一种多指标融合的高光谱遥感影像降维方法
【专利摘要】本发明公开一种多指标融合的高光谱遥感影像降维方法，能够高效、快捷的通过波段选择的方法实现数据降维。首先对获取的高光谱遥感影像进行子空间分解，在每个子空间内采用基于Choquet模糊积分的方法对波段的熵、均值间标准距离以及波段间相关系数进行融合，然后用这个统一的指标进行波段选择以实现数据降维。
【专利说明】一种多指标融合的高光谱遥感影像降维方法
【技术领域】
[0001]本发明涉及一种多指标融合的高光谱遥感影像降维方法，具体为利用基于Choquet模糊积分的波段选择方法完成对高光谱影像数据的降维，快捷高效地对高光谱影像进行处理，属于高光谱遥感影像处理领域。
【背景技术】
[0002]遥感(Remote Sensing)是一门利用电磁波原理来获取远方信号并使之成像,能够遥远地感受感知远方事物的技术，是一门新兴科学。随着计算机技术及光学技术的提高，遥感技术也得到了迅速的发展。近年来，各式各样的遥感卫星不断成功发射，推动了遥感数据获取技术朝着三高(高空间分辨率、高光谱分辨率和高时间分辨率)和三多(多平台、多传感器、多角度)方向发展。
[0003]高光谱遥感具有光谱分辨率高的特点，它通过在不同空间平台上搭载高光谱传感器，从而可以在电磁波谱的可见光、近红外、中红外和热红外波段范围内，以连续的光谱波段对地表区域同时成像，波段数目可达到数十以致数百个，并获得地物连续的光谱信息，从而实现了地物空间、辐射和光谱信息的同步获取。与常规遥感相比，主要区别在于高光谱遥感是窄波段成像，且除了二维的空间信息外，还增加了一维光谱信息，使得遥感技术的应用领域得到了拓展。
[0004]高光谱遥感可以探测到更为精细的光谱特性，高光谱图像具有常规遥感无法企及的光谱信息，有利于地物分类、识别和混合像元分解等处理。但是高光谱图像在光谱信息量增加的同时，也增加了数据的维数，使得图像的数据量激增。其较高的维数和波段间的相关性不仅会使运算变得复杂，处理速度大大下降，而且在有限样本的情况下，可能会导致分类精度降低。这就意味着在对高光谱图像进行处理、分析之前进行数据降维变得非常必要。降维主要方式包括两种:特征提取和特征选择。特征提取是指通过一定的规则将原始数据变换到另一空间，在变换后的空间中原始数据的大部分信息集中在低维，因此用低维数据代替原始数据来进行后续处理。特征提取方法主要有主成分分析法、最小噪声分离等；特征选择是选出原始特征空间中的某个子集，该子集是一个简化的特征空间，包含了主要的光谱特征。特征选择方法主要有遗传算法(Genetic Algorithm, GA),海明遗传算法(H aimingGenetic Algorithm,HMGA)等。特征提取方法虽然方便、快捷,但是它是通过一定的变换来实现的，因此会破环原始波段的物理特性。对于波段数目众多的高光谱图像而言，进行特征选择是一种良好的降维方法。
[0005]由于高光谱图像具有大量波段，每个波段都可以看作是一个特征，因此特征选择的过程也可以看作是波段选择的过程。具体来说，高光谱波段选择方法是从原始数据集中选择若干波段使某种评估标准最优的过程，以减少波段数，降低分类复杂程度。
[0006]快速、高精度的高光谱图像分类算法是实现各种实际应用的前提，由于许多方法无法对高维数据进行直接分类，因此需要先对图像进行降维，去除了特征空间的高冗余和高相关，保证有效特征以进行后续处理。高光谱分类既包括经典的算法，如:马氏距离法、最大似然法、最小距离法，也包括许多新的智能分类方法，，如:模糊分类、神经网络分类、支持向量(Support Vector Machine, SVM)机分类。支持向量机方法是统计学习中最有效也是应用最广的方法，具有严格的理论基础，就分类能力而言，SVM在小样本学习、抗噪声性能、学习效率与推广性方面都优于最大似然、神经网络等分类器，能有效地克服高光谱分类中样本不足所带来的Hughes现象。
【发明内容】
[0007]发明目的:为了克服现有的高光谱图像降维和分类技术上的不足，降低计算的复杂度，提高分类的精度，本发明提出了一种基于Choquet模糊积分的高光谱波段选择及分类系统，能够高效、实时地对高光谱图像数据进行波段选择并分类。
[0008]技术方案:本发明提出的基于Choquet模糊积分的高光谱遥感影像智能分类系统，其特征在于采用基于Choquet模糊积分的方法对采集到的高光谱图像数据进行波段选择并且完成分类。具体包括如下步骤:
[0009]步骤1，子空间分解。由公式况
【权利要求】
1.一种多指标融合的高光谱遥感影像降维方法，其特征在于:首先对获取的高光谱遥感图像进行子空间分解，在每个子空间内采用基于Choquet模糊积分的方法进行波段选择以实现数据降维，然后再综合降维后的所有波段信息进行SVM分类。
2.如权利要求1所述的多指标融合的高光谱遥感影像降维方法，其特征在于:采用基于相关性过滤的自适应子空间分解划分数据源的方法对高光谱图像进行子空间分解；
3.如权利要求2所述的多指标融合的高光谱遥感影像降维方法，其特征在于:在对高光谱数据进行相关性过滤的自适应子空间分解的基础上，提出了在子空间内利用Choquet模糊积分综合信息熵、相关系数和类间可分性这三方面因素来进行波段选择的算法，具体实现步骤如下:
(1)根据信息熵的公式
4.如权利要求3所述的多指标融合的高光谱遥感影像降维方法，其特征在于:根据各子空间的最优波段得到所有最佳波段，组合成为新的特征空间，以高斯径向基核函数
【文档编号】G06K9/62GK103886334SQ201410137494
【公开日】2014年6月25日 申请日期:2014年4月8日 优先权日:2014年4月8日
【发明者】高红民, 徐枫, 王超, 孙臻, 王强, 李琦, 吕国芳 申请人:河海大学