[发明专利]基于粒子群优化的高光谱遥感影像自适应波段选择方法

说明书

技术领域

本发明属于高光谱遥感图像处理技术领域，具体涉及一种基于粒子群优化的高光谱遥感影像自适应波段选择方法。

背景技术

高光谱遥感也叫成像光谱学(Imaging Spectroscopy)，是指利用很多窄的电磁波波段获取物体有关数据的技术，是20世纪最后20年人类在对地观测方面取得的重大技术突破之一，也是当前及今后几十年内的遥感前沿技术。它利用成像光谱仪纳米级的光谱分辨率，获取许多非常窄且光谱连续的图像数据，实现地物空间、辐射、光谱信息的同步获取；从而为每个像元提供数十至数百个窄波段(波段宽度小于10nm)的光谱信息，生成一条完整而连续的光谱曲线。进入21世纪以来，高光谱遥感技术取得了重大进展，伴随着一系列基本问题的解决，高光谱遥感已由实验研究阶段逐步转向实际应用阶段。而作为高光谱遥感应用这一热点中的重点就是高光谱影像数据处理效率的提高和与之紧密相连的应用领域的扩展。

波段选择是遥感图像识别与分类的重要环节之一。在样本数不是很多的情况下，用很多特征进行分类，无论从计算的复杂度还是性能上来说都是不适宜的。因此研究如何把高维特征空间压缩到低维特征空间以便进行有效处理成为一个重要的问题。在高光谱数据中，每一个光谱波段都可以看成一个特征，因此选择某些对后续目标如影像分类起主要作用的波段子集的过程叫做波段选择。通过波段选择，可以从海量的高光谱影像中去除冗余或噪声波段，从而降低算法的复杂度并提高分类的准确度。

一般来说，选择最佳波段的原则有三点：一是所选择的波段的信息量应最大；二是所选择的波段数据间的相关性要小；三是研究区内欲识别地物的光谱响应特点能使某些类别地物之间最容易区分。因此，那些信息含量多、相关性小、地物光谱差异大、可分性好的波段就是应该选择的最佳波段。目前国内外在这方面进行了系列的研究，在早期的多光谱应用中，人们已经意识到不同的光谱波段对不同的地物具有诊断性，并将信息散度（Divergence）、变换散度（TransformedDivergence）、JM（Jeffreys-Matusita）距离和马氏（Bahattacharyya）距离等用于多光谱的波段选择中；另外，互信息（Mutual Information）算法也被应用于TM最优波段的选择。近年来，随着高光谱遥感的发展，不仅以上算法扩展到了高光谱领域，而且一些新的算法也陆续提出，如基于统计量的算法：熵与联合熵、最佳指数因子（OIF）、波段指数（Band Index），光谱导数等，但是这些算法基本上采用一次统计量来度量波段相对于后续分类的重要性，不能消除附加在数据中的噪声信息。因此一些更为复杂的算法受到了重视，如基于PCA和噪音估计的MVPCA和MSNRPCA算法、基于最小能量约束的线性约束最小协方差（LCMV-BCC/BCM）等算法。

以上算法的提出大大提高了高光谱遥感影像的降维效果，解决了波段选择中判据函数的问题；但是高光谱遥感波段选择的另一个重要问题依然没有得到很好的解决，即面对不同的高光谱遥感数据和不同的遥感应用，如何确定需要选择的波段数目。虽然文献1提出用虚拟维度(Virtual Dimensionality,VD)作为衡量波段数目的指标,并在高光谱数据分析方面得到了广泛应用[C.-I Chang and Q.Du,Estimation of number of spectrally distinct signal sources in hyperspectralimagery,IEEE Transactions on Geoscience and Remote Sensing,vol.42,no.3,pp.608-619,Mar.2004.]；但是由于该算法比较复杂，且面向不同的遥感应用时，存在适用性问题。因此，如何有效地解决波段数目的问题依然是高光谱遥感影像应用中亟需解决的问题。

发明内容

发明目的：针对上述现有技术存在的问题和不足，本发明的目的是提供一种基于粒子群优化的高光谱遥感影像自适应波段选择方法，解决高光谱遥感波段选择中效果不好，不能事先确定波段数目的问题。

技术方案：为实现上述发明目的，本发明采用的技术方案为一种基于粒子群优化的高光谱遥感影像自适应波段选择方法，包括以下步骤：

步骤1，选择需进行降维的高光谱影像S；

步骤2，随机初始化M个粒子；

步骤3，对于外部PSO，其波段数目依据进行迭代优化，x为待优化的波段数目，k为外部PSO的粒子序号，id为当前波段的数目；