CN108446599B - 一种p值统计量建模独立性的高光谱图像波段快速选择方法 - Google Patents

一种p值统计量建模独立性的高光谱图像波段快速选择方法 Download PDF

Info

Publication number
CN108446599B
CN108446599B CN201810161250.1A CN201810161250A CN108446599B CN 108446599 B CN108446599 B CN 108446599B CN 201810161250 A CN201810161250 A CN 201810161250A CN 108446599 B CN108446599 B CN 108446599B
Authority
CN
China
Prior art keywords
value
wave
matrix
wave band
bands
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810161250.1A
Other languages
English (en)
Other versions
CN108446599A (zh
Inventor
张爱武
康孝岩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Capital Normal University
Original Assignee
Capital Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Capital Normal University filed Critical Capital Normal University
Priority to CN201810161250.1A priority Critical patent/CN108446599B/zh
Publication of CN108446599A publication Critical patent/CN108446599A/zh
Application granted granted Critical
Publication of CN108446599B publication Critical patent/CN108446599B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Complex Calculations (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及一种p值统计量建模独立性的高光谱图像波段快速选择方法，该方法主要包括图像导入、p值统计量计算、计算目标函数和选出波段等环节。图像导入：导入待选波段的高光谱图像。p值统计量计算：获取高光谱图像的波段之间的Pearson线性相关的p值统计量。计算目标函数：统计高光谱图像各个波段与其他波段之间的p值之和，即波段的独立性。选取波段：对各个波段的独立性进行排序，选取波段。本发明对高光谱图像进行波段选择，算法复杂度低，效率高，可达到即时甚至实时的效果。

Description

一种p值统计量建模独立性的高光谱图像波段快速选择方法
技术领域
本发明涉及遥感领域，特别提供了一种p值统计量建模独立性的高光谱图像波段快速选择方法，用于高光谱降维并进行图像分类。
背景技术
限于“大数据量、高冗余度”的特点，使得高光谱图像不易于被高效率和高精度地实现解混、分类、目标检测和物理量反演等典型应用，而降维是有效解决该问题的主要手段之一。作为降维的两种主要实现方式之一，波段选择以寻求“信息量大、独立性强”的特征波段来实现特征空间的简化。尽管有一些方法和软件可以有效选择大信息量和强独立性的波段，但往往需要耗费大量时间，需要较强的硬件***作为支撑。
发明内容
本发明要解决的技术问题：克服现有技术的不足，提供一种具有高效率的高光谱图像波段快速选择方法。该方法主要包括图像导入、Pearson线性相关系数计算、p值统计量计算、波段的独立性指标计算、和选出波段等步骤，计算简单，实时性强。
本发明采用的技术方案：一种p值统计量建模独立性的高光谱图像波段快速选择方法，其步骤如下：
步骤(1)、导入待选波段的高光谱图像，并对各个波段进行相同的标准化处理；
步骤(2)、根据步骤(1)得到的结果，进行波段两两之间的Pearson线性相关系数r的计算，最终得到全波段的r值矩阵；
步骤(3)、根据步骤(2)得到的结果，进行波段两两之间的相关分析p值统计量的计算，最终得到全波段的p值矩阵；
步骤(4)、根据步骤(3)得到的结果，对p值矩阵的每列分别进行降序排列，得到降序p值矩阵及对应的波段序号矩阵；
步骤(5)、根据步骤(4)得到的结果，取降序p值矩阵和对应波段序号矩阵的前k行，并统计波段序号矩阵中各个波段号对应的降序p值矩阵中的p值之和，即为各个波段在选择k个波段时的独立性指标；
步骤(6)、根据步骤(5)得到的结果，对各个波杜的独立性指标进行降序排列，取排名靠前的k个波段，即为波段选择的结果。
进一步的，所述步骤(2)中波段两两之间的Pearson线性相关系数r值及全波段r值矩阵的计算过程如下：
步骤(21)去中心化：各波段减去波段均值；
步骤(22)计算波段之间的协方差；
步骤(23)对协方差进行标准化：波段间的协方差除以它们的标准差，即可得到波段两两之间的Pearson线性相关系数r值；
步骤(24)对全波段的任意两两波段进行步骤(21)-(23)的操作，即可得到全波段r值矩阵。
进一步的，所述步骤(3)中的波段两两之间的线性相关p值统计量及全波段p值矩阵的计算过程如下：
步骤(31)构造一个自由度为υ的t统计量；优选地，设置ν＝N-2，其中N为相关分析中的样本总数。
步骤(32)计算阿尔法函数A(t|ν)；
步骤(33)计算p值统计量，即为波段两两之间的线性相关p值统计量；
步骤(34)对全波段的任意两两波段进行步骤(31)-(33)的操作，即可得到全波段p值矩阵。
进一步的，所述步骤(4)中的降序p值矩阵及对应的波段序号矩阵的获取过程如下：
步骤(41)对p值矩阵的各列分别进行降序排列，得到降序p值矩阵；
步骤(42)在获取降序p值列的同时，得到该列p值对应的波段序号，得到对应的波段序号矩阵。
本发明与现有技术相比的优点在于：
(1)本发明属于无监督降维方法，也无需设置阈值，由数据端到结果端自适应自动完成解算；
(2)本发明所提出的方法的算法复杂度较低，同时较低的空间复杂度对***硬件水平要求也较低；
(3)本发明能够对高光谱图像进行波段的即时甚至实时选择，以便于有效地进行图像分类、目标特征波段的二次选择等。
附图说明
图1为本发明流程图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细说明。本发明提供的p值统计量建模独立性的高光谱图像波段快速选择方法，如图1所示，包括的主要步骤如下：
步骤(1)、导入数据并初始化：导入待选波段的高光谱图像，并对各个波段进行相同的标准化处理。
本发明所述高光谱图像波段选择方法的起始端为高光谱图像数据的导入，然后需要对数据进行标准化等预处理。
高光谱图像中的一个波段B标准化为Bnorm，其标准化过程可表示为公式(1)：
Bnorm＝(B-Bmin)/(Bmax-Bmin) (1)
其中，Bmax、Bmin分别为B的最大值和最小值。
将标准化后的高光谱图像Mi,j,n的每一个波段图像转换为列向量，得到矩阵Mij,n：其中，i,j,n分别n为Mi,j,n的行、列、波段总数，ij＝i×j为Mij,n的行数。
步骤(2)、计算波段相关系数r及全波段r值矩阵：根据步骤(1)得到的结果，进行波段两两之间的Pearson线性相关系数r的计算。
基于初始化的高光谱图像Mij,n，运用公式(2)分别计算任意两波段之间的Pearson相关系数，该式包含有数据的去中心化、协方差计算等：
Figure BDA0001583038440000031
其中，N为样本总数，即N＝ij＝i×j；二元序列
Figure BDA0001583038440000032
表示Mij,n中的任意两个列向量，
Figure BDA0001583038440000033
和
Figure BDA0001583038440000034
分别为
Figure BDA0001583038440000035
和
Figure BDA0001583038440000036
的均值。
重复步骤(2)对全波段任意两波段之间进行相关系数r的计算，最后得到全波段的r值矩阵。
步骤(3)、计算波段相关系数r的p值统计量及全波段p值矩阵：根据步骤(2)得到的结果，进行波段两两之间的线性相关分析p值统计量及全波段p值矩阵的计算。
p值是由统计学家Sir Ronald Aylmer Fisher提出的，表达在原假设(或称零假设，null hypothesis)为真时，出现与当前观测结果相同或更极端情况出现的概率。在相关分析的假设检验中，原假设为无相关(no correlation)，此时，p值是样本的一种统计量，其大小通过构造一个自由度为υ的t统计量进行求解：
p＝1-A(t|ν) (3)
Figure BDA0001583038440000041
Figure BDA0001583038440000042
ν＝N-2 (6)
其中，贝塔函数
Figure BDA0001583038440000043
另外，也可以通过伽马函数Γ来间接求解Β函数。通过相关系数r矩阵分别就计算波段两两之间的p值，得到相关系数p值矩阵Pnxn。
重复步骤(3)对全波段任意两波段之间p值的计算，最后得到全波段的p值矩阵。
步骤四、降序处理波段间相关系数p值矩阵：根据步骤(3)得到的结果，对p值矩阵的各列分别进行降序排列，得到降序p值矩阵及对应的波段序号矩阵。
去掉p值矩阵Pn×n中波段与其自身的p值后得到P(n-1)×n；对P(n-1)×n各列降序排列，选择前k行组成矩阵PSk×n，并将其对应的波段号组成矩阵Bk×n；
步骤五、计算目标函数，目标函数用于表示某波段在选择k个波段时的独立性指标：根据步骤(4)得到的结果，取降序p值矩阵和对应波段序号矩阵的前k行，并统计波段序号矩阵中各个波段号对应的降序p值矩阵中的p值之和，即为各个波段在选择k个波段时的独立性指标；
构造波段选择的参考值目标函数fk(i)：
Figure BDA0001583038440000044
其中，fk(i)是B中的元素i在PS对应位置上的p值之和，表示在选择k个波段时，第i波段的选择参考值。
步骤六、选出波段：根据步骤(5)得到的结果，对各个波段在选择k个波段时的独立性指标进行降序排列，取排名靠前的k个波段，即为波段选择的结果。
对fk(i)(i＝1,2,…,n)进行降序排列，选择前k个值对应的波段。
上面所述的仅是体现本发明一种高光谱图像波段快速选择方法的实施例。本发明并不限于上述实施例。本发明的说明书是用于进行说明，不限制权利要求的范围。对于本领域的技术人员，很显然可以有很多的替换、改进和变化。凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围内。

Claims (4)

1.一种p值统计量建模独立性的高光谱图像波段快速选择方法，其特征在于：包括如下步骤：
步骤(1)、导入待选波段的高光谱图像，并对各个波段进行相同的标准化处理；
步骤(2)、根据步骤(1)得到的结果，进行波段两两之间的Pearson线性相关系数r的计算，最终得到全波段的r值矩阵；
步骤(3)、根据步骤(2)得到的结果，进行波段两两之间的线性相关分析p值统计量的计算，最终得到全波段的p值矩阵；
步骤(4)、根据步骤(3)得到的结果，对p值矩阵的各列分别进行降序排列，得到降序p值矩阵及对应的波段序号矩阵，具体为：去掉p值矩阵Pn×n中波段与其自身的p值后得到P(n-1)×n；对P(n-1)×n各列降序排列，选择前k行组成矩阵PSk×n，并将其对应的波段号组成矩阵Bk×n；
步骤(5)、根据步骤(4)得到的结果，取降序p值矩阵和对应波段序号矩阵的前k行，并统计波段序号矩阵中各个波段号对应的降序p值矩阵中的p值之和，即为各个波段在选择k个波段时的独立性指标；
步骤(6)，根据步骤(5)得到的结果，对各个波段在选择k个波段时的独立性指标进行降序排列，取排名靠前的k个波段，即为波段选择的结果。
2.根据权利要求1所述的一种p值统计量建模独立性的高光谱图像波段快速选择方法，其特征在于：所述步骤(2)中波段两两之间的Pearson线性相关系数r值及全波段r值矩阵的计算过程如下：
步骤(21)去中心化：各波段减去波段均值；
步骤(22)计算波段之间的协方差；
步骤(23)对协方差进行标准化：波段间的协方差除以它们的标准差，即可得到波段两两之间的Pearson线性相关系数r值；
步骤(24)对全波段的任意两两波段进行步骤(21)-(23)的操作，即可得到全波段r值矩阵。
3.根据权利要求1所述的一种p值统计量建模独立性的高光谱图像波段快速选择方法，其特征在于：所述步骤(3)中的波段两两之间的线性相关p值统计量及全波段p值矩阵的计算过程如下：
步骤(31)构造一个自由度为υ的t统计量，采用p＝1-A(t|ν)计算p值统计量；
步骤(32)计算阿尔法函数A(t|ν)：
Figure FDA0003147378850000021
Figure FDA0003147378850000022
ν＝N-2；
其中，贝塔函数
Figure FDA0003147378850000023
步骤(33)通过相关系数r矩阵分别计算波段两两之间的p值，得到相关系数p值矩阵Pnxn，即为波段两两之间的线性相关p值统计量；
步骤(34)对全波段的任意两两波段进行步骤(31)-(33)的操作，即可得到全波段p值矩阵。
4.根据权利要求1所述的一种p值统计量建模独立性的高光谱图像波段快速选择方法，其特征在于：所述步骤(4)中的降序p值矩阵及对应的波段序号矩阵的获取过程如下：
步骤(41)对p值矩阵的各列分别进行降序排列，得到降序p值矩阵；
步骤(42)在获取降序p值列的同时，得到该列p值对应的波段序号，得到对应的波段序号矩阵。
CN201810161250.1A 2018-02-27 2018-02-27 一种p值统计量建模独立性的高光谱图像波段快速选择方法 Active CN108446599B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810161250.1A CN108446599B (zh) 2018-02-27 2018-02-27 一种p值统计量建模独立性的高光谱图像波段快速选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810161250.1A CN108446599B (zh) 2018-02-27 2018-02-27 一种p值统计量建模独立性的高光谱图像波段快速选择方法

Publications (2)

Publication Number Publication Date
CN108446599A CN108446599A (zh) 2018-08-24
CN108446599B true CN108446599B (zh) 2021-11-05

Family

ID=63193086

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810161250.1A Active CN108446599B (zh) 2018-02-27 2018-02-27 一种p值统计量建模独立性的高光谱图像波段快速选择方法

Country Status (1)

Country Link
CN (1) CN108446599B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112884035B (zh) * 2021-02-07 2023-01-24 山东科技大学 一种噪声鲁棒的高光谱图像波段选择方法
CN113310932A (zh) * 2021-05-10 2021-08-27 华中农业大学 巴氏杀菌水牛鲜奶中掺加高温灭菌奶的快速鉴别方法
CN113310936A (zh) * 2021-05-10 2021-08-27 华中农业大学 四种高温灭菌商品牛奶的快速鉴定方法
CN113310937A (zh) * 2021-05-10 2021-08-27 华中农业大学 高温灭菌牛奶、巴氏杀菌奶牛鲜奶及奶粉复原牛奶的快速鉴定方法
CN113310934A (zh) * 2021-05-10 2021-08-27 华中农业大学 骆驼奶中掺加奶牛奶及其掺加比例的快速鉴定方法
CN113310930A (zh) * 2021-05-10 2021-08-27 华中农业大学 高温灭菌奶、巴氏杀菌奶和掺加高温灭菌奶的巴氏杀菌奶的光谱鉴定方法
CN113310928A (zh) * 2021-05-10 2021-08-27 华中农业大学 保质期内和过期高温灭菌牛奶的快速鉴定方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101807301A (zh) * 2010-03-17 2010-08-18 北京航空航天大学 一种基于高阶统计量的高光谱图像目标检测方法
CN102135981A (zh) * 2010-01-25 2011-07-27 安克生医股份有限公司 多层次分类方法
CN102609703A (zh) * 2012-03-05 2012-07-25 中国科学院对地观测与数字地球科学中心 一种高光谱图像中目标地物检测方法及装置
CN102903006A (zh) * 2012-09-14 2013-01-30 哈尔滨工程大学 一种高光谱图像波段选择方法
US8464095B1 (en) * 2012-11-15 2013-06-11 DSSD, Inc. Method and system for multi-dimensional raid reconstruction and defect avoidance
EP2704100A1 (en) * 2012-08-29 2014-03-05 GE Aviation Systems LLC Method for simulating hyperspectral imagery
KR101463354B1 (ko) * 2013-10-22 2014-11-18 영남대학교 산학협력단 초분광 영상의 특이영역 검출 장치 및 그 방법
CN104268582A (zh) * 2014-08-26 2015-01-07 中国科学院遥感与数字地球研究所 一种高光谱图像的波段选择方法及装置
CN104915636A (zh) * 2015-04-15 2015-09-16 北京工业大学 基于多级框架显著性特征的遥感影像道路识别方法
CN105426543A (zh) * 2015-12-28 2016-03-23 辽宁师范大学 基于贝塞尔统计模型的图像检索方法
CN105931223A (zh) * 2016-04-13 2016-09-07 浙江大学 基于波段比方法的高光谱反射图像中玉米胚部的分割方法
CN106915462A (zh) * 2017-02-14 2017-07-04 福建兴宇信息科技有限公司 基于多源影像信息的林业病虫害智能识别***
CN107480699A (zh) * 2017-07-13 2017-12-15 电子科技大学 一种基于信道状态信息和支持向量机的入侵检测方法
CN107679676A (zh) * 2017-10-27 2018-02-09 河海大学 一种基于数值模拟的城市低影响开发优化配置方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8406469B2 (en) * 2009-07-20 2013-03-26 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration System and method for progressive band selection for hyperspectral images

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102135981A (zh) * 2010-01-25 2011-07-27 安克生医股份有限公司 多层次分类方法
CN101807301A (zh) * 2010-03-17 2010-08-18 北京航空航天大学 一种基于高阶统计量的高光谱图像目标检测方法
CN102609703A (zh) * 2012-03-05 2012-07-25 中国科学院对地观测与数字地球科学中心 一种高光谱图像中目标地物检测方法及装置
EP2704100A1 (en) * 2012-08-29 2014-03-05 GE Aviation Systems LLC Method for simulating hyperspectral imagery
CN102903006A (zh) * 2012-09-14 2013-01-30 哈尔滨工程大学 一种高光谱图像波段选择方法
US8464095B1 (en) * 2012-11-15 2013-06-11 DSSD, Inc. Method and system for multi-dimensional raid reconstruction and defect avoidance
KR101463354B1 (ko) * 2013-10-22 2014-11-18 영남대학교 산학협력단 초분광 영상의 특이영역 검출 장치 및 그 방법
CN104268582A (zh) * 2014-08-26 2015-01-07 中国科学院遥感与数字地球研究所 一种高光谱图像的波段选择方法及装置
CN104915636A (zh) * 2015-04-15 2015-09-16 北京工业大学 基于多级框架显著性特征的遥感影像道路识别方法
CN105426543A (zh) * 2015-12-28 2016-03-23 辽宁师范大学 基于贝塞尔统计模型的图像检索方法
CN105931223A (zh) * 2016-04-13 2016-09-07 浙江大学 基于波段比方法的高光谱反射图像中玉米胚部的分割方法
CN106915462A (zh) * 2017-02-14 2017-07-04 福建兴宇信息科技有限公司 基于多源影像信息的林业病虫害智能识别***
CN107480699A (zh) * 2017-07-13 2017-12-15 电子科技大学 一种基于信道状态信息和支持向量机的入侵检测方法
CN107679676A (zh) * 2017-10-27 2018-02-09 河海大学 一种基于数值模拟的城市低影响开发优化配置方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Dimensionality Reduction Using Band Selection Technique for Kernel Based Hyperspectral Image Classification;R. Reshma 等;《Procedia Computer Science》;20161231;第93卷;第396-402页 *
Progressive Band Selection of Spectral Unmixing for Htperspectral Imagery;Chenin-I Chang 等;《IEEE Transactions on Geoscience and Remote Sensing》;20140430;第52卷(第4期);第2002-2017页 *
一种新的高光谱遥感图像降维方法;刘春红 等;《中国图象图形学报》;20050228;第10卷(第2期);第218-222页 *
分形维数作为高光谱遥感数据波段选择的一个指标;杜华强 等;《遥感技术与应用》;20040228;第19卷(第1期);第5-9页 *
非线性变换和信息相邻相关的高光谱自适应波段选择;张爱武 等;《红外与激光工程》;20170531;第46卷(第5期);第0538001-1-0538001-9页 *

Also Published As

Publication number Publication date
CN108446599A (zh) 2018-08-24

Similar Documents

Publication Publication Date Title
CN108446599B (zh) 一种p值统计量建模独立性的高光谱图像波段快速选择方法
Zhang et al. Unsupervised hyperspectral band selection by fuzzy clustering with particle swarm optimization
CN110321830B (zh) 一种基于神经网络的中文字符串图片ocr识别方法
CN111524137B (zh) 基于图像识别的细胞识别计数方法、装置和计算机设备
CN107679539B (zh) 一种基于局部感知野的单卷积神经网络局部信息与全局信息整合方法
CN108304573A (zh) 基于卷积神经网络和监督核哈希的目标检索方法
CN108491864B (zh) 基于自动确定卷积核大小卷积神经网络的高光谱图像分类
Zeng et al. Identification of maize leaf diseases by using the SKPSNet-50 convolutional neural network model
CN109190511B (zh) 基于局部与结构约束低秩表示的高光谱分类方法
CN103064941A (zh) 图像检索方法和装置
CN116701725B (zh) 基于深度学习的工程师人员数据画像处理方法
CN110766708A (zh) 基于轮廓相似度的图像比较方法
CN109583469B (zh) 基于互信息的k均值高光谱图像波段聚类方法
CN111340213B (zh) 神经网络的训练方法、电子设备、存储介质
CN111062428A (zh) 一种高光谱图像的聚类方法、***及设备
Liu et al. SRAS‐net: Low‐resolution chromosome image classification based on deep learning
CN111400528A (zh) 一种图像压缩方法、装置、服务器及存储介质
CN114187463A (zh) 电子档案生成方法、装置、终端设备及存储介质
CN107480426B (zh) 自迭代病历档案聚类分析***
CN107578445B (zh) 基于卷积特征谱的图像可判别区域提取方法
CN111753921B (zh) 一种高光谱图像聚类方法、装置、设备及存储介质
CN106909944B (zh) 一种人脸图片聚类的方法
CN108446723A (zh) 一种高光谱图像的多尺度空谱协同分类方法
CN110287973B (zh) 一种基于低秩鲁棒线性鉴别分析的图像特征提取方法
CN110929731A (zh) 一种基于探路者智能搜索算法的医疗影像处理方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant