[发明专利]一种基于多目标免疫克隆的高光谱图像分类和波段选择的方法

权利要求书

1.一种基于多目标免疫克隆的高光谱图像分类和波段选择的方法，其特征在于，包括如下步骤：

（1）利用稀疏表示分类器对高光谱遥感图像进行分类得到基于像素的分类图；

（2）利用均值漂移聚类对高光谱遥感图像进行预分割，得到图像超像素，把预分割后的图像经过多目标免疫克隆聚类和波段选择算法进行分割得到多个聚类结果，然后从这些聚类结果中选出最优的聚类结果组成最终分割图，是通过如下步骤进行的：

2a）对高光谱图像数据进行均值漂移聚类得到高光谱图像的分块图；

2b）由步骤2a）中得到的分块图作为多目标免疫克隆聚类和波段选择算法的输入得到多个聚类结果；

2c）从步骤2b）中得到的多个聚类结果中选出一个最优的聚类结果构成分割图；

（3）利用最大投票规则融合步骤（1）中得到的分类图和步骤（2）得到的分割图获得最后的分类结果图，即对分割图中的每一个区域，在分类图中对应该区域内样本多数所属的类别作为该区域内所有样本的类别，得到最后的结果图。

2.根据权利要求1所述的基于多目标免疫克隆的高光谱图像分类和波段选择的方法，其特征在于，其中步骤（1）中所述的分类图按如下步骤进行：

将高光谱遥感图像分为训练数据集和测试数据集，图像的每一个像素点为一个样本，每个样本用一个特征向量表示，选用样本的特征维数为D，该高光谱图像包含c类像素点，训练样本集为A=[A₁,A₂,…A_c]，其中第i类的训练样本集为n_i表示该类的训练样本数，a_i,j是第i类训练样本集A_i中的第j个样本，它是一个D维的数据，y∈R^D表示一个测试样本，R^D是指D维的实数域空间；

1）利用高光谱图像的训练样本A求解最小化问题：

其中，α是未知的稀疏向量，γ是一个标量常数，是使得最小的α的值；

2）根据步骤1）得到的计算残差其中是第i类的系数向量；

3）根据步骤2）中得到的e_i，计算测试样本y的类标，即把使得e_i最小的对应的类别i当做y的类标；

4）根据步骤3）中得到的测试样本的类标以及已知的训练样本的类标组成分类图。