[发明专利]基于全局最优聚类的高光谱图像波段选择方法

说明书

本发明提供了一种基于全局最优聚类的高光谱图像波段选择方法。该方法使用聚类间差距和聚类内差距的比值作为待优化的目标函数，并用二分法和动态规划方法优化获得全局最优聚类结果，然后通过最小化波段线性重构误差的方法，最终完成具有代表性的高光谱图像波段选择。利用本发明方法进行高光谱图像波段选择，可以降低噪声波段被选择的概率，获得更高的分类精度。

技术领域

本发明属图像处理技术领域，具体涉及一种基于全局最优聚类的高光谱图像波段选择方法。

背景技术

高光谱图像含有丰富的光谱信息，在地物目标只具有微小差异时仍然能够对其有较好的识别效果。然而对于高光谱图像，大量的光谱信息常常带来信息的冗余以及过大的计算量。波段选择，作为一种高光谱图像的降维方法，在近年来得到广泛的应用。文献“A.-UsóMartinez-Uso,F.Pla,J.M.Sotoca and P.-Sevilla,Clustering-Based Hyperspectral Band Selection Using Information Measures,in IEEETransactions on Geoscience and Remote Sensing,pp.4158-4171.2007.”中提出了一种基于聚类的波段选择方法，通过层次聚类的方法，基于信息论的一些度量指标，首先将高光谱图像的各个波段划分为若干个聚类，接着在每个聚类中选取一个最具有代表性的波段来表示整个聚类，以此达到降维的目的。该方法提出了一种用聚类方法来进行波段选择的思路，其不足在于：首先，它是一种不确定的方法，虽然能够降低聚类内部波段间的差异，但无法度量差异降低到何种程度；其次，在存在噪声波段的情况下，由于噪声波段与其他波段具有较大的差异性，更容易被分到一个单波段的聚类中，使得噪声波段更易于被选择，因而降低了降维的效果。

发明内容

为了克服现有方法的不足，本发明提出了一种基于全局最优聚类的高光谱图像波段选择方法。该方法的主要思想是：使用聚类间差距和聚类内差距的比值作为优化的目标函数，并用二分法和动态规划的方法取得全局最优解，然后通过最小化波段线性重构误差的方法，在每个聚类内选取具有代表性的波段，降低噪声波段被选择的概率。

一种基于全局最优聚类的高光谱图像波段选择方法，其特征在于包括以下步骤：

步骤1：按照p_n＝(p_o-M₂)/(M₁-M₂)对高光谱图像进行归一化处理，其中，p_n为归一化处理后图像的像素值，p_o为原高光谱图像的像素值，M₁为原高光谱图像中像素值的最大值，M₂为原高光谱图像中像素值的最小值；

步骤2：以聚类间差距和聚类内差距的比值为目标函数，使用二分法和动态规划方法优化该目标函数，得到一个全局最优的临界波段向量，以这些临界波段为边界将高光谱图像划分为C个连续波段的聚类；

其中，聚类内差距为聚类间差距为x_j为高光谱图像第j个波段的波段向量，c为函数的参数，表示将高光谱图像的前s_c个波段划分为c个聚类，0＜c＜C，C为待生成的聚类个数，为小于最终所要求选择波段数的正整数，s_i表示波段序号，i＝0,…,c,满足0＝s₀＜s₁＜...＜s_c≤L，L为高光谱图像的波段数，M(a,b)表示归一化后高光谱图像从a波段到b波段区间内所有波段的平均波段向量，如M(1,L)即表示归一化后高光谱图像所有波段的平均波段向量；

步骤3：对每个聚类，选择一个与类中心欧式距离最近的一个波段为该聚类的一个代表波段，所有代表波段构成已选波段集合；所述的类中心是指该聚类内所有波段的平均波段；

步骤4：在每个聚类内迭代地对剩余波段进行选择，直到所选择波段数量满足要求；