一种利用成对约束分块的高光谱遥感影像的波段选择方法
【专利摘要】本发明主要针对高光谱遥感影像波段多、数据量大、冗余度大等特点，将一种新的机器学习方法一一判别成分分析引入高光谱遥感影像特征选择中，利用成对约束将高光谱遥感数据集进行分块，构造特征相关性测度和特征可分性测度；同时，利用吸引子传播提出快速、高效的高光谱遥感影像特征选择方法。通过本发明的研究丰富与发展判别成分分析在高光谱遥感影像特征选择方面的理论与方法，可望为遥感影像信息提取与识别提供更加有效的手段和工具。判别成分分析及其与吸引子传播的结合，必将提高高光谱遥感影像特征选择水平，这对于提高高光谱遥感影像分类精度具有较强的理论意义；同时，进一步提高高光谱遥感图像在农林、城市规划、资源环境调查等方面的应用效果和实用价值。
【专利说明】一种利用成对约束分块的高光谱遥感影像的波段选择方法
【技术领域】：
[0001] 本发明涉及遥感技术，是一种新型高光谱遥感影像波段选择，属于遥感工程领域。
【背景技术】：
[0002] 随着星、机载遥感技术的发展，高光谱遥感影像在20世纪80年代初期成形并走进 人们的生活和视野。高光谱遥感影像在农林，城市规划，资源环境调查，矿产评估与预测等 方面的研究有着重要的作用。高光谱遥感影像其能否准确的表达真实的地形地貌以及自 然植被等状况，以及对其利用的有效程度，极大的影响了农林、城市规划等的研究进程和研 究方向。我国是在20世纪80年代中后期开始对高光谱成像系统进行研究的，由中科院上 海技术物理研究所的推扫式成像光谱仪（PHI)系列开创了我国高光谱遥感影像研究的先 河。自此之后，国内外的遥感影像就从多光谱遥感影像逐步走向高光谱遥感影像，并且已在 地质、环境、医学、交通等领域具有广泛的应用。高光谱遥感卫星的投入使用，大大增加了各 国获取高光谱遥感影像的数据量，高光谱遥感影像也因此逐步成为遥感领域使用的主要数 据。但在高光谱遥感影像的研究中，遥感数据获取技术的发展远远快于数据处理技术的发 展，大部分遥感影像数据并没有得到充分的处理和很好的运用。面对这些问题，高光谱遥感 影像的处理方法就显得尤为重要。
[0003] 因此，本发明主要针对高光谱遥感影像波段多、数据量大、冗余度大等特点，首先 对高光谱遥感影像和判别成分分析进行全面的分析，然后利用成对约束将高光谱遥感数据 集进行分块，构造特征相关性测度和特征可分性测度，并引入吸引子传播。提出一种快速、 高效的高光谱遥感影像特征选择模型和方法，即一种利用成对约束分块的高光谱遥感影像 波段选择方法，进一步提高光谱遥感影像分类精度。最后，将这种高光谱遥感影像波段选择 方法应用于高光谱遥感影像。可进一步提高光谱遥感影像分类精度，为高光谱遥感影像信 息提取与识别提供更加有效的手段和工具。同时，进一步提高高光谱遥感影像在农林、城市 规划、资源环境调查等方面的应用效果和实用价值。
【发明内容】
：
[0004] 针对上述问题，本发明旨在提供一种利用成对约束分块的高光谱遥感影像的波段 选择方法，该方法能很好对高光谱遥感图像进行处理，具体的技术方案为：
[0005] 高光谱遥感影像即为高光谱遥感数据集，高光谱遥感数据集中的每个波段都对应 着一幅相应的图像；每个波段由像元组成；
[0006] 令X = (X1, X2, ...，xB}表示为一个高光谱遥感数据集，其中Xi为第i个波段，即 波段X i，波段Xi对应着一幅相应的图像，波段Xi中的所有像元的总数目为N，N为自然数；B 为自然数，代表高光谱遥感数据集中的所有波段的数目，i = 1，2，...，B;
[0007] 设定在高光谱遥感数据集中存在正约束关系和负约束关系；如果已知两个像元属 于同一个地物类别，但不知道具体这个地物类别的标记，将这两个像元定义为正约束关系， 反之，已知两个像元不属于同一个地物类别，也不知道它们各自地物类别的标记，将它们定 乂为负约束关系；
[0008] 由正约束关系将高光谱遥感数据集中的所有波段的呈正约束关系的像元分成K 个像元块，其中K为自然数，每个像元块中的像元为同一个地物类别，则Hk代表第k个像元 块，令//尸{抑1,為2,…，，其中k = 1，2, · · ·，K，其中k和nk为自然数，xkl，xk2, · · ·，Λ^ 为第k个像元块所包含的所有像元，nk为第k个像元块中所包含像元的数目；同时，依据负 约束关系形成每个像元块之间的判别集合，判别集合用来判断K个像元块之间是否成块对 自相关；如果K个像元块中，第k个像元块中的某个像元与非第k个像元块的任何一个像元 为负约束关系，则称K个像元块中第k个像元块与非第k个像元块为块对自相关，定义第k 个像元块的判别集合为Dk，Dk用于描述K个像元块中与第k个像元块有块对自相关的像元 块；
[0009] 接着对高光谱遥感数据集选取一个能够更好的反映正约束关系和负约束关系的 光谱波段的子集Y，令Y = (yi，y2,...，yb}，子集Y就是聚类得到的高光谱遥感数据集中的 所有波段的聚类中心的集合，其中 yi，y2, ...，yb定义为从高光谱遥感数据集中的选取波段， b为自然数，是高光谱遥感数据集中的选取波段的数目，设定b的值远小于高光谱遥感数据 集中的所有波段的数目B的值；利用子集Y可以有效地识别各个地物类别；
[0010] 两个高光谱遥感数据集中的不同波段Xi与Xj之间的特征相关性测度FM( Xi，Xj)表 示为：
[0011] 第一公式 FM(Xi, Xj) =-| CwUi, Xj) · CbUi, XjK1 广1 (1)
[0012] i = 1,2,…，B ; j = 1,2,…，B ;i 尹 j
[0013] 其中Cw(，）和Cb(，）分别为彼此成块对自相关的像元块之间的总方差和每个像元 块内部的总方差；
[0014] 但是对单独的第i个波段Xi的特征可分性测度FM(Xi，X i)可以表示为：
[0015] 第二公式爾(W) = -FraVCw(W)^Q(W)-1 _^) (2)
[0016] 这里，令 W(Xi, Xi)为 CwUi, Xi)和 CbUi, XiK1 的点积，即 W(Xi, Xi) = CwUi, Xi) ;Max和Min分别为W(Xi，Xi)的最大值和最小值；波段的特征阈值就是FTS， 特征阈值FTS是取值范围为O?50的正整数，通过设定合适的特征阈值FTS的值对的高光 谱遥感数据集选取一个能够更好的反映正约束关系和负约束关系的光谱波段的子集Y ;
[0017] 然后对的高光谱遥感数据集中的所有波段进行聚类，子集Y就是聚类得到的高光 谱遥感数据集中的所有波段的聚类中心的集合，并且在聚类的同时要均匀考虑高光谱遥感 数据集中的所有波段成为聚类中心的可能性，聚类的具体步骤为：
[0018] 步骤1、设置聚类中心的初始值和参数
[0019] 首先把对高光谱遥感数据集中的所有波段都作为初始的聚类中心；同时，由正约 束关系生成K个像元块，并通过负约束关系形成每个像元块的判别集合；
[0020] 步骤2、计算彼此为块对自相关的像元块之间的总方差Cw(，）和每个像元块内部的 总方差C b (，）
[0021] Cw(，）和Cb(，）由以下第三公式和第四公式分别给出：
【权利要求】
1. 一种利用成对约束分块的高光谱遥感影像的波段选择方法，其特征在于： 所述高光谱遥感影像即为高光谱遥感数据集，所述高光谱遥感数据集中的每个波段都 对应着一幅相应的图像；每个波段由像元组成； 令X= (X1,X2, ...,xB}表示为一个所述高光谱遥感数据集，其中Xi为第i个波段，即 波段Xi，波段Xi对应着一幅相应的图像，波段Xi中的所有像元的总数目为N，N为自然数；B 为自然数，代表所述高光谱遥感数据集中的所有波段的数目，i= 1，2, . ..，B; 设定在所述高光谱遥感数据集中存在正约束关系和负约束关系；如果已知两个像元属 于同一个地物类别，但不知道具体这个所述地物类别的标记，将这两个像元定义为正约束 关系，反之，已知两个像元不属于同一个所述地物类别，也不知道它们各自所述地物类别的 标记，将它们定乂为负约束关系； 由所述正约束关系将所述高光谱遥感数据集中的所有波段的呈正约束关系的像元分 成K个像元块，其中K为自然数，每个所述像元块中的像元为同一个所述地物类别，则Hk代 表第k个所述像元块，令&={抑丨，切，…，，其中1^=1，2，...，1(，其中1^和111;为自然 数，為1，心2,…，为第k个所述像元块所包含的所有像元，nk为第k个像元块中所包含 像元的数目；同时，依据负约束关系形成每个所述像元块之间的判别集合，所述判别集合用 来判断K个所述像元块之间是否成块对自相关；如果K个所述像元块中，第k个所述像元块 中的某个像元与非第k个所述像元块的任何一个像元为负约束关系，则称所述K个像元块 中第k个所述像元块与非第k个所述像元块为块对自相关，定义第k个所述像元块的判别 集合为Dk，所述Dk用于描述K个所述像元块中与第k个所述像元块有所述块对自相关的所 述像元块； 接着对所述高光谱遥感数据集选取一个能够更好的反映正约束关系和负约束关系的 光谱波段的子集Y，令Y= {yi，y2,...，yb}，所述子集Y就是聚类得到的所述高光谱遥感数 据集中的所有波段的聚类中心的集合，其中yi，y2, ...，yb定义为从所述高光谱遥感数据集 中的选取波段，b为自然数，是所述高光谱遥感数据集中的选取波段的数目，设定b的值远 小于所述高光谱遥感数据集中的所有波段的数目B的值；利用所述子集Y可以有效地识别 各个所述地物类别； 两个所述高光谱遥感数据集中的不同波段Xi与\之间的特征相关性测度FM(Xi，xp表 示为： 第一公式FM(Xi,Xj) =-|CwUi,Xj) ·CbUi,XjK1 广1 (1)i=l，2，...，B;j=l，2， 其中Cw(，）和Cb(，）分别为彼此成所述块对自相关的所述像元块之间的总方差和每个 所述像元块内部的总方差； 但是对单独的第i个波段Xi的特征可分性测度FM(Xi，Xi)可以表示为： 第二公式= (2) Min 其中令W(Xi, Xi)为CwUi,Xi)和CbUi,XiK1的点积，即W(Xi, Xi) =CwUi,Xi) ·CbUi, Xi) 4 ;Max和Min分别为W(Xi，Xi)的最大值和最小值；波段的特征阈值就是FTS，所述特征 阈值FTS是取值范围为O?50的正整数，通过设定合适的所述特征阈值FTS的值对所述的 高光谱遥感数据集选取一个能够更好的反映正约束关系和负约束关系的光谱波段的所述 子集Y; 然后对所述的高光谱遥感数据集中的所有波段进行聚类，所述的子集Y就是聚类得到 的所述高光谱遥感数据集中的所有波段的聚类中心的集合，并且在聚类的同时要均匀考虑 所述高光谱遥感数据集中的所有波段成为聚类中心的可能性，聚类的具体步骤为： 步骤1、设置聚类中心的初始值和参数 首先把对所述高光谱遥感数据集中的所有波段都作为初始的聚类中心；同时，由所述 正约束关系生成K个所述像元块，并通过所述负约束关系形成每个所述像元块的判别集 合； 步骤2、计算彼此为所述块对自相关的所述像元块之间的总方差Cw (，）和每个所述像元 块内部的总方差Cb(，） Cw(，）和Cb(，）由以下第三公式和第四公式分别给出：
其中，夂d 表示判别集合的基数，即彼此为块对自相关的所述像元块的个数；mk A=I 表示第k个所述像元块的均值叫，mt表示第t个所述像元块的均值，xkl是第k nk/=1 个所述像元块中的第1个像元，nk为第k个所述像元块中所包含像元的数目，1的取值范围 为1到nk的自然数，teDk; 步骤3、计算所述特征相关性测度和所述特征可分性测度 根据第三公式和第四公式计算所述特征相关性测度和所述特征可分性测度，并设置所 述特征阈值FTS来获得预期的所述选取波段的数目b; 步骤4、更新所述高光谱遥感数据集中的所有波段的聚类中心 聚类过程中，需要考虑到归属度和吸引度两种消息在各波段之间传递，聚类的结果取 决于所述特征相关性测度和所述特征可分性测度及所述归属度和所述吸引度这两种消息 的消息传递； 令波段Xi和波段\之间的所述归属度为a(Xi，xp表示波段Xi选择波段\作为其聚 类中心的程度；初始时，a(Xi,Xj) =O; 令波段Xi和波段\之间的所述吸引度为r(Xi，\)，表示波段&适合作为波段Xi的聚 类中心的程度； 然后，使用波段Xi和波段\之间的第五公式即所述归属度a(Xi，xp和第六公式即所 述吸引度r(Xi，进行迭代更新； 第五公另
第六公式Kw) =尸+ q本j (6) 其中Xp为第P个波段，即波段Xp;xq为第q个波段，即波段x,。 步骤5、确定所述高光谱遥感数据集中的所有波段的聚类中心 经过步骤4的迭代更新之后,对于任意的波段Xi,计算a(Xi,Xj)与r(Xi,Xj)之和,a(Xi,Xj)与r(Xi，xp之和越大，波段乍为波段Xi的最终的聚类中心的可能性就越大；则波段 Xi是根据第七公式确定自身的聚类中心： 第七公式 + (7) 在第七公式中，c为所述高光谱遥感数据集中的所有波段的聚类中心的集合； 步骤6、确定所述子集Y和所述选取波段的数目b; 重复执行步骤4和步骤5直到进行一定次数的迭代后，直到所述高光谱遥感数据集中 的所有波段的聚类中心不再改变为止； 这时，所述高光谱遥感数据集中的所有波段的聚类中心的集合C赋给所述子集Y，即Y =C;所述高光谱遥感数据集中的所有波段的聚类中心的数目为所述选取波段的数目b。
【文档编号】G06K9/62GK104463230SQ201410842997
【公开日】2015年3月25日 申请日期:2014年12月31日 优先权日:2014年12月31日
【发明者】杨晨, 谭雨蕾, 赵海士, 管仁初, 路来君 申请人:杨晨