[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

说明书

技术领域

本发明属于机器学习和高光谱遥感图像处理领域，涉及一种空谱结合以及同时进行特征选择的方法在高光谱遥感图像处理领域的应用，具体地说是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。

背景技术

现代遥感技术的飞速发展为高光谱遥感图像处理提供了一种便捷的途径，高光谱遥感数据成为高光谱遥感图像处理的主要数据源，这就对现有的高光谱遥感图像处理提出了新的挑战。基于像素的分类方法常用的有最大似然估计，贝叶斯估计，神经网络，决策树，遗传算法以及基于核的方法。这些方法的特点就是利用谱特征，纹理信息或者是把这些特征进行线性的、非线性转换得到新的特征的把其所对应的像素分到相应的类别中。基于像素的图像分类方法在分类的过程中只利用了图像的谱段信息，而其丰富的空间信息未被利用。近年来高光谱遥感图像空谱结合的分类分割方法广泛的受到关注。最常用的方法是：首先是对高光谱遥感图像进行分类得到相应的分类图；然后对高光谱遥感图像进行分割得到分割图；最后用一种融合的机制将以上的分类分割图融合起来得到最终的结果图。分类的方法著名的有支持向量机，但是支持向量机需要调节至少一个参数，而且对于不同的高光谱遥感图像参数变化范围很大，调节参数很麻烦。基于聚类的分割方法也有很多，模糊C均值（FCM）是比较常用的一种，FCM是单目标的聚类算法，它对多个图像不一定适用，所以多目标的聚类算法近几年也发展起来了，经典的像MOCK和MOCLE，多目标聚类它主要的特点就是优化两个或者两个以上的目标函数，对于不同结构、形状的数据都有效。多目标聚类得到的是多个最优解，将多个解变成唯一解的方法有指标选解，即从多个优化解中选择出一个作为最优解。根据高光谱遥感图像的特点，谱段冗余不但会增加计算的难度，还会影响分类的效果。所以去掉冗余的波段也是高光谱遥感图像处理的一个重要部分。对于高光谱遥感图像来说，波段就是特征，所以减少冗余波段数就是减少冗余特征，其方法分为特征提取和特征选择。特征提取是通过主分量分析、Fisher鉴别分析方法，以及以核方法为代表的非线性特征提取方法对原始特征进行特征提取得到比原始特征少的新的特征。特征选择是从原始特征中剔除掉原始特征中的冗余特征，得到的新特征是原始特征的子集。特征选择分为滤波型和封装型，对于无监督的聚类算法，封型的特征选择方法不需要太多的类别信息，所以大部分的无监督的特征选择都用封装型的。

发明内容

本发明提出了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，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；

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。

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；