[发明专利]一种面向分类的高光谱图像波段选择方法

说明书

本发明公开了一种面向分类的高光谱图像波段选择方法，包括：求出高光谱图像每一个波段的类间离散度矩阵与类内离散度矩阵比值的迹，将其进行降序排列；采用灰狼算法将线性递减收敛因子改进为自适应非线性递减收敛因子；读取前一半的高光谱图像波段序列，进行随机排列，将其作为改进的灰狼算法的初始种群；将每个种群的类间离散度矩阵与类内离散度矩阵比值的迹作为改进灰狼算法的目标函数，搜索目标函数的最大值，其对应的个体就是所选的波段组合。该方法可有效选择出适用于分类的波段子集，考虑到基本的灰狼算法收敛速度慢，容易陷入局部极值，将类可分性准则与灰狼算法相结合，同时改善收敛因子，提高了灰狼算法的搜索性能。

技术领域

本发明涉及高光谱图像波段选择领域，尤其涉及一种面向分类的高光谱图像波段选择方法。

背景技术

高光谱图像具有丰富的空间和光谱信息，被广泛应用于很多领域。然而，大量的光谱信息在增强地物分辩能力的同时，波段间较高的相关性导致后续处理算法复杂性增高并产生“Hughes”现象。降维是降低高光谱图像计算复杂度，提高分类性能的常用方法，也是目前解决高光谱图像“维数灾难”问题的最佳方法。波段选择是高光谱图像降维的重要技术。

很多学者引入全局优化算法进行波段选择，例如遗传算法、萤火虫算法、引力搜索算法等。其中，遗传算法参数多，执行复杂、且容易陷入局部最优，全局搜索的性能不好。萤火虫算法的发现率低，求解精度不高，收敛速度慢。引力搜索算法收敛速度慢、全局搜索效果不理想。后来提出一种新的种群智能搜索算法—灰狼算法，相较于其他优化算法具有调整参数少，收敛速度快，执行性高的特点，但它仍然具有多峰函数求解时，收敛速度慢，容易陷入局部极值的缺点。

发明内容

根据现有技术存在的问题，本发明公开了一种面向分类的高光谱图像波段选择方法，具体包括如下步骤：

求出高光谱图像每一个波段的类间离散度矩阵与类内离散度矩阵比值的迹，将获取的多个迹进行降序排列；

采用灰狼算法将线性递减收敛因子改进为自适应非线性递减收敛因子；

读取前一半的高光谱图像波段序列并进行随机排列，构成波段序列向量B_l/2，将B_l/2作为改进的灰狼算法的初始种群；

将每个种群的类间离散度矩阵与类内离散度矩阵比值的迹作为改进灰狼算法的目标函数，搜索目标函数的最大值，该最大值对应的个体为所选的高光谱图像波段组合。

进一步的，设高光谱图像数据采用HIM＝{x₁,x₂,…x_n}∈R^l×n表示，其中l为波段数目，n为每个波段图像的像元总数,k表示样本类别，求得第i类样本的均值向量为：

其中P_i表示第i类样本的先验概率，N_i表示类别W_i包含的像元数目，样本的总体均值向量计算方法为：

根据总体均值向量m和第i类样本均值向量m_i,计算类间离散度矩阵S_b和类内离散度矩阵S_w：

根据计算高光谱图像每一个波段类间离散度矩阵S_b和类内离散度矩阵S_w的迹J，计算公式如下：

按照J值的大小进行降序排列。

进一步的，将线性递减收敛因子改进为自适应非线性递减收敛因子过程如下：

灰狼算法的线性递减收敛因子a的计算公式如下：