基于低阶互信息和光谱上下文波段选择的高光谱分类方法
【技术领域】
[0001] 本发明属于遥感图像处理技术领域，具体是一种高光谱图像的分类方法，用于土 壤调查、城市环境监测、灾害评估等领域的地物区分和辨别。
【背景技术】
[0002] 高光谱分辨率遥感，是当前遥感技术的前沿领域。它能够在电磁波谱的可见光、近 红外、中红外以及热红外波段范围内，获取许多非常窄且光谱连续的图像数据。高光谱遥感 图像将反映地物属性的光谱信息和揭示地物空间关系的图像信息有效地结合在一起，具有 "图谱合一"的特性。它能够探测到在宽波段遥感中不可探测的物质，已经受到了各国遥感 科学家的广泛关注。
[0003] 高光谱遥感目前已在军事领域和民用领域发挥着越来越重要的作用。对于高光 谱图像而言，无论是军事领域的应用，还是民用领域的应用，都是以精确的分类识别为基础 的。高光谱图像高的光谱分辨率，能够为地物的划分和辨别提供充足的信息，但同时给数据 的存储和传输带来了困难，也给数据的处理带来了巨大的挑战。最主要的是造成Hughes现 象。由于光谱波段的收集常常会受到变化的大气、光照条件和传感器噪声的影响，使得高光 谱图像会含有一些噪声波段。此外，高光谱波段连续的属性使得波段间往往具有很高的相 关性，这导致波段间存在一定的冗余。通常来说，去除这些冗余和噪声信息，能够提高高光 谱图像处理的性能，同时避免Hughes现象和降低计算复杂度。所以，波段选择是很有必要 的。
[0004] 在高光谱图像中，类别的标记工作常常需要高额的人力成本，耗费大量的时间代 价。此外，人工的标记有时因不同的工作环境，不同的时间，个人的偏好等因素的影响存在 着一定的误差。所以，对于高光谱图像而言，有时候存在完全缺乏类别标签信息的情况。由 于缺少样本类别标签信息，使得波段的搜索缺乏了有力的辨别性指导。在这种情况下，如何 利用波段自身的属性，降低波段的数目，同时尽可能保持高光谱图像处理的性能，是一个具 有挑战性的课题。
[0005] 通常来说，波段选择方法是从原始波段中选择出最有信息的波段子集。它可以分 为：基于排序的方法和基于聚类的方法。
[0006] 基于排序的方法中，有代表性的包括：基于约束的方法、基于拉普拉斯值的方法 Lscore、基于权重主成分的方法等。上述这些方法采用了不同的准则，但是，它们的目的都 是选择出单个富含信息量的波段。由于快速的排序过程使得这些方法的时间复杂度较低。 但是，单个富含信息量波段的组合，不一定能够导致一个好的性能。因为这些具有高信息量 的波段之间会存在大量的冗余，很难提供一些额外的信息。
[0007] 基于聚类的方法，选择的波段集合来自于不同的聚类簇，所以它们是低冗余的。同 时，选择出最具有代表性的波段，能够使得选择的波段集合尽可能地含有原有波段的信息。 有代表性的包括：基于最大信息压缩指标和k近邻聚类的方法MIC、基于Ward连法的等级 聚类方法WaLuMI和基于模糊均值和遗传算法的方法FCM-GA等。这些基于聚类的方法由于 在每个聚类簇中，是通过计算成对波段的相似性来选择出最有代表性的波段，而忽略了每 个聚类簇中多个波段之间的相关性，因而不能选择出最富含信息的波段。
[0008] 综上，已有基于排序的方法和基于聚类的方法均存在波段选择性能不佳，从而导 致分类精度差、时间复杂度高的问题。
【发明内容】
[0009] 本发明的目的在于克服上述已有方法的不足，提出一种基于低阶互信息和光谱上 下文的高光谱波段选择方法，以改善波段选择性能，减小分类时间复杂度，提高分类精度。
[0010] 实现本发明的技术方案是：根据近邻波段具有很高相关性的光谱波段上下文先验 信息的特性，利用统计的方法自动去除噪声波段，从而缩小波段空间搜索范围；利用自信息 测量波段的信息含量，利用正则化互信息测量波段之间的冗余性，通过序列前向搜索方法 选择出具有高信息含量低冗余性的波段子集并保留；针对保留的波段子集，利用分类器进 行分类。具体步骤如下：
[0011] (1)将高光谱图像各类样本取少量作为训练样本，其余作为测试样本；
[0012] (2)对高光谱样本集合进行列归一化处理；
[0013] (3)利用正则化互信息测度，统计训练样本集合中波段与其邻域波段之间的相关 性的均值，若其相关性的均值小于训练样本集合中任意两个波段相关性的均值，则视为噪 声波段，进行去除；
[0014] (4)利用序列前向搜索方法，从训练样本集合中通过最大化单个波段的自信息， 和最小化波段与波段之间的正则化互信息，来选择出具有高信息含量且低冗余性的波段子 集；
[0015] (5)在训练和测试样本集中，仅仅保留选择的波段，利用训练样本对支撑矢量机进 行学习，利用学习出的支撑矢量机对测试样本进行分类，得到分类结果。
[0016] 本发明与现有技术相比具有如下优点：
[0017] 由于本发明利用光谱波段上下文之间的先验信息，自动去除噪声波段，缩小了波 段空间搜索范围，克服了已有波段选择方法因搜索空间过大引起的时间复杂度过高的问 题，同时利用自信息和正则化互信息，使选择出的波段子集具有低冗余性且具有高信息含 量。
[0018] 对比于已有的基于排序的方法，本发明利用正则化互信息能够降低波段之间的冗 余性。对比于已有的基于聚类的方法，在本发明中，单个波段的自信息，也可以考虑为单个 波段与包含此波段的聚类簇中所有波段的互信息，能够选择出更具有信息量的波段子集。
[0019] 另一方面，本发明采用的自信息和互信息的测度，具有非线性、非参数和不需要预 先知道样本数据分布的优势，具有更广阔的应用前景。
【附图说明】
[0020] 图1是本发明的实现流程图；
[0021] 图2是本发明仿真使用的IndianPines高光谱图像的伪彩图和分类参考图；
[0022] 图3是用本发明及四种对比方法对IndianPines高光谱图像的分类结果图。
【具体实施方式】
[0023] 参照图1，本发明的实施步骤如下：