[发明专利]基于波段不相似性的高光谱数据波段表征选择方法

说明书

本发明公开一种基于波段不相似性的高光谱数据波段表征选择方法，主要解决现有高光谱波段选择时结构信息不能有效利用的问题。其步骤为：将输入的高光谱图像预处理为可操作的高光谱数据；构建高光谱波段之间的不相似矩阵；初始化概率表征矩阵；生成高光谱像元之间的相似度矩阵；计算高光谱波段的表征代价；构建高光谱像元的图保持正则项；构建目标函数；构造约束条件；通过交替方向多乘子方法求解概率表征矩阵；波段子集选择。本发明通过表征学习和图正则来进行高光谱数据的波段选择，使得选择后的高光谱波段能保持与输入高光谱数据相似的结构，提高了波段选择后高光谱数据的表征性，可用于高光谱数据的维数约简、分类识别。

技术领域

本发明属于遥感图像处理技术领域，更进一步涉及遥感图像数据特征选择方法，具体是一种基于波段不相似性的高光谱数据波段表征选择方法，用于遥感影像数据的维数约简与分类。

背景技术

高光谱遥感技术现已经成功应用于环境监测，资源勘查,精细农业，国防安全等领域，是现代高科技技术之一，但是，高光谱遥感影像的智能化处理水平的发展则相对滞后于影像成像设备等硬件方面的发展，这使得高光谱遥感技术进一步的推广应用受到制约。地物分类是对高光谱遥感影像丰富的感知信息进行解译的重要途径，因此，对高光谱遥感数据工程化应用有着十分重要的价值和意义。

高光谱遥感影像包含丰富的地物空间、辐射和光谱信息，具有较高的光谱分辨率。较高的光谱分辨率在带来丰富地物信息的同时，使得相邻波段之间的冗余性增加，因此，在对高光谱遥感数据进行利用之前，需要对数据进行预处理，减少冗余信息，不仅可以降低数据的维数，为后续的分类处理减少计算量，并且可以获取更加鲁棒、精准的分类结果。

现有的经典的维数约简方法主要分为两类：特征提取和特征选择。特征提取是通过线性或非线性变换，把特征变换到新的特征空间，使其更具有判别性和表征性。而特征选择则是从原来的特征中，选择部分具有较高判别性的特征子集，来构成新的特征空间。特征提取得到的新的特征，丢失了原来特征的物理意义，在一些实际的应用中，难以解译，而特征选择，可以保持原有特征的物理意义，在实际的工程实践中具有重要的使用价值和意义。

现有的经典特征选择方法主要分为两类：

(一)基于聚类的特征选择，如K中心(K-medios)，通过选择聚类中心作为新的特征，该方法对距离度量比较敏感，且选择的特征不具有较好的判别性能。

(二)基于互信息理论的特征选择方法，如WaLuMI(Martínez-UsóA. et.al.Clustering-based hyperspectral band selection using information measures.IEEE Transactions on Geoscience and Remote Sensing.Vol.45(12),Part 2pp.4158-4171.December 2007)，通过最大化特征之间的信息度量，来选择冗余度较小的特征来构成新的特征子集。这种方法需要特定的信息度量准则，且计算复杂较高。

上述的特征选择方法，均忽略了高光谱数据像元之间的结构性，且计算复杂度高，使得高光谱影像数据的结构信息不能有效地利用，进而导致后续分类精度和分类结果的鲁棒性较差。

发明内容

本发明的目的在于针对上述已有技术的不足，提出一种保持高光谱像元结构一致性的基于波段不相似性的高光谱数据波段表征选择方法，通过稀疏约束下的迹最小求解，实现对高光谱遥感数据的波段选择。

实现本发明目的技术方案是：将输入的高光谱图像预处理为可操作的高光谱数据，通过构造高光谱波段之间成对不相似性矩阵、概率表征矩阵和高光谱像元间的相似度矩阵，进而通过最小化稀疏约束下矩阵的迹求得概率选择矩阵，实现高光谱数据的波段选择。具体步骤包括如下：

1.输入高光谱图像，将输入的高光谱图像预处理为可操作的高光谱数据X；