[发明专利]基于互信息的高光谱波段选择方法

说明书

本发明公开了一种基于互信息的高光谱波段选择方法，主要包括输入候选高光谱波段集合X＝[x₁,x₂,...,x_N]，选出N个互信息大且冗余低的波段集合，即空集；对候选波段集合计算互信息矩阵；利用互信息测度和序列前向搜索算法进行波段选择；所选波段集合与候选波段集合之间的平均互信息度量波段冗余度，未选波段集合与候选波段集合之间的平均互信息度量波段的代表性，评估所有未选定的波段分数；选出得分最高的波段添加到所选波段集中；选择波段数目达到设定值；保留选择的波段集用最近邻和支持向量机进行分类。

技术领域

本申请涉及遥感图像处理技术领域，尤其涉及一种基于互信息的高光谱波段选择方法。

背景技术

在过去的几十年里，传感器技术有了显著的进步，高光谱成像(HSI)已经成为遥感最强大和有效的工具。高光谱遥感器或成像光谱仪捕获的图像数据由数百个非常狭窄和相邻的光谱波段组成。这些特征增强了高光谱图像鉴别微小地表特征的潜力。由于具有精确的识别能力，它为许多应用领域提供了宝贵的信息来源，包括作物分析、精确农业、林业、矿产探测、目标检测、城市规划、医疗诊断等。然而，高光谱图像的高维特性也导致了图像冗余度大、计算量大、存储需求增加。同时，由于地面真实样本数量有限，相关光谱波段较多，导致HSI分类过程中出现Hughes现象；因此，它成为一个困难的任务。因此，在任何处理任务之前降低HSI数据集的维数，同时保持所需的信息是至关重要的。

HSI的降维可以通过特征提取和特征选择(波段选择)方法来实现。对于前者，通过主成分分析(PCA)、奇异值分解(SVD)、线性判别分析(LDA)等映射技术将高维数据映射到低维数据空间。然而，在这种映射过程中，数据的物理属性会丢失。在后一种情况下，选择相关的波段子集，其中包含最相关的光谱信息，而不改变数据的物理性质。由于波段选择方法保持了数据的物理意义，它们比特征提取方法更受青睐。

根据对ground truth类的先验知识的参与程度，BS方法可以分为有监督的BS方法、无监督的BS方法和半监督的BS方法。BS的监督方法采用的评价标准最大限度地提高了标记样本的分类可分性。BS的无监督方法通过测量数据的性质来选择波段。半监督方法使用标记和未标记样本来评估频带相关性。在许多情况下，以前的类信息往往无法获得，或者收集起来困难且昂贵。因此，在这种情况下采用无监督的BS方法。在没有标记样本的情况下，选择最优波段是一个非常具有挑战性的问题。

本专利提出了一种基于互信息测度作为选择准则，以序列前向搜索(SFS)算法作为搜索算法的基于排序的无监督频带选择方法。该方法通过测量波段间的平均互信息来选择高信息量、低冗余的波段。所选波段的冗余度是通过与所选波段集合的信息重叠来估计的，而与剩余未选波段集合的信息重叠则估计其信息能力。虽然基本思想简单，但可以在计算效率高的情况下达到较好的分类精度。

发明内容

本申请提供了一种基于互信息的高光谱波段选择方法，以解决在许多情况下，类信息无法获得，收集起来困难且昂贵，无法选择出最有代表性的波段从而导致不能选择出最富含信息的波段的问题。

本申请提供了一种基于互信息的高光谱波段选择方法，包括，输入候选高光谱波段集合X＝[x₁,x₂,...,x_N]，选出N个互信息大且冗余低的波段集合，即空集；对候选波段集合计算互信息矩阵；利用互信息测度和序列前向搜索算法进行波段选择；所选波段集合与候选波段集合之间的平均互信息度量波段冗余度，未选波段集合与候选波段集合之间的平均互信息度量波段的代表性，评估所有未选定的波段分数；选出得分最高的波段添加到所选波段集中；选择波段数目达到设定值；保留选择的波段集用最近邻和支持向量机进行分类。

在一些实施例中，所述计算互信息矩阵具体步骤为：

X＝[x₁,x₂,...,x_N]，互信息(MI)矩阵定义为，