[发明专利]基于判别信息和流形信息的高光谱图像波段选择方法

说明书

本发明提出了一个基于判别信息和流形信息的高光谱图像波段选择方法，主要解决现有波段选择方法未能有效利用数据流形信息，丢失数据原始物理意义及存在误差积累的问题。其实现步骤是：1)把高光谱图像转化为二维矩阵Y；2)对Y做归一化处理得到二维矩阵X；3)根据X分别构建核函数K和线性判别表达式；4)根据3)的结果计算图正则矩阵G；5)结合G迭代计算系数表示矩阵W；6)判断迭代次数k是否大于等于最大迭代次数，若是，输出最终的W，执行7)，否则，令k＝k+1，返回5)；7)根据W计算所有波段评分构成新的矩阵X^*，完成波段选择。本发明减小了累积误差，选出的波段更有代表性，可用于高光谱图像的预处理。

技术领域

本发明属于图像处理领域，具体涉及的是一种对高光谱图像进行波段选择的方法，可用于对农业、地质、大气和水文等领域中涉及的高光谱图像的预处理。

背景技术

受益于高光谱成像技术的飞速发展和成像质量的不断提升，高光谱图像在农业、地质、大气和水文等领域得到了越来越广泛的应用，图像中所包含的信息也越来越丰富。另一方面，丰富的图像信息也带来了数据量大、波段冗余等问题，制约了高光谱图像的存储、传输和处理。目前，国内外已经提出了不少高光谱波段选择方法来解决上述问题。

V.Kumar等人在其发表的论文“Band selection for hyperspectral imagesbased on self-tuning spectral clustering”(EUSIPCO,2013:1-50)中提出了一种基于自调整谱聚类的技术用于高光谱的波段选择。该方法可以大致总结为两个步骤：第一步，使用谱聚类方法把相似的波段归为一类，总共得到若干个类簇；第二步，利用主成分分析法分别处理每个类簇，计算得到每个类簇对应的特征向量基，该特征向量基就代表了对应类簇的低维表示。当合并所有类簇的特征向量基后，就得到了原始数据集低维下的表示矩阵，从而达到降维的目的。此方法的一个优点是算法简洁易于实现，能够较好去除冗余；另一个优点是分块处理不同类簇，易于并行计算，提高运行效率。但是此方法的缺点是第二步的主成分分析受到第一步谱聚类的影响，计算误差会累积，对最后的波段选择结果造成了不利影响；此外，由于第二步的主成分分析生成了全新的特征，丢失了原始数据的物理意义，可解释性变差。

西安电子科技大学在其申请的专利“基于低秩表示的高光谱图像波段选择方法”(专利申请号：CN201510411250.9，公开号：CN105046276A)中提出了一种基于低秩表示技术的高光谱图像波段选择方法。该方法首先对高光谱波段进行低秩表示，求解得到低秩表示系数，然后根据低秩表示系数矩阵对波段进行聚类得到若干个类簇，最后从每个类簇中选出离聚类中心最近的波段作为该类簇最具代表性的波段。最终得到的降维后的图像就是各类簇中代表性波段合并后的结果。该方法的优点是充分利用了低秩表示的优点增强了对噪声的抗干扰能力和对冗余的去除能力；再者，基于聚类技术的优势，该方法充分使用了波段特征的相关性，提高了后续分类的精度。但是，该方法的不足之处在于未能利用数据内在的流形信息，导致其学习到的低秩表示系数不够准确，影响对波段代表性的评判，即可能错误地判定了不同波段的重要性大小，导致最终选出的波段组合成的新图像的质量得不到保证。

发明内容

本发明的目的在于针对上述现有技术的不足，提出一种基于判别信息和流形信息的高光谱图像波段选择方法，以加强数据的可解释性，消除分步计算的累积误差，提高低秩表示系数的计算准确性，最终选择出最有代表性的波段组合成新的高质量图像。

本发明的技术方案是：把线性判别分析与核技巧结合起来，把数据的全局判别信息保留到判别矩阵中；再把该矩阵统一到图嵌入的框架内，计算得到一个包含判别信息的图正则矩阵，该矩阵同时保留了全局数据流形信息和判别信息；然后，通过回归学习的方法迭代更新得到原始数据的低维表示系数矩阵，利用该系数矩阵的范数约束得到波段特征的评分结果，从原始数据中选择评分高的波段作为代表性波段，组合成新的高光谱图像数据矩阵。其具体步骤包括如下：

(1)输入高光谱图像I并将其转化为二维数据矩阵Y；