[发明专利]基于局部聚类比例排序的高光谱波段选择方法

说明书

本发明公开了一种基于局部聚类比例排序的高光谱波段选择方法,解决了高光谱波段选择算法中缺乏噪声鲁棒性、选择的波段相关性强的问题。具体步骤有：输入数据，预期选择的波段数以及参数；考虑到噪声的影响，计算更能反映真实波段信息的相似度矩阵；波段聚类；计算波段的局部与全局信息的比值作为等级，降序排序后将波段动态地加入最终解集。为每个波段分配一个最大可聚类距离，免将某些波段错误聚类；选择波段时，波段等级是局部和全局信息的比值，并且考虑到临近波段间的强相关性，避免选入含有冗余信息的波段。本发明计算的相似度矩阵具有一定鲁棒性，选出波段含有较少冗余信息，分类性能更好。应用在高光谱图像处理领域。

技术领域

本发明属于图像处理技术领域，主要涉及高光谱图像的波段选择，具体是一种基于局部聚类比例排序的高光谱波段选择方法。用于对高光谱图像的波段选择。

背景技术

高光谱图像由于其特征(光谱响应值)的高维性，使得在存储、传输、分析等等诸多方面都有很大的限制，人们自然地寻求特征选择或者特征提取等方法来降低高光谱数据带来的Hughes现象。高光谱图像的降维可以在原始的光谱空间上进行，也可以通过线性、非线性变化转换到其他空间进行。波段选择属于前者，它选出的是一个物理意义明显的波段子集，其优势在于能够更好地保留特征的物理意义。

在论文“A novel ranking-based clustering approach for hyperspectralband selection”(IEEE Transactions on Geoscience and Remote Sensing,2016,54(1):88-102)中，Jia S,Tang G,Zhu J等人提出了一种基于波段密集度聚类并且分配等级的波段选择算法——增强的快速的基于密度峰值点的聚类算法(E-FPDC)。该方法需要获得每个波段的密度信息以及与具有更高密度的波段之间的最短距离这两个信息，利用两者的结合为波段分配等级，它结合了基于聚类的方法和基于等级排序的方法的优点，在分类正确率上能够达到较好的效果。

但是该方法也存在一些缺点，比如它没有考虑到噪声的影响，将波段每一维度上的差别都计入到相似度的度量中，缺乏噪声鲁棒性；同时它是一种静态的分配等级的方法，在高光谱数据给定之后，每个波段的等级就是确定不变的，选择的波段缺乏多样性。

发明内容

为了克服上述技术的不足，本发明提出了一种提高保留波段分类性能的一种基于局部聚类比例排序的高光谱波段选择方法。其特征在于，包括有如下步骤：

(1)输入数据及参数：高光谱图像原始数据Ι∈R^m×n×d，其中m，n分别表示图像的长与宽，d表示波段数目，将高光谱图像I展开成一个二维矩阵D＝{x₁,x₂,...,x_d}，其中x_i表示一个mn维的向量，即一个波段，1≤i≤d；输入的参数有：预期选择的波段数K，相似度阈值参数th1，聚类阈值参数th2；

(2)计算波段之间的相似度矩阵：利用相似度阈值参数th1和高光谱数据D来计算阈值向量diff之后，根据波段之间距离和阈值向量来计算波段之间的相似度，再将其呈现为矩阵的形式；

(3)波段聚类：对于第i波段，根据聚类阈值参数th2为其分配最大可聚类距离maxdis_i，如果其他波段中与之距离小于maxdis_i，则表示两个波段可以聚为一类，否则，两个波段不能聚为一类；

(4)分配等级，动态地加入最终解集：计算聚类后每个波段的局部信息与全局信息的比值，作为波段的等级；降序排序之后动态地选入初始化为空的集合，直到集合大小为K，方法结束；将结束后的解集作为高光谱波段选择的结果，即选出的波段集合。