基于波段不相似性的高光谱数据波段表征选择方法
【技术领域】
[0001] 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】
[0002] 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。
[0003] 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。
[0004] 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。
[0005] 现有的经典特征选择方法主要分为两类：
[0006] ( -）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。
[0007] (二）基于互信息理论的特征选择方法，如WaLuMI (Martinez_Us0A. 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。
[0008] 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】
[0009] 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。
[0010] 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：
[0011] 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 ;
[0012] 2.通过欧几里德距离构建高光谱数据波段之间的成对不相似矩阵D ;
[0014] 其中，D表示波段间成对不相似矩阵，其元素牝表示第i个高光谱数据波段和第j 个高光谱数据波段之间的不相似性，其值为第i个高光谱数据波段和第j个高光谱数据波 段的欧几里德距离，L表示高光谱数据的波段个数，R表示实数空间；
[0015] 3.初始化概率表征矩阵Z，用来表示高光谱数据波段之间相互表征的概率，初始 化后的概率表征矩阵，其概率约束需满足两个条件，约束条件之一为矩阵中每一列的和为 1，约束条件之二为矩阵中每一个元素介于0~1之间；；
[0016] 4.通过高斯核函数构建高光谱像元之间的相似度矩阵G，用来表示输入高光谱像 元之间的相似性；
[0018] 其中，G表示高光谱数据像元之间的相似度矩阵，其元素 glj表示第i个高光谱数 据像元第j个高光谱数据像元之间的相似度，N表示高光谱数据中像元的个数，R表示实数 空间；
[0019] 5.根据高光谱数据波段之间的成对不相似矩阵D和初始化概率表征矩阵Z，计算 高光谱数据波段表征的代价：
[0020] Ci= Tr(D TZ)
[0021] 其中，Q表示高光谱数据波段表征代价，Tr( ·)表示矩阵的迹，Τ表示矩阵的转置；
[0022] 6.根据高光谱数据像元之间的相似度矩阵G，构建高光谱数据像元的图保持正则 项，用来保持高光谱数据的结构一致性：
[0023] C2 = Tr ((ZX) T (G- Δ G) (ΖΧ))
[0024] 其中，C2表示高光谱数据像元的图保持正则项，X表示高光谱数据，X e d 表示对角矩阵，其对角元素为对应于相似度矩阵G的行和，BP
[0025] 7.根据高光谱数据波段表征的代价Q和高光谱数据像元的图保持正则项C2，构建 目标函数J(Z):
[0026] 8.根据表征学习和概率约束条件，构造目标函数J⑵的约束条件：
[0027] 9.通过交替方向多乘子方法优化目标函数J(Z)，求解概率表征矩阵Z ;
[0028] 10.波段子集选择：选择与概率表征矩阵Z中非零行位置索引相对应的波段组成 新的波段子集，该选择的波段子集即为所输入的高光谱数据的表征波段子集。
[0029] 与现有技术相比，本发明有以下优点：
[0030] ( -）本发明借助于表征学习，将高光谱数据波段选择看作是行稀疏约束下的迹 最小化问题，通过迹最小化问题的求解，实现了具有较高表征性波段子集的选择，进而提高 了分类的准确性；
[0031] (二）本发明在构建高光谱数据像元的图保持正则项的过程中，考虑了高光谱数 据像元之间的结构性，使得高光谱数据的结构信息加以有效利用，保证了波段选择前后高 光谱数据结构的一致性，提高了分类精度的鲁棒性。
【附图说明】
[0032] 图1是本发明的流程图；
[0033] 图2是10 %标记样本下，采用本发明方法对KSC高光谱数据进行波段选择后，用最 近邻（NN)分类器的分类结果与现有的三种波段选择的分类结果的对比图；
[0034] 图3是10%标记样本下，采用本发明方法对Pavia University高光谱数据进行波 段选择后，用最近邻（NN)分类器的分类结果与现有的三种波段选择的分类结果的对比图。
【具体实施方式】
[0035] 下面结合附图对本发明详细说明
[0036] 高光谱遥感影像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 间具有较高的冗余性，在实际的工程应用中，其冗余性带来较大数据量的同时，也导致用于 地物分类精度的下降。鉴于高光谱遥感丰富的感知信息，对高光谱数据进行特征选择，降低 冗余性，是进行高光谱数据应用的首要步骤。本发明正是在这个问题上进行的探索和研究。 [0037] 实施例1
[0038] 本发明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，参照图1，本发 明的选择过程包括有：
[0039] 步骤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， X e #XN，其中L表示高光谱数据的波段个数，N表示高光谱数据中像元个数，R表示实数空 间。输入的高光谱图像来自于ROSIS，92AV3C，AVIRIS等传感设备，本例中采用的KSC高光 谱图像来源于AVIRIS传感设备，该图像场景是1996年3月获得的肯尼迪航天中心测试地， 经预处理后的高光谱数据，包含13类地物信息，其中波段个数L= 176,像元