本發明專利技術公開了一種基于改進型層次聚類的高光譜遙感數據降維方法，包括如下步驟：選擇需進行分析的高光譜遙感影像數據，所述高光譜遙感影像數據含有L個波段；利用SID算法計算每兩個波段之間的光譜距離，得到一個光譜距離矩陣設定要提取的聚類中心和要選擇的波段的個數k；基于相似性距離矩陣，采用層次聚類方法對影像數據進行聚類分析；得到k個聚類中心數據，完成特征提取過程；在每個聚類中心中選擇一個最具代表性的波段，得到k個波段，完成特征選擇過程。本發明專利技術能夠提高降維效率，減少現有高光譜影像數據降維方法導致的數據信息損失。
【技術實現步驟摘要】
本專利技術屬于高光譜遙感圖像處理
，具體涉及一種基于改進型層次聚類的高光譜遙感數據降維方法。
技術介紹
高光譜遙感(Hyperspectral Remote Sensing)是指利用很多窄的電磁波波段獲取物體有關數據的技術，它是20世紀最后20年人類在對地觀測方面取得的重大技術突破之一，也是當前及今后幾十年內的遙感前沿技術。與常規多光譜遙感相比，高光譜數據具有數據量大、波段很多很窄、波段相關性強、信息冗余多、圖譜一體化等特征。但正是其海量數據和高維特征給高光譜數據的傳輸和存儲都帶來了較大的困難，同時也對傳統的遙感圖像數據處理技術提出了新的挑戰。所以，對高光譜數據的快速處理和充分挖掘一直是困擾人們的一個問題。面對高光譜數十、數百個波段的數據，在提高數據處理效率的同時；如何有效利用、提取、分析感興趣的最大信息，已成為有待研究的新課題。針對高光譜的高維、海量信息，必須對其進行“降維”操作，以提高數據處理效率、有效利用高光譜的最大信息。高光譜“降維”為高光譜影像分析提供了減少數據量、降低空間復雜度的方法，主要有兩種方法即波段選擇和特征提取。波段選擇即從眾多波段中選擇感興趣的若干波段，或選擇信息量大、相關性小的若干波段，方法較好地保留了原始圖像數據的信息，然而由于剔除了大部分波段，不可避免地損失了部分高光譜數據及細節信息；特征提取則采取一個線性或者非線性的特征提取器或者轉換方程，將高維的空間投影到一個低維的空間，與波段選擇相比，特征提取建立在各光譜波段間的重新組合和優化的基礎之上，使類別間的可分性更大。特征提取和選擇的關鍵就是要在最少維的特征空間中使目標的識別精度最高，即當特征空間維數減少到某個數量時仍能夠達到最佳的分類精度。聚類分析實質上是特征提取的一種算法，它根據數據本身的特性將相似的數據歸類；因此，該類算法在處理遙感數據時，也可以把數據分成若干個聚類，其中有些聚類包含了數據的重要特征。層次聚類算法，特別是凝聚式算法在計算上簡單、可伸縮性，而且能夠得到相近的最終結果，所以層次聚類算法的應用較為廣泛。凝聚式層次聚類是自底向上的 策略首先將每個對象作為一個類，然后合并這些原子類為越來越大的類，直到所有的對象都在一個類中，或者某個終結條件被滿足；分裂的層次聚類是種自頂向下的策略與凝聚的層次聚類相反，它首先將所有對象置于一個類中，然后逐漸細分為越來越小的類，直到每個對象自成一類，或者達到了某個終結條件，例如達到了某個希望的類數目，或者兩個最近的類之間的距離超過了某個閩值。絕大多數聚類方法屬于這一類，它們只是在簇間相似度的定義有所不同。然而凝聚式層次聚類算法卻存在以下問題1)初始相似性距離問題。不同的目標因為特點不同，其距離的計算方式應該不同，不同的初始距離計算方法可能導致不同的結果；2)聚類個數問題。需要預先指定聚類的個數k，當無法獲得數據的先驗知識時，無法預測該值的具體大小；3)聚類的數據計算問題。針對海量的高光譜遙感數據時，簡單使用所有數據可能導致計算復雜度極度上升。
技術實現思路
專利技術目的針對上述現有技術存在的問題和不足，本專利技術的目的是提供一種基于改進型層次聚類的高光譜遙感數據降維方法(簡稱為WaLuSID,Ward’s Linkage strategyUsing Spectral Information Divergence),能夠提高降維效率,減少現有高光譜影像數據降維方法導致的數據信息損失。技術方案為實現上述專利技術目的，本專利技術采用的技術方案為一種基于改進型層次聚類的高光譜遙感數據降維方法，包括如下步驟步驟1，選擇需進行分析的高光譜遙感影像數據，所述高光譜遙感影像數據含有L個波段；步驟2,利用光譜信息散度(Spectral information divergence, SID)算法計算·每兩個波段之間的光譜距離，得到一個光譜距離矩陣步驟3，設定要提取的聚類中心和要選擇的波段的個數k ;步驟4，基于相似性距離矩陣，采用層次聚類方法對影像數據進行聚類分析；步驟5，得到k個聚類中心數據，完成特征提取過程；步驟6，在每個聚類中心中選擇一個最具代表性的波段，得到k個波段，完成特征選擇過程。進一步地，所述SID算法采用以下公式SID(x,y) = D(x| |y)+D(y| | x)式中，SID(x，y)為高光譜遙感典型地物的光譜數據x和y之間的光譜距離， Lτ1)(^I! y) = Σ/λ >og(—)，/)(y I!x) = l g(—)，P1 和 ％ 分別為高光譜數據 χ 和 y 的第 I 波 I=I %I=I Pl段的概率測度；分別計算每一個波段與其余波段之間的光譜距離，此處的光譜數據是典型地物的光譜數據而非全部數據，進而得到光譜距離矩陣如波段總數為L，則得到一個LXL的光譜距離矩陣。進一步地，所述步驟4中層次聚類方法的具體實現采用凝聚式的最小方差模式(即Ward’ s模式)，步驟如下步驟I)，用光譜距離矩陣初始化相似性矩陣將每個波段看作是一個單獨的聚類中心；步驟2)，將最相似的兩個聚類進行合并，假定聚類(；和Cs將要聚合為一類Cnrat =(Cr, Cs)，則根據以下距離公式計算新的類別Cnew與其他剩余類別Ck的距離(這里“聚類”和“類別”的含義相同)D (Ck, Cnew) = α · D (Ck, Cr)+ β · D (Ck, Cs) +Y · D (Cnew) + δ · | D (Ck, Cr) -D (Ck, Cs)式中，D(Ck, Cnew)為類另Ij Cnew與其他剩余類別Ck的距離，同理，D(Ck, Cr)為類別Ck與Cr的距離，D(ck，Cs)為類別Ck與Cs的距離，D(Cnew)為聚類Cr和Cs的距離，α，β，Y和δ為聚合因子；步驟3)，步驟2)中類間距離計算的聚合因子依據下式計算本文檔來自技高網...
【技術保護點】
一種基于改進型層次聚類的高光譜遙感數據降維方法，其特征在于，包括如下步驟：步驟1，選擇需進行分析的高光譜遙感影像數據，所述高光譜遙感影像數據含有L個波段；步驟2，利用SID算法計算每兩個波段之間的光譜距離，得到一個光譜距離矩陣步驟3，設定要提取的聚類中心和要選擇的波段的個數k；步驟4，基于相似性距離矩陣，采用層次聚類方法對影像數據進行聚類分析；步驟5，得到k個聚類中心數據，完成特征提取過程；步驟6，在每個聚類中心中選擇一個最具代表性的波段，得到k個波段，完成特征選擇過程。FDA00002231475500011.jpg
【技術特征摘要】
1.一種基于改進型層次聚類的高光譜遙感數據降維方法，其特征在于，包括如下步驟 步驟1，選擇需進行分析的高光譜遙感影像數據，所述高光譜遙感影像數據含有L個波段； 步驟2，利用SID算法計算每兩個波段之間的光譜距離，得到一個光譜距離矩陣DfS ; 步驟3，設定要提取的聚類中心和要選擇的波段的個數k ； 步驟4，基于相似性距離矩陣，采用層次聚類方法對影像數據進行聚類分析； 步驟5，得到k個聚類中心數據，完成特征提取過程； 步驟6，在每個聚類中心中選擇一個最具代表性的波段，得到k個波段，完成特征選擇過程。2.根據權利要求I所述一種基于改進型層次聚類的高光譜遙感數據降維方法，其特征在于，所述SID算法采用以下公式SID(x, y) = D(x y)+D(y x) 式中，SID(x，y)為高光譜遙感典型地物的光譜數據X和y之間的光譜距離，3.根據權利要求I所述一種基于改進型層次聚類的高光譜遙感數據降維方法，其...
【專利技術屬性】
技術研發人員：蘇紅軍，李茜楠，
申請(專利權)人：河海大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。