基于低秩表示的高光譜圖像波段選擇方法技術

本發明專利技術公開了一種基于低秩表示的高光譜圖像波段選擇方法，主要解決高光譜數據處理復雜度高，高光譜圖像分類精度低的問題。其處理過程為：(1)獲取高光譜數據，并對數據進行歸一化處理；(2)對處理后的高光譜數據進行低秩表示；(3)使用增強拉格朗日乘子法ALM求解低秩表示系數；(4)根據低秩表示系數對波段進行聚類；(5)從每個聚類中選擇出代表性波段作為最終選擇的波段；(6)對選擇出來的波段進行分類。本發明專利技術不僅去除波段之間的冗余信息，而且選擇了包含信息量大的波段，選擇的波段更有利于分類，提高了高光譜圖像的分類精度，同時也降低了數據處理的復雜度，可用于高光譜數據的維數約減。

【技術實現步驟摘要】

本專利技術屬于圖像處理
，涉及對高光譜圖像波段選擇，可應用于高光譜數 據的維數約減，降低數據處理的計算復雜度。
技術介紹
高光譜遙感技術是上個世紀20年代發展起來的一種重要遙感技術。高光譜成像 儀可以在多波段、窄間距的條件下獲得幾乎連續的地物波譜圖像，使得高光譜圖像具有了 相比傳統的遙感圖像更高的空間分辨率和光譜分辨率，并在農業、地質、沿海和內陸水域環 境、大氣研究、全球環境研究等領域得到了廣泛的應用。但成百乃至上千的波段也帶來了數 據量大、"維數災難"、信息冗余、存在噪聲波段的問題，給高光譜圖像的存儲、傳輸和處理帶 來了很多困難。因此，如何有效地降低高光譜圖像的維數成為高光譜圖像處理需要解決的 一個重要問題。 傳統的降維方法有兩種，一種是特征提取，另一種是特征選擇。為了保留高光譜圖 像中特定波段的物理意義，一般采取特征選擇的方法。 在機器學習中，特征選擇可以被定義為：給定一個特征集合，從中選擇出一個特征 子集，使得評價標準達到最優。該定義可表述為： 對于給定的特征集合X，其中包含η個特征，Xl，x2, ...，Xn，假設經過特征選擇后得 到一個特征子集Xcipt，當Xcipt使給定的評價準則達到最大值時，則X _為最終選擇的特征子 集。 經典的特征選擇的過程一般包含四個步驟：子集生成、子集評價、停止準則、結果 驗證。子集的生成是通過搜索實現的。通過給定的搜索算法得到特征子集，然后根據評價 準則評價特征子集的好壞，更新現有的特征子集，并對其進行評價，直到滿足停止準則，最 后輸出最優的特征子集。 特征選擇是機器學習領域的困難之一。通常情況下，尋找最優的特征子集在實際 的應用中是非常困難的，許多與特征選擇相關的問題均為NP-hard問題。搜索得到使評價 準則最優的最小特征子集被證明是一個NP-hard問題。通常情況下，通過采用如序列向前 搜索SFS、浮動序列向前搜索SFFS的啟發式搜索算法可以在運行效率和得到特征子集質量 中間尋找一個折中點，這也是SFS被眾多特征選擇算法所采用的原因。 序列向前選擇算法SFS :首先初始化一個空的特征集合，然后每次在特征集合中 加入一個新的特征，確保每次新加入的特征是最優的，依次加入特征直到滿足需要的特征 個數。該算法采用貪婪的策略，選擇使評價準則最大的特征加入特征集合。盡管SFS的計 算量較小，但是由于沒有充分的考慮特征之間的統計相關性，使得每次迭代都是選擇使評 價準則達到最大的那個特征，在下一步的迭代中，選出的特征是對上一步選擇的特征的一 個補充，所以特征被選擇的過程中，選擇的通常是共享率較大的特征子集，很難得到最優的 特征子集。 序列后向選擇算法SBS :與SFS相對應，SBS是一種自上而下的方法。首先將整個 特征集合作為初始選擇的特征子集，在算法的每一次迭代中，去除對評價準則貢獻最小的 特征，直到剩下的特征個數滿足需要的特征個數。由于SBS是從全部的特征集合開始計算 的，所以計算量會比SFS稍大。相對SFS來說，其更加充分的考慮了特征之間的統計相關性， 因而在相同的評價準則下，其效果要略微好于SFS，但是其仍然存在與SFS相似的缺點，比 如一個特征被去除后就再也不可能被考慮，而被去除的特征可能是一些比較重要的特征。 廣義序列后向選擇算法GSBS :作為SBS的加速算法，該算法在每次迭代中，根據評 價準則一次性去除r個特征，使得評價準則最優，直到剩下的特征個數滿足需要的特征個 數。這個算法的優點是速度相對來說更快，相比SBS有更大的搜索范圍，性能也是相對比較 好。但是仍然會導致重要特征的丟失。 以上方法均由于只考慮特征的整體結構性，而沒有充分考慮到特征之間相關性， 所以無法選擇出最優的特征子集，導致分類精度較低。
技術實現思路
本專利技術的目的在于針對上述已有技術的不足，提出一種基于低秩表示的高光譜圖 像波段選擇方法，以選擇出最優的波段子集，提高高光譜圖像分類精度，降低數據處理的計 算復雜度。 本專利技術的技術思路是：考慮到高光譜波段之間的相關性，對高光譜波段進行低秩 表示，選擇出的波段子集盡可能地充分表示原始波段數據，同時也要降低波段之間的冗余 信息，即在選擇少量波段的同時，選擇出包含信息量最大的波段子集，以有利于后面的分 類。其實現步驟如下： 1、一種，包括如下步驟： (1)輸入高光譜圖像Y e RtixS其中，Q為像素點個數，L表示波段數目，該高光譜 圖像包含C類像素點，圖像的每一個像素點為一個樣本，R表示實數域； (2)對高光譜數據進行歸一化處理，得到歸一化后高光譜數據X e RtixS (3)對歸一化后的高光譜數據X = [X1, X2,…，Xi, Xj,…，xj e Rqxl進行低秩表 示并求解，得到X的低秩表示系數矩陣Z = [Z1, Z2, ...，Zi, ...，zj e R1^，其中Xi, χ,分別 表示所有像素在第i，和第j個波段上的光譜強度組成的向量，Z1表示數據在第i個波段的 表示系數向量，i, j = 1，2,. . .，L ; (4)根據⑶得到的低秩表示系數矩陣Z e R^，對波段進行聚類：依次分別對每 一個波段Xi, i = 1，...，L，利用其低秩表示系數向量Zi, i = 1，...，L進行重構，計算重構 結果與其余每個波段的殘差： 從中找出產生最小殘差對應的波段xk，k e {1，2，一,Lhk辛i，則第k個波段與 第i個波段具有較強的相關性，將第k個波段與第i個波段合并組成一個聚類，若其中一個 波段已與其他波段組成聚類，則將另一個并入已有聚類； (5)計算每個聚類的聚類中心，并從每個聚類中選擇出離聚類中心最近的波段作 為該聚類最具代表性波段，所有聚類的代表性波段組成最終選擇的波段子集； (6)根據最終選擇的波段，對所有樣本提取所選波段組成新的樣本集合Xse Rtixs, 其中S表示所選波段的數目； (7)根據波段選擇后的新樣本集合Xs對高光譜數據進行分類：從X s中每類選擇 10 %的樣本作為訓練樣本集Xp，其余90 %的樣本作為測試樣本集Xq，將訓練樣本集Xp輸入 到支撐矢量機SVM中進行訓練，學習出一個分類器，將測試樣本集X q輸入到這個分類器中， 得到測試樣本Xq的分類標簽向量Y s，標簽向量\即是高光譜圖像的分類結果。 本專利技術與現有技術相比，具有以下優點： 1、本專利技術對高光譜數據進行低秩表示，由于噪聲會提高高光譜數據的秩，因此在 低秩的約束下自然就去掉了噪聲的干擾，提高了對噪聲的抗干擾能力； 2、本專利技術通過對波段進行選擇，不僅除了波段之間的冗余信息，而且在大幅度降 低波段數目的同時保留了有用的信息，降低了數據的處理復雜度。 3,本專利技術通過聚類選擇波段，選擇出相關性低，包含信息量大的波段子集，因此提 高了分類精度；【附圖說明】 圖1是本專利技術的實現流程圖； 圖2是本專利技術實驗中所用Indian Pines Scene數據集的可視化圖像； 圖3是本專利技術實驗中所用Pavia University Scene數據集的可視化圖像； 圖4是本專利技術實驗中所用Salinas Scene數據集的可視化圖像；【具體實施方式】 參照圖1，本專利技術主要包括三個部分：高光譜數據的低秩表示、高光譜數據波段選 擇和對選擇波段的分本文檔來自技高網...

【技術保護點】
一種基于低秩表示的高光譜圖像波段選擇方法，包括如下步驟：（1）輸入高光譜圖像Y∈RQ×L，其中，Q為像素點個數，L表示波段數目，該高光譜圖像包含c類像素點，圖像的每一個像素點為一個樣本，R表示實數域；（2）對高光譜數據進行歸一化處理，得到歸一化后高光譜數據X∈RQ×L；（3）對歸一化后的高光譜數據X＝[x1,x2,...,xi,xj,...,xL]∈RQ×L進行低秩表示并求解，得到X的低秩表示系數矩陣Z＝[z1,z2,...,zi,...,zL]∈RL×L，其中xi,xj分別表示所有像素在第i，和第j個波段上的光譜強度組成的向量，zi表示數據在第i個波段的表示系數向量,i,j＝1,2,...,L；（4）根據（3）得到的低秩表示系數矩陣Z∈RL×L，對波段進行聚類：依次分別對每一個波段xi,i＝1,...,L，利用其低秩表示系數向量zi,i＝1,...,L進行重構，計算重構結果與其余每個波段的殘差：rj(xi)=||xj-Xzi||22,j=1,...,L,j≠1,]]>從中找出產生最小殘差對應的波段xk，k∈{1，2，…，L}，k≠i,則第k個波段與第i個波段具有較強的相關性，將第k個波段與第i個波段合并組成一個聚類，若其中一個波段已與其他波段組成聚類，則將另一個并入已有聚類；（5）計算每個聚類的聚類中心，并從每個聚類中選擇出離聚類中心最近的波段作為該聚類最具代表性波段，所有聚類的代表性波段組成最終選擇的波段子集；（6）根據最終選擇的波段，對所有樣本提取所選波段組成新的樣本集合Xs∈RQ×S，其中S表示所選波段的數目；（7）根據波段選擇后的新樣本集合Xs對高光譜數據進行分類：從Xs中每類選擇10%的樣本作為訓練樣本集Xp，其余90%的樣本作為測試樣本集Xq，將訓練樣本集Xp輸入到支撐矢量機SVM中進行訓練，學習出一個分類器，將測試樣本集Xq輸入到這個分類器中，得到測試樣本Xq的分類標簽向量Ys，標簽向量Ys即是高光譜圖像的分類結果。...

【技術特征摘要】

【專利技術屬性】
技術研發人員：張向榮，焦李成，韓超，馮婕，侯彪，白靜，馬文萍，馬晶晶，
申請(專利權)人：西安電子科技大學，
類型：發明
國別省市：陜西;61