤S200、对所述混合分类标签进行扩展，确定所述连通标签子集的子类扩展标签。
具体地，如图2中所示，本实施例在确定连通标签子集之后，会将连通标签子集的单分类标签和混合分类标签进行区分，由于呈单分类标签反映的是呈单高斯分布的高光谱图像，而呈混合分类标签的连通标签子集反映的是呈现混合高斯分布的高光谱图像，所以本实施例中进一步对混合分类标签进行扩展，将其扩展为若干个子类扩展标签，把一类呈混合高斯分布的地物扩展成为多个呈单高斯分布的地物。
在一种实现方式中，本实施例的步骤S200具体包括如下步骤：
步骤S201、获取所述混合分类标签的基数，基于所述基数确定所述连通标签子集的子类扩展标签，所述子类扩展标签包括第一子类扩展标签和第二子类扩展标签。
在一种实现方式中，本实施例的步骤S201具体包括如下步骤：
步骤S211、当所述基数等于2时，确定所述子类扩展标签为所述第一子类扩展标签；
步骤S212、当所述基数大于2时，确定所述子类扩展标签为所述第二子类扩展标签。
具体地，本实施例根据连通标签子集的基数，确定子类扩展标签。其中，一个集合的基数是指集合中元素的个数，用符号表示，当连通标签子集的基数为1时，属于单分类标签，反映的是呈单高斯分布的高光谱图像，本实施例中不作进一步的子类扩展。当连通标签子集的基数大于等于2时，属于混合分类标签，反映的是呈混合高斯分布的高光谱图像，本实施例中对其作进一步的子类扩展，以确定连通标签子集的子类扩展标签，其中，本实施例中的子类扩展标签包括第一子类扩展标签和第二子类扩展标签。
优选地，当本实施例中的连通标签子集的基数等于2时，即时，第一子类扩展标签为：/>；当连通标签子集的基数大于2时，即/>时，第二子类扩展标签为：/>。也就是说，本实施例的第/>个连通标签子集/>中存在一个标签/>，且在/>中至少可以找到两个标签与这个标签/>的显著Fisher可分指数小于给定的阈值/>。
在一种实现方式中，本实施例在对所述混合分类标签进行扩展，确定所述连通标签子集的子类扩展标签时，还包括如下步骤：
步骤S202、采用EM算法将所述混合分类标签扩展为若干个子类扩展标签；
步骤S203、计算若干个所述子类扩展标签的分布函数与预设的样本分布之间的差异度；
步骤S204、将若干个所述差异度进行比较，获得比较结果，根据所述比较结果，确定分类标签波段。
具体实施时，如图2中所示，本实施例是通过EM聚类将混合分类标签扩展为若干子类扩展标签的。首先，本实施例用EM算法在每个波段上对第类地物分为/>个子类，然后，再用皮尔逊检验来判断扩展之后的分布函数与样本分布之间的实质性差异，并选择差异性最小的波段作为子类扩展标签波段。最后，再计算若干个所述子类扩展标签的分布函数与预设的样本分布之间的差异度。本实施例中，第/>个连通标签子集中的第/>个标签/>扩展之后的第/>个子类的差异度为/>，其中，
（2），
（3），
式（2）中，表示在第/>波段上的第/>标签对应的地物组成的像素点的集合中元素的个数，即集合/>的基数。式（3）中，/>是正态分布函数，/>表示随机变量为/>时的概率密度。那么，本实施例可以获得第/>个波段上第/>类的整体差异度为/>，
，
并确定分类标签波段的目标函数为，其中，/>。
在一种实现方式中，本实施例在根据所述比较结果，确定分类标签波段之后，还包括如下步骤：
步骤S216、获取所述子类扩展标签中不同地物之间的显著Fisher可分指数；
步骤S226、根据所述显著Fisher可分指数，对扩展子类的数目进行更新。
具体实施时，当混合分类标签扩展为若干子类扩展标签之后，本实施例的子类扩展标签中不同地物之间的显著Fisher可分指数，指的就是扩展后的子类标签和连通子集中的其他元素之间的显著Fisher可分指数，/>。
进一步地，当获得显著Fisher可分指数后，就可以根据新的显著Fisher指数来更新扩展子类的数目，本实施例对扩展子类的数目进行更新的方式有以下两种：第一种，当任意一个第/>波段上的第/>标签的显著Fisher可分指数都大于预设的阈值时，即/>，，/>时，则分为/>个子类，标签波段为/>。第二种，当存在一个第/>波段上的第/>标签的显著Fisher可分指数小于预设的阈值时，即/>时，/>，则把扩展子类的数目加1，即：/>。
步骤S300、根据所述分类标签、所述连通标签子集和所述子类扩展标签，构建伸缩树多层分类标签，基于所述伸缩树多层分类标签，分层选择所述高光谱图像的波段。
在一种实现方式中，本实施例根据所述分类标签、所述连通标签子集和所述子类扩展标签，构建伸缩树多层分类标签时，包括如下步骤：
步骤S301、根据所述分类标签、所述连通标签子集和所述子类扩展标签，构建伸缩树三层分类标签，其中，所述伸缩树三层分类标签的第一层为所述分类标签、所述伸缩树三层分类标签的第二层为所述连通标签子集、所述伸缩树三层分类标签的第三层为所述子类扩展标签。
具体地，如图3所示，本实施例构建一个伸缩树多层分类标签。首先，高光谱图像的原有分类标签集构成一个根节点（即：缩树多层分类标签的第一层）。然后，根据给定的阈值/>，确定若干个连通标签子集，比如：/>，每个连通标签子集称为单分类标签，当多个单分类标签合并为一个标签，与其他标签集合，则构成一个混合分类标签（即：缩树多层分类标签的第二层）。最后，对混合分类标签进行子类扩展，扩展后的子类扩展分类标签与对应的连通标签子集中的单分类标签一起构成子类扩展标签集（即：缩树多层分类标签的第三层）。
在一种实现方式中，本实施例基于所述伸缩树多层分类标签，分层选择所述高光谱图像的波段时，包括如下步骤：
步骤S302、基于所述伸缩树多层分类标签，确定最优波段子集族，所述最优波段子集族为，其中，/>为混合最优波段子集，/>和/>为子类扩展最优波段子集；
步骤S303、基于所述最优波段子集族，分层选择高光谱图像的波段。
具体实施时，本实施例通过在构造的伸缩树结构多层分类标签的每一层上应用HSPFiGs波段选择方法，来分层的对高光谱图像进行波段选择。具体地，HSPFiGs波段选择方法时把单个波段上的每一类地物看作一个节点，然后用Fisher可分指数计算两个节点的可分离特性，并用两个节点之间的边表示，从而构成一个高光谱堆叠Fisher图，然后根据显著Fisher可分指数，把高光谱堆叠Fisher图分为一系列的子图，并在每个子图上选择具有显著可分特性的波段构成一个最优波段子集。这种方法更直观的描述了地物间的可分特性，得到的波段信息更丰富，但是，HSPFiGs波段选择方法在根据相关性划分有限收敛子集时，有可能把描述不同地物间的具有强可分特性的波段划分在同一个子集内，因此选出的波段存在一定的信息冗余，对地物可分特性的信息利用还不够充分。HSPFiGs波段选择方法步骤如下：
根据Fisher可分指数，按照波段原有顺序，可以构造一个对应高光谱图像的高光谱堆叠Fisher图，然后根据显著Fisher可分指数和高光谱堆叠Fisher图，把高光谱图像中的波段分为一系列的子集，称为类对预选集/>，其中，/>。进一步地，为了避免其他类对的Fisher可分指数过大对当前类对波段的影响，本实施例对类对预选集中的Fisher值进行正则化，
，
且，其中，/>是一个第/>行第/>列值为/>的矩阵。
接着，从每个类对预选集上选择可分特性最明显并且波段间的相关性较弱的成对波段，即：
，
，
其中，表示矩阵的2范数，/>是一个实验参数。/>和/>是第k个类对预选集/>中的任意两个元素，而在/>中选出的一对最优的波段分别记为/>和/>。/>表示波段/>和/>之间的冗余指数，/>表示在不同的/>中选出的一对最优波段组成的并集。最后，通过对集合/>进行划分，得到一组有限收敛子集/>，在每个有限收敛子集上选择一个可分性最强的波段构成最优波段集：
，
，
其中，表示对Fisher可分指数进行正则化时，/>取/>的最大值，表示使得函数/>取得最大值所对应的变量的集合。
由于上述HSPFiGs波段选择方法选出的波段存在一定的信息冗余，对地物可分特性的信息利用还不够充分，且其最优波段子集中的波段对呈混合高斯分布的地物可分特性的针对性不强，所以本实施例通过在构造的伸缩树结构多层分类标签的每一层上应用HSPFiGs波段选择方法，来分层的对高光谱图像进行波段选择。具体地，如图3所示，本实施例先对伸缩树多层分类标签的第一层进行波段选择，通过根节点（即连通标签子集，包括单分类标签和混合分类标签）选择出混合分类标签，然后对伸缩树多层分类标签的第二层（混合分类标签）进行波段选择，通过，计算得到混合最优波段子集/>，最后对伸缩树多层分类标签的第三层（子类扩展分类标签）进行波段选择，通过子类扩展分类标签/>、、…、/>，计算子类扩展最优波段子集/>、/>、…、/>。进一步地，本实施例根据伸缩树多层分类标签对分类结果进行整合，得到最终的分类标签，并输出最优波段子集族：/>。最后，根据最优波段子集族，既可以描述高光谱图像中呈单高斯分布的地物间的可分特性，也可以描述呈混合高斯分布的地物间的可分特性，能够更好的描述地物之间的分布特性，提高了所选波段对分类的贡献，从而在分类时能用更少的波段得到更好的分类效果。
进一步地，通过本实施例的高光谱图像的波段选择方法输出最优波段子集族之后，本实施例还进行了相关的实验，进一步验证了通过本实施例所构造的最优波段子集族能更好的描述地物之间的分布特性，提高了所选波段对分类的贡献，从而在分类时能用更少的波段得到更好的分类效果。在下列表格中，分别提供了最优波段子集族在Pavia大学和Salinas公用数据集上的分别选择1%、2%和5%像素点作为训练集时的总体分类精度、平均分类精度和Kappa系数的相关数据：
表一
表二
具体地，表一和表二分别为在Pavia大学和Salinas公用数据集上进行分类时的结果数据，其中，当本实施例选择出的最优波段子集族在Pavia大学数据集上分别选择1%、2%和5%像素点作为训练集时，总体分类精度（OA）、平均分类精度（AA）和Kappa系数（K）的分类结果的百分比均在一定程度上呈现增加，比如：总体分类精度（OA）在1%像素点作为训练集时为84.77%，在2%像素点作为训练集时增加到86.90%，在5%像素点作为训练集时增加到88.49%。同理，根据表二可以看出：当本实施例选择出的最优波段子集族在Salinas公用数据集上分别选择1%、2%和5%像素点作为训练集时，总体分类精度（OA）、平均分类精度（AA）和Kappa系数（K）的分类结果的百分比均在一定程度上呈现增加，比如：Kappa系数（K）在1%像素点作为训练集时为95.3%，在2%像素点作为训练集时增加到95.91%，在5%像素点作为训练集时增加到96.44%。因此，根据在Pavia大学和Salinas公用数据集这两个数据集上的测试结果，不难得出：随着训练集数目的增加，总体分类精度（OA）、平均分类精度（AA）和Kappa系数（K）的均值都有所增加，而对应的方差则有所减少。也就是说，当使用最优波段子集族进行高光谱图像的波段选择时，随着训练集中的数目增加，总体分类精度、平均分类精度都有所提升，同时分类也越来越稳定。
综上，本实施例提供一种高光谱图像的波段选择方法，具体实施时，本实施例首先获取高光谱图像的分类标签，根据所述分类标签确定连通标签子集，所述连通标签子集包括单分类标签和混合分类标签，所述单分类标签用于反映呈单高斯分布的地物，所述混合分类标签用于反映呈现混合高斯分布的地物。然后，对所述混合分类标签进行扩展，确定所述连通标签子集的子类扩展标签。最后，根据所述分类标签、所述连通标签子集和所述子类扩展标签，构建伸缩树多层分类标签，基于所述伸缩树多层分类标签，分层选择所述高光谱图像的波段。本实施例所构造的伸缩树多层分类标签能够清楚地区分不同地物之间的分布特性，能够按需选择高光谱图像中的波段，使得在分类时能用更少的波段得到更好的分类效果。
基于上述实施例，本发明还提供一种高光谱图像的波段选择装置，如图4中所示，所述高光谱图像的波段选择装置包括：连通标签子集确定模块10、子类扩展标签确定模块20、多层分类标签构建模块30。具体地，所述连通标签子集确定模块10，用于获取高光谱图像的分类标签，根据所述分类标签确定连通标签子集，所述连通标签子集包括单分类标签和混合分类标签，所述单分类标签用于反映呈单高斯分布的地物，所述混合分类标签用于反映呈现混合高斯分布的地物。所述子类扩展标签确定模块20，用于对所述混合分类标签进行扩展，确定所述连通标签子集的子类扩展标签。所述多层分类标签构建模块30，用于根据所述分类标签、所述连通标签子集和所述子类扩展标签，构建伸缩树多层分类标签，基于所述伸缩树多层分类标签，分层选择所述高光谱图像的波段。
在一种实现方式中，所述连通标签子集确定模块10，包括：
分类标签阈值确定单元，用于获取Fisher可分指数和分类精确率的函数关系，基于所述函数关系确定分类标签阈值；
连通标签子集确定单元，用于根据所述分类标签阈值确定所述连通标签子集。
在一种实现方式中，所述子类扩展标签确定模块20，包括：
子类扩展标签确定单元，用于获取所述混合分类标签的基数，基于所述基数确定所述连通标签子集的子类扩展标签，所述子类扩展标签包括第一子类扩展标签和第二子类扩展标签。
差异度计算单元，用于计算若干个所述子类扩展标签的分布函数与预设的样本分布之间的差异度；
比较结果获得单元，用于将若干个所述差异度进行比较，获得比较结果，根据所述比较结果，确定分类标签波段。
可分指数获取单元，用于获取所述子类扩展标签中不同地物之间的显著Fisher可分指数；
扩展子类数目更新单元，用于根据所述显著Fisher可分指数，对扩展子类的数目进行更新。
在一种实现方式中，所述子类扩展标签确定单元，包括：
第一子类扩展标签确定子单元，用于当所述基数等于2时，确定所述子类扩展标签为所述第一子类扩展标签；
第二子类扩展标签确定子单元，用于当所述基数大于2时，确定所述子类扩展标签为所述第二子类扩展标签。
在一种实现方式中，所述多层分类标签构建模块30，包括：
多层分类标签构建单元，用于根据所述分类标签、所述连通标签子集和所述子类扩展标签，构建伸缩树三层分类标签，其中，所述伸缩树三层分类标签的第一层为所述分类标签、所述伸缩树三层分类标签的第二层为所述连通标签子集、所述伸缩树三层分类标签的第三层为所述子类扩展标签。
最优波段子集族获得单元，用于基于所述伸缩树多层分类标签，确定最优波段子集族，所述最优波段子集族为，其中，/>为混合最优波段子集，/>和/>为子类扩展最优波段子集；
高光谱图像波段选择单元，用于基于所述最优波段子集族，分层选择高光谱图像的波段。
本实施例的高光谱图像的波段选择装置中各个模块的工作原理与上述方法实施例中各个步骤的原理相同，此处不再赘述。
基于上述实施例，本发明还提供了一种终端，所述终端的原理框图可以如图5所示。终端可以包括一个或多个处理器100（图5中仅示出一个），存储器101以及存储在存储器101中并可在一个或多个处理器100上运行的计算机程序102，例如，高光谱图像的波段选择程序。一个或多个处理器100执行计算机程序102时可以实现高光谱图像的波段选择方法实施例中的各个步骤。或者，一个或多个处理器100执行计算机程序102时可以实现高光谱图像的波段选择装置实施例中各模块/单元的功能，此处不作限制。
在一个实施例中，所称处理器100可以是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路 (Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
在一个实施例中，存储器101可以是电子设备的内部存储单元，例如电子设备的硬盘或内存。存储器101也可以是电子设备的外部存储设备，例如电子设备上配备的插接式硬盘，智能存储卡（smart media card，SMC），安全数字（secure digital，SD）卡，闪存卡（flash card）等。进一步地，存储器101还可以既包括电子设备的内部存储单元也包括外部存储设备。存储器101用于存储计算机程序以及终端所需的其他程序和数据。存储器101还可以用于暂时地存储已经输出或者将要输出的数据。
本领域技术人员可以理解，图5中示出的原理框图，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的终端的限定，具体的终端以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成的，计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、运营数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双运营数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
综上，本发明公开了一种高光谱图像的波段选择方法、装置、终端及存储介质，所述方法包括：获取高光谱图像的分类标签，根据所述分类标签确定连通标签子集，所述连通标签子集包括单分类标签和混合分类标签，所述单分类标签用于反映呈单高斯分布的地物，所述混合分类标签用于反映呈现混合高斯分布的地物；对所述混合分类标签进行扩展，确定所述连通标签子集的子类扩展标签；根据所述分类标签、所述连通标签子集和所述子类扩展标签，构建伸缩树多层分类标签，基于所述伸缩树多层分类标签，分层选择所述高光谱图像的波段。本发明所构造的伸缩树多层分类标签能够清楚地区分不同地物之间的分布特性，能够按需选择高光谱图像中的波段，使得在分类时能用更少的波段得到更好的分类效果。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种高光谱图像的波段选择方法，其特征在于，所述方法包括：
获取高光谱图像的分类标签，根据所述分类标签确定连通标签子集，所述连通标签子集包括单分类标签和混合分类标签，所述单分类标签用于反映呈单高斯分布的地物，所述混合分类标签用于反映呈现混合高斯分布的地物；
对所述混合分类标签进行扩展，确定所述连通标签子集的子类扩展标签；
根据所述分类标签、所述连通标签子集和所述子类扩展标签，构建伸缩树多层分类标签，基于所述伸缩树多层分类标签，分层选择所述高光谱图像的波段。
2.根据权利要求1所述的高光谱图像的波段选择方法，其特征在于，所述获取高光谱图像的分类标签，根据所述分类标签确定连通标签子集，所述连通标签子集包括单分类标签和混合分类标签，包括：
获取Fisher可分指数和分类精确率的函数关系，基于所述函数关系确定分类标签阈值；
根据所述分类标签阈值确定所述连通标签子集。
3.根据权利要求1所述的高光谱图像的波段选择方法，其特征在于，所述对所述混合分类标签进行扩展，确定所述连通标签子集的子类扩展标签，包括：
获取所述混合分类标签的基数，基于所述基数确定所述连通标签子集的子类扩展标签，所述子类扩展标签包括第一子类扩展标签和第二子类扩展标签；
其中，所述基于所述基数确定所述连通标签子集的子类扩展标签，包括：
当所述基数等于2时，确定所述子类扩展标签为所述第一子类扩展标签；
当所述基数大于2时，确定所述子类扩展标签为所述第二子类扩展标签。
4.根据权利要求1所述的高光谱图像的波段选择方法，其特征在于，所述对所述混合分类标签进行扩展，确定所述连通标签子集的子类扩展标签，还包括：
采用EM算法将所述混合分类标签扩展为若干个子类扩展标签；
计算若干个所述子类扩展标签的分布函数与预设的样本分布之间的差异度；
将若干个所述差异度进行比较，获得比较结果，根据所述比较结果，确定分类标签波段。
5.根据权利要求4所述的高光谱图像的波段选择方法，其特征在于，所述根据所述比较结果，确定分类标签波段之后，包括：
获取所述子类扩展标签中不同地物之间的显著Fisher可分指数；
根据所述显著Fisher可分指数，对扩展子类的数目进行更新。
6.根据权利要求1所述的高光谱图像的波段选择方法，其特征在于，所述根据所述分类标签、所述连通标签子集和所述子类扩展标签，构建伸缩树多层分类标签，包括：
根据所述分类标签、所述连通标签子集和所述子类扩展标签，构建伸缩树三层分类标签，其中，所述伸缩树三层分类标签的第一层为所述分类标签、所述伸缩树三层分类标签的第二层为所述连通标签子集、所述伸缩树三层分类标签的第三层为所述子类扩展标签。
7.根据权利要求1所述的高光谱图像的波段选择方法，其特征在于，所述基于所述伸缩树多层分类标签，分层选择所述高光谱图像的波段，包括：
基于所述伸缩树多层分类标签，确定最优波段子集族，其中，所述最优波段子集族为，/>为混合最优波段子集，/>和/>为子类扩展最优波段子集；
基于所述最优波段子集族，分层选择高光谱图像的波段。
8.一种高光谱图像的波段选择装置，其特征在于，所述装置包括：
连通标签子集确定模块，用于获取高光谱图像的分类标签，根据所述分类标签确定连通标签子集，所述连通标签子集包括单分类标签和混合分类标签，所述单分类标签用于反映呈单高斯分布的地物，所述混合分类标签用于反映呈现混合高斯分布的地物；
子类扩展标签确定模块，用于对所述混合分类标签进行扩展，确定所述连通标签子集的子类扩展标签；
多层分类标签构建模块，用于根据所述分类标签、所述连通标签子集和所述子类扩展标签，构建伸缩树多层分类标签，基于所述伸缩树多层分类标签，分层选择所述高光谱图像的波段。
9.一种终端，其特征在于，所述终端包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的高光谱图像的波段选择程序，所述处理器执行所述高光谱图像的波段选择程序时，实现如权利要求1-7任一项所述的高光谱图像的波段选择方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有高光谱图像的波段选择程序，所述高光谱图像的波段选择程序被处理器执行时，实现如权利要求1-7任一项所述的高光谱图像的波段选择方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311746979.2A CN117423004B (zh) | 2023-12-19 | 2023-12-19 | 高光谱图像的波段选择方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311746979.2A CN117423004B (zh) | 2023-12-19 | 2023-12-19 | 高光谱图像的波段选择方法、装置、终端及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117423004A true CN117423004A (zh) | 2024-01-19 |
| CN117423004B CN117423004B (zh) | 2024-04-02 |
Family
ID=89525177
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311746979.2A Active CN117423004B (zh) | 2023-12-19 | 2023-12-19 | 高光谱图像的波段选择方法、装置、终端及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117423004B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104318252A (zh) * | 2014-11-02 | 2015-01-28 | 西安电子科技大学 | 基于分层概率模型的高光谱图像分类方法 |
| CN113486876A (zh) * | 2021-09-08 | 2021-10-08 | 中国地质大学（武汉） | 一种高光谱影像波段选择方法、装置及系统 |
| CN114882368A (zh) * | 2022-06-02 | 2022-08-09 | 西安电子科技大学 | 非平衡高光谱图像分类方法 |
| CN115457311A (zh) * | 2022-08-23 | 2022-12-09 | 宁波大学 | 一种基于自表达迁移学习的高光谱遥感影像波段选择方法 |
| CN116310471A (zh) * | 2022-10-20 | 2023-06-23 | 中国人民解放军战略支援部队信息工程大学 | 一种高光谱影像分类方法 |
| US20230334829A1 (en) * | 2021-08-16 | 2023-10-19 | Wuhan University | Hyperspectral image classification method based on context-rich networks |
-
2023
- 2023-12-19 CN CN202311746979.2A patent/CN117423004B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104318252A (zh) * | 2014-11-02 | 2015-01-28 | 西安电子科技大学 | 基于分层概率模型的高光谱图像分类方法 |
| US20230334829A1 (en) * | 2021-08-16 | 2023-10-19 | Wuhan University | Hyperspectral image classification method based on context-rich networks |
| CN113486876A (zh) * | 2021-09-08 | 2021-10-08 | 中国地质大学（武汉） | 一种高光谱影像波段选择方法、装置及系统 |
| CN114882368A (zh) * | 2022-06-02 | 2022-08-09 | 西安电子科技大学 | 非平衡高光谱图像分类方法 |
| CN115457311A (zh) * | 2022-08-23 | 2022-12-09 | 宁波大学 | 一种基于自表达迁移学习的高光谱遥感影像波段选择方法 |
| CN116310471A (zh) * | 2022-10-20 | 2023-06-23 | 中国人民解放军战略支援部队信息工程大学 | 一种高光谱影像分类方法 |
Non-Patent Citations (2)
| Title |
|---|
| 赵阳: "基于核机器学习的人脸识别若干算法研究", 《优秀博硕士学位论文》, 31 May 2017 (2017-05-31), pages 1 - 56 * |
| 龚志成等: "多光谱遥感卫星图像的精确配准方法研究", 《信号处理》, vol. 29, no. 10, 31 October 2013 (2013-10-31), pages 1398 - 1406 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117423004B (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Building extraction from remote sensing images using deep residual U-Net | |
| US20220122368A1 (en) | Systems and methods for document image analysis with cardinal graph convolutional networks | |
| US10162878B2 (en) | System and method for agglomerative clustering | |
| Han et al. | Scene classification based on a hierarchical convolutional sparse auto-encoder for high spatial resolution imagery | |
| CN109145129B (zh) | 基于层次三元组损失函数的深度度量学习方法及其装置 | |
| CN112329660B (zh) | 一种场景识别方法、装置、智能设备及存储介质 | |
| CN111291807B (zh) | 一种细粒度图像分类方法、装置及存储介质 | |
| CN106649538A (zh) | 人脸搜索的方法及装置 | |
| US20240029397A1 (en) | Few-shot image recognition method and apparatus, device, and storage medium | |
| Buenaposada et al. | Improving multi-class Boosting-based object detection | |
| KR102305575B1 (ko) | 이미지 간 유사도를 이용한 유사 영역 강조 방법 및 시스템 | |
| CN110083731B (zh) | 图像检索方法、装置、计算机设备及存储介质 | |
| CN113705674B (zh) | 一种非负矩阵分解聚类方法、装置及可读存储介质 | |
| US20150254280A1 (en) | Hybrid Indexing with Grouplets | |
| Shao et al. | An effective hyperspectral image retrieval method using integrated spectral and textural features | |
| CN110110119B (zh) | 图像检索的方法、装置及计算机可读存储介质 | |
| CN117423004B (zh) | 高光谱图像的波段选择方法、装置、终端及存储介质 | |
| CN113553326A (zh) | 电子表格数据处理方法、装置、计算机设备和存储介质 | |
| Nhaila et al. | New wrapper method based on normalized mutual information for dimension reduction and classification of hyperspectral images | |
| Ren et al. | Bag-of-bags of words irregular graph pyramids vs spatial pyramid matching for image retrieval | |
| CN117033534A (zh) | 地理信息处理方法、装置、计算机设备和存储介质 | |
| Boecking et al. | Support vector clustering of time series data with alignment kernels | |
| CN113688702B (zh) | 基于融合多特征的街景图像处理方法及系统 | |
| CN112800138B (zh) | 大数据分类方法及系统 | |
| CN114663770A (zh) | 一种基于集成聚类波段选择的高光谱图像分类方法及系统 |
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 |