本发明涉及高光谱图像的光谱波段选择方法领域,更具体地,涉及一种基于信息熵和改进行列式点过程的光谱波段选择方法。
背景技术:
高光谱图像波段选择主要目的在于选择出维数较低的光谱波段子集,尽量维持原有高光谱数据的信息。而且,所选择的光谱波段子集要有比较好的性能,比如在分类任务和目标检测任务上,有更高的精度。目前,一般的选择过程包括设置一个评价准则,即所选择的光带子集要满足这个评价准则。还有一个就是搜索方法,就是选择光谱波段的过程。
目前已有的方案有最大相关,最小冗余的光谱波段选择方法。首先从原始数据集中选择一个与已知标签最相关的波段放入子集中,然后再从原始数据中,选择一个与已知标签最相关,而且与上一次选择的光谱波段最不相关的光谱波段放进子集中,依次重复上述步骤,直至满足所要选择的光谱波段数。这种方法的缺点在于,它本质上是一种遍历的算法,要尽量计算出所有选择可能,所以计算量大,耗费时间长,还要事先知道部分标签。另一大类的光谱波段选择方法,是基于进化算法的改进。将评价准则设计成一个适应度函数。把高光谱波段输入进化算法,通过进化算法里面的复制,交换,突变等操作,使得所选择的光谱波段子集满足适应度函数。这种方法本质上是一种随机迭代的过程,在有限次的迭代中,选择出合适的光谱波段子集。这种方法缺点在于收敛速度慢,计算复杂,所需时间长。
目前已有的光谱波段选择方法普遍存在两个缺点,第一是未能有效地利用高光谱图像的空间信息,来度量光谱波段的冗余度,即相关性。第二普遍存在计算复杂度高,运行时间长的缺点。第三所选择的光谱波段子集性能较差,在分类等任务精度较低。
技术实现要素:
本发明提供一种基于信息熵和改进行列式点过程的光谱波段选择方法,该方法计算复杂度低,运行时间快。
为了达到上述技术效果,本发明的技术方案如下:
一种基于信息熵和改进行列式点过程的光谱波段选择方法,包括以下步骤:
s1:从原始高光谱图像中,计算每一个像素点的周围8个像素点的均值作为领域信息,并把所有像素点的邻域均值信息构建一个新的数据集;
s2:构建表示光谱波段相关关系的双图模型,用两个邻接矩阵来描述双图模型,把高光谱图像和领域信息数据集每一层光谱波段表示成一个列向量,用向量内积的方法构建两个邻接矩阵,用于表示光谱波段的相关关系;
s3:把两个邻接矩阵输入改进的行列式点过程算法中,用于选择相关性低的光谱波段;
s4:建立一个最大化光谱波段信息熵,最小化光谱波段噪声的评价准则,分别计算每一层光谱波段的信息熵和邻域信息熵,两者相减,并建立一个可查询的搜索准则的数据表,并把这种评价准则融入改进的行列式点过程算法中;
s5:构建改进的行列式点过程的高光谱波段搜索方法。
进一步地,所述步骤s1的具体过程是:
原始高光谱数据表示为b={b1,b2,b3,...,bl}∈rn×l,n是每一层光谱波段的像素点,l是光谱波段的总数,用bi(1≤i≤l)表示第i层光谱波段,把像素点
进一步地,所述步骤s2的具体过程是:
建一个能表示光谱波段间复杂结构关系的双图模型,并把其写成两个邻接矩阵,
进一步地,所述步骤s4的具体过程是:
构建一个最大光谱波段信息熵,最小邻域噪声的搜索准则查询表,第i层光谱波段的信息熵表示为
进一步地,从步骤s2中的两个邻接矩阵进行迭代搜索,使得搜索出来的光带子集具有低冗余的特性,在每次迭代搜索中,利用步骤s4的评价准则,使得每次搜索的光谱波段尽可能满足最大化评价准则。
与现有技术相比,本发明技术方案的有益效果是:
本发明提出的光谱波段选择方法,融合了光谱波段的空间信息,对光谱波段的相关性度量比较精确,可以有效的选择低冗余(光谱波段子集相关性低)的光谱波段子集;该方法提出了最大光谱波段信息熵、最小光谱波段噪声的评价准则,可以选择出性能更高的光谱波段,在分类任务中精度更高;该方法在计算复杂度低,运行时间快。
附图说明
图1为本发明系统的结构图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
如图1所示,一种基于信息熵和改进行列式点过程的光谱波段选择方法,包括以下步骤:
s1:从原始高光谱图像中,计算每一个像素点的周围8个像素点的均值作为领域信息,并把所有像素点的邻域均值信息构建一个新的数据集;
s2:构建表示光谱波段相关关系的双图模型,用两个邻接矩阵来描述双图模型,把高光谱图像和领域信息数据集每一层光谱波段表示成一个列向量,用向量内积的方法构建两个邻接矩阵,用于表示光谱波段的相关关系;
s3:把两个邻接矩阵输入改进的行列式点过程算法中,用于选择相关性低的光谱波段;
s4:建立一个最大化光谱波段信息熵,最小化光谱波段噪声的评价准则,分别计算每一层光谱波段的信息熵和邻域信息熵,两者相减,并建立一个可查询的搜索准则的数据表,并把这种评价准则融入改进的行列式点过程算法中;
s5:构建改进的行列式点过程的高光谱波段搜索方法。
步骤s1的具体过程是:
原始高光谱数据表示为b={b1,b2,b3,...,bl}∈rn×l,n是每一层光谱波段的像素点,l是光谱波段的总数,用bi(1≤i≤l)表示第i层光谱波段,把像素点
步骤s2的具体过程是:
建一个能表示光谱波段间复杂结构关系的双图模型,并把其写成两个邻接矩阵,
步骤s4的具体过程是:
构建一个最大光谱波段信息熵,最小邻域噪声的搜索准则查询表,第i层光谱波段的信息熵表示为
利用改进的行列式点过程选择出最优的光谱波段子集。具体的采样过程如算法1和算法2所示。包括两个过程,第一步,如算法1所示,分别选择出两个图模型k个特征向量子集,k表示要选择出来的光谱波段数目。第二步,如算法2所示,在特征向量子集上,加入调节参数u和
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的用于仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。