[发明专利]一种高光谱遥感图像波段选择方法

说明书

技术领域

本发明涉及图像处理领域，尤其涉及一种高光谱遥感图像波段选择方法。

背景技术

随着航空航天技术和遥感科学的迅速发展，可获取的高光谱遥感数据正以惊人的速度增长。如何对之进行有效处理并充分利用其中蕴涵的丰富信息，是当前遥感与模式识别领域研究的热点课题之一。但高光谱图像往往由连续的上百个波段组成，波段数目多、波段之间相关性高和冗余度大，给进一步处理分析带来了巨大的计算量，从而使问题变得极为复杂。

处理高光谱遥感数据最重要的预处理是对众多波段进行降维, 常用方式有特征提取与特征选择（波段选择）。特征提取是通过线性或非线性变换，将高维特征空间映射到低维空间，但提取的特征失去了原有的物理意义，所以特征提取不太适合高光谱数据的降维。而特征选择是从原始的波段中选取一部分作为输入信息，是原始波段的子集，这样可以减少冗余波段，从而提高分类的计算效率及精度。

近年来，波段选择研究得到了广泛关注，主要有基于搜索算法，基于波段信息量分析，基于类间可分性等方法。基于搜索算法的方法主要是利用各种搜索方法，如有序前向浮动选择法(SFFS)、分支定界法(BB)、遗传算法(GA)、粒子群算法(PSO)等，搜索整个波段空间，获得最优或次优波段子集。此类方法计算复杂度比较高，且选择的波段不一定是最优的。基于信息量分析方法选取的波段子集包含的信息量较高，并去除冗余的波段，信息量常用的度量方法有方差，协方差矩阵的行列式，信息熵，OIF指数，互信息等。以信息量作为波段选择的准则目前比较流行，但是如何有效地选择信息量大，冗余小的波段组合还有待进一步研究。基于类间可分性是从空间上或者光谱角度出发，利用离散度、各种距离度量如JM距离以及光谱角度等方法，选择最能区分各类地物的波段子集。

其实，高光谱遥感图像的波段选择是一个非常复杂的组合优化问题，一些含有较少信息量的波段反而可能对分类具有重要的作用。对于该问题，较为有效的方法是通过搜索算法结合评估函数的方式来搜寻最优的波段子集。但由于波段众多，直接对原始波段进行搜索，搜索空间巨大（对于200个波段的高光谱数据，搜索空间是2²⁰⁰），目前的算法还不能取得理想的效果。

为了解决上述问题，一篇中国发明专利中公开了一种“基于时间序列重要点分析的高光谱遥感图像波段选择方法”（申请号为201010195127.5，申请日为2010年6月8日，公开号为101859383A，公开日为2010年10月13日）。该方法包括以下各步骤：

步骤1）通过K-means聚类方法将原始高光谱遥感图像数据聚类成K个类别，并保留每个类别的聚类中心；步骤2）将步骤1得到的所有聚类中心看成一系列的时间序列，用小波变换的方法对每一时间序列进行平滑去噪处理；步骤3）分别提取步骤2得到的平滑去噪处理后的时间序列中的重要点，然后将得到的所有重要点进行合并，合并后保留的重要点所对应的波段即为选择的波段；其中重要点的定义为：对于时间序列                                                ，n是时间序列X的长度，表示第i个时间坐标，表示时间序列在第i个时间坐标的取值；定义的第个重要点，其中表示第个重要点在时间序列中的位置，为满足以下条件的数据点：

或者

或者

或者

    。

相比现有的各类波段选择方法，该方法具有计算复杂度低、实现过程方便快捷的优点，并且为高维高光谱数据的降维提供了一种全新的思路。但该方法也存在以下不足：

（1）该方法中所采用的K-means聚类算法是建立在凸球形的样本空间上的，而当数据分布为非凸时，容易使算法陷入局部最优。由于高光谱数据维度高，分布比较复杂，所以利用传统的聚类方法得到的分类结果效果往往不理想。

（2）该方法在根据时间序列选择波段后，以5为区间去除冗余波段，这种方法只是根据经验，没有理论依据，所以并不是一种健壮的方法，缺乏可推广性。

 

发明内容

本发明的目的在于克服现有基于时间序列重要点分析的高光谱遥感图像波段选择方法所存在的采用K-means聚类算法容易使算法陷入局部最优，从而导致分类效果不理想的不足，提供一种高光谱遥感图像波段选择方法。