[发明专利]一种小样本高光谱图像蒙特卡罗特征降维方法

说明书

技术领域

本发明涉及的是一种高光谱图像分类方法，具体的说是一种小样本高光谱图像蒙特卡罗特征降维方法。

背景技术

高光谱图像分类作为高光谱图像处理的基础应用，长期以来受到各国专家学者以及工程技术人员的广泛关注。随着高光谱遥感技术的不断发展，高光谱扫描仪的光谱分辨率不断提升，相对于多光谱遥感而言，高光谱图像提供的地物光谱信息更加丰富，使其对地物的分辨更加准确。其较高的光谱分辨率在增强地物细微差别分辨能力的同时也带来了维数灾难(Hughes现象)，这种现象严重影响了高光谱图像分类的精度。造成这种现象的主要原因是，相对于高光谱图像的高维数，各类别地物训练样本的严重不足。解决这种现象的方法通常有两种，一种方法是增加训练样本个数，另一种方法是对原始高光谱图像进行特征降维处理。然而在实际情况中，并不能提供大量的训练样本以满足高光谱图像高维数的需求，因此人们多采用高光谱图像特征降维这一方法。近年来，多种特征选择算法被相继应用到高维数据处理中，比较有代表性的有基于反向偏最小二乘法(BiPLS)的模拟退火特征波长选择算法,基于正交投影散度的波段选择算法,ReliefF特征选择算法,以及信息增益特征选择算法。这些特征选择算法选择对分类贡献较大的一些特征波段，减少了高维数据中存在的冗余特征，但却无法给出最佳特征选择个数，这种情况为高光谱图像的处理带来了极大的困难与不便。

发明内容

本发明的目的在于提供一种能够提高数据处理的可靠性、便利性的一种小样本高光谱图像蒙特卡罗特征降维方法。

本发明的目的是这样实现的：

小样本高光谱图像蒙特卡罗特征降维方法，包括下列步骤：

步骤1：蒙特卡罗特征降维算法特征参量的选取；

步骤2：蒙特卡罗特征降维算法随机数的生成；

步骤3：蒙特卡罗特征参量的统计估计；

其特征是：

所述步骤1包括下列步骤：

（1）在当前样本标号下计算每个特征波段的类内紧密性系数；

（2）在当前样本标号下计算每个特征波段的类间分离性系数；

（3）设定类内紧性与类间分离性调节因子α，即当α＝0时，类内紧性与类间分离性系数完全由类间分离性系数决定，当α＝1时，类内紧性与类间分离性系数完全由类内紧密性系数决定；

（4）计算每个特征波段的类内紧性与类间分离性系数；

所述步骤2包括下列步骤：

（1）利用Logistic迭代方程产生大量的随机数；

（2）Logistic迭代方程产生的随机数的取值范围是[0,1]，需要将迭代方程产生的随机数进行数字化处理；

（3）将数字化处理后的随机数用于样本序号的抽取与排序，产生大量的蒙特卡罗随机实验，用于特征选取；

所述步骤3包括下列步骤：

（1）根据选取的特征参量计算方法，计算每个特征波段在原始样本标号下的特征参量值；

（2）利用蒙特卡罗方法产生的随机数，对原样本标号进行随机抽取与排序，生成具有随机性的样本标号，在新的样本标号下，计算原样本的特征参量；

（3）将样本在原始样本标号下计算得到的特征参量，与样本在大量随机标号下计算得到的特征参量作为统计估计的输入，得到蒙特卡罗降维方法的最优降维维数，选择出原始样本中的重要特征波段。

本发明方法的优点在于：

可靠性方面：采用类内紧性与类间分离性系数作为蒙特卡罗特征降维算法的特征参量。高光谱图像每个特征波段对图像处理的重要程度体现在在已知样本标号下，该特征波段的类内紧密性及类间分离性之间的关系。为此本发明在选取特征参量时，同时考虑了高光谱图像的类内紧性与类间分离性，使得选取的特征波段对于同类样本可以紧密聚类，不同类别之间具有较大的距离，提高了数据进一步处理的可靠性。

便利性方面：通常的特征波段选择算法无法给出最优降维波段数，使得这些算法在应用时需要人为设定选取的特征波段个数，从而增加了图像处理过程中的复杂性，同时选取的特征波段个数也会对图像的后续处理产生极大的影响。本发明提出的蒙特卡罗特征降维方法可以自适应的给出最优降维波段个数，选取原始高光谱图像中的重要特征波段用于图像的后续处理，提高了高维数据处理的便利性。

为验证本专利提出降维算法的性能，分别使用支持向量机(SVM)和相关向量机(RVM)对最优降维波段数和降维后的分类精度进行测试，如表1和表2所示。实验结果再次肯定了本发明专利提出降维算法在处理高维数据时的有效性。