CN114743009A - 一种高光谱影像波段选择方法、***及电子设备 - Google Patents
一种高光谱影像波段选择方法、***及电子设备 Download PDFInfo
- Publication number
- CN114743009A CN114743009A CN202210652347.9A CN202210652347A CN114743009A CN 114743009 A CN114743009 A CN 114743009A CN 202210652347 A CN202210652347 A CN 202210652347A CN 114743009 A CN114743009 A CN 114743009A
- Authority
- CN
- China
- Prior art keywords
- hyperspectral image
- matrix
- feature matrix
- potential
- region
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种高光谱影像波段选择方法、***及电子设备,该方法包括:S100、获取高光谱影像立方体,利用PCA和超像素分割算法将所述高光谱影像立方体分割为多个区域;S200、采用分层策略分别学***均潜在特征,构建平均潜在特征矩阵;S300、将各所述区域的潜在特征矩阵与所述平均潜在特征矩阵进行融合,获取所述高光谱影像立方体的低维自表征矩阵;S400、对所述低维自表征矩阵进行聚类,获取最优波段组合。本发明的有益效果:有效提高了高光谱影像波段选择的准确性。
Description
技术领域
本发明涉及计算机科学技术领域,具体而言,涉及一种高光谱影像波段选择方法、***及电子设备。
背景技术
高光谱传感器通过收集几十个甚至数百个连续高光谱波段来捕捉目标场景的光谱和空间信息。与RGB图像相比,高光谱影像具有更加丰富的信息和更高的分辨率。随着高光谱成像技术和图像分类技术的不断发展和成熟,高光谱影像被广泛应用于各个领域,如显著性目标检测、医学影像处理和矿产勘查等。然而,高光谱影像也存在一些问题,例如,在一定范围内,相邻波段的光谱是十分相似的,这增加了图像分类的计算复杂度,从而影响最终的分类精度。此外,高光谱影像中包含大量冗余信息,容易造成维度灾难,不利于后期图像处理和存储。因此,对高光谱影像进行降维处理是十分有必要的。
目前,现有技术主要采用无监督波段选择和有监督波段选择实现高光谱影像的降维处理,尽管表现出不错的降维性能,但是也存在无法忽视的缺点,导致波段选择不准确。例如,在波段的特征表示过程中,容易造成空间结构信息损失;采用的原始高维像素特征中往往包含噪声,影响波段选择性能;在利用空间结构信息时,忽略了不同区域之间的权重差异性。
发明内容
本发明解决的问题是如何提高高光谱影像波段选择的精确性。
为解决上述问题,本发明提供一种高光谱影像波段选择方法、***及电子设备。
第一方面,本发明提供了一种高光谱影像波段选择方法,包括:
S100、获取高光谱影像立方体,利用PCA和超像素分割算法将所述高光谱影像立方体分割为多个区域;
S200、采用分层策略分别学***均潜在特征,构建平均潜在特征矩阵;
S300、将各所述区域的潜在特征矩阵与所述平均潜在特征矩阵进行融合,获取所述高光谱影像立方体的低维自表征矩阵;
S400、对所述低维自表征矩阵进行聚类,获取最优波段组合。
由此,利用PCA对三维的高光谱影像立方体进行了降维,以使超像素分割算法能对高光谱影像立方体进行区域划分,以便进行波段选择,同时还对高光谱影像立方体进行去噪处理,避免高维像素特征中包含噪声,影响波段选择性能。采用分层策略获取各分割区域对应的低维潜在特征,逐渐缩小维度值进行潜在特征提取,避免了维度骤然下降导致某些特定维度信息的丢失,有效保留了各区域的空间结构信息,使得各波段信息完整,增加波段选择的精度。提取高光谱影像的原始信息,即平均潜在特征,将各区域的潜在特征和高光谱影像立方体的平均潜在特征进行融合计算,获取低维自表征矩阵,将高光谱影像的原始信息引入到融合过程中,可以有效减少信息损失。对低维自表征矩阵进行聚类处理,获取最优的波段,构建最优波段组合,有效提高了高光谱影像波段选择的精确性,进而使得最优波段组合对整个高光谱遥感影像的特征表示误差较小,为后续的图像存储和处理提供方法和数据支撑。
可选地,所述利用PCA和超像素分割算法将所述高光谱影像立方体分割为多个区域包括:
利用PCA对所述高光谱影像立方体进行降维处理,获取所述高光谱影像立方体的第一主成分。
采用ERS熵率超像素分割算法按照区域分割数量对所述第一主成分进行划分,获取多个所述区域。
由此,利用PCA对三维的高光谱影像立方体进行了降维,以使ERS熵率超像素分割算法能对高光谱影像第一主成分按照分割数量进行区域划分,保证信息分割合理性的同时,还保证了波段选择正常进行。
可选地,所述利用PCA和超像素分割算法将所述高光谱影像立方体分割为多个区域还包括:
根据所述第一主成分中的纹理信息确定所述区域的分割数量。
由此,根据数据集中不同的纹理信息计算超像素分割区域的个数,即使在面对例如样本较多的数据集时,也可快速、准确地计算出对应的分割区域个数,保证空间信息和纹理信息分割合理的同时,增加了计算效率。
可选地,在所述采用分层策略分别学习各所述区域对应的低维潜在特征,获取各所述区域的潜在特征矩阵之前,还包括:
构建各所述区域对应的相似度矩阵和拉普拉斯矩阵,并根据各所述相似度矩阵和各所述拉普拉斯矩阵获取各所述区域对应的初始维度的初始低维潜在特征,构建初始潜在特征矩阵。
由此,首先根据分割后的区域信息构建相似度矩阵和拉普拉斯矩阵,保留了高光谱影像的原始信息,并在此基础上设定初始维度进行初始潜在特征提取,有效避免了潜在特征提取时维度骤降导致信息损失,保证潜在特征信息的完整性。
可选地,所述采用分层策略分别学习各所述区域对应的低维潜在特征,获取各所述区域的潜在特征矩阵包括:
S210、根据分层策略逐渐降低特征维度至最终维度,获取多个逐渐减小的分层维度;
S220、基于所述初始潜在特征矩阵,提取各所述区域对应的分层维度的潜在特征,构建分层潜在特征矩阵;
S230、重复步骤S220,且每次重复进行提取各所述区域的潜在特征的所述分层维度总小于前一次提取各所述区域的潜在特征的所述分层维度,直至构建所述最终维度的所述潜在特征矩阵,其中,所述初始维度大于所述分层维度且远大于所述最终维度。
由此,采用分层策略学习各区域的潜在特征并构建各区域对应的潜在特征矩阵,可以有效保留各区域中各维度的特征信息,避免在获取潜在特征的过程中产生信息损失,导致波段选择的存在误差,实现精准的波段选择。
可选地,所述提取所述高光谱影像立方体的平均潜在特征,构建平均潜在特征矩阵包括:
构建各所述区域的平均拉普拉斯矩阵,根据所述平均拉普拉斯矩阵获取所述高光谱影像立方体的平均潜在特征,构建所述平均潜在特征矩阵。
由此,构建各所述区域对应的平均拉普拉斯矩阵,在此基础上获取高光谱影像立方体的平均潜在特征,即高光谱影像立方体的的原始特征信息,尽可能的保留了各区域的特征信息,有效减小信息损失,提高波段选择的精确性。
可选地,所述将各所述区域的潜在特征矩阵与所述平均潜在特征矩阵进行融合包括:
利用第一公式表示融合过程,所述第一公式为:
其中,Y表示潜在特征矩阵,F表示低维自表征矩阵,∈Rb×d表示平均潜在特征矩阵,N表示区域的分割数量,γ表示权重,t表示维度层数,表示第t层中第i个分割区域的权重,β表示权重大小,βi表示示第i个分割区域对低维自表征的权重大小,和分别表示第t−1层和第t层中第i个分割区域所对应的潜在特征矩阵,m为维度总层数,表示第m层中第i个分割区域所对应的特征矩阵,表示d1维潜在特征矩阵,表示d2维潜在特征矩阵,L(i)表示第i个区域的拉普拉斯矩阵。
由此,将获取的各区域对应的潜在特征矩阵和平均潜在特征矩阵进行融合,使得高光谱影像的原始信息也融合进其中,尽可能的增加了高光谱影像潜在特征的完整度,减小信息损失,提高了计算效率与波段选择精准度。
可选地,所述对所述低维自表征矩阵进行聚类,获取最优波段组合包括:
采用K-means算法对所述低维自表征矩阵进行聚类,获取多个簇,分别从多个簇中选择信息熵最大的多个波段作为最优特征波段,构建所述最优波段组合。
由此,引入信息熵作为聚类后特征波段的度量指标,有效提高特征波段的选择准确度,从而获取最优波段组合。
第二方面,本发明提供了一种高光谱影像波段选择***,包括:
高光谱影像处理模块,所述高光谱影像处理模块用于获取高光谱影像立方体,利用PCA和超像素分割算法将所述高光谱影像立方体分割为多个区域;
潜在特征计算模块,所述潜在特征计算模块用于采用分层策略分别学***均潜在特征,构建平均潜在特征矩阵;
潜在特征融合模块,所述潜在特征融合模块用于将各所述区域的潜在特征矩阵与所述平均潜在特征矩阵进行融合,获取所述高光谱影像立方体的低维自表征矩阵;
波段选取模块,所述波段选取模块用于对所述低维自表征矩阵进行聚类,获取最优波段组合。
本发明提供的的高光谱影像波段选择***与上述高光谱影像波段选择方法的有益效果相近似,在此不再进行赘述。
第三方面,本发明提供了一种电子设备,包括存储有计算机程序的计算机可读存储介质和处理器,所述计算机程序被所述处理器读取并运行时,实现如上述所述的高光谱影像波段选择方法。
本发明提供的电子设备的与上述高光谱影像波段选择***及高光谱影像波段选择方法的有益效果相近似,在此不再进行赘述。
附图说明
图1为本发明所述的高光谱影像选择方法的流程图一;
图2为本发明所述的高光谱影像选择方法的流程图二;
图3为本发明所述的高光谱影像选择方法的流程图三;
图4为本发明所述的高光谱影像选择***的结构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
参照图1至图3所示,本发明实施例的一种高光谱影像波段选择方法,包括:
S100、输入高光谱影像立方体,利用PCA和超像素分割算法将所述高光谱影像立方体分割为多个区域。
具体地,如图2所示,最左侧为高光谱影像立方体,其为原始三维数据矩阵H,大小为w×h×b,即H∈Rw×h×b,其中b表示高光谱影像立方体所包含的波段数,w和h分别表示每个波段的宽和高。采用PCA(Principal Components Analysis,主成分分析技术)技术对三维高光谱影像进行降维,以便超像素分割算法对其进行区域分割,保证波段提取正常进行。采用超像素分割算法对一维高光谱影像进行区域分割,获取N个区域,表示为H={R1,R2,…,RN},其中,RN为第N个分割区域。另外地,本实施例采用ERS熵率超像素分割算法对高光谱影像进行区域划分,其计算复杂度很低,有效提高了本实施例的波段选择效率,降低计算复杂度,但在本实施例中不仅限于该算法。
S200、采用分层策略分别学***均潜在特征,构建平均潜在特征矩阵。
具体地,从每个分割区域中学习潜在特征对其进行特征表示,可以有效降低原始的高维像素特征中较高的信息冗余和噪声干扰,但是若直接设定一个较小的维度值作为潜在特征的维度进行特征提取,维度的骤然下降会导致某些特定维度的信息丢失,使得提取的各区域的潜在特征与实际的各区域的潜在特征存在误差,进而影响波段选择的精确度,因此,本实施例采用分层策略进行各区域的低维潜在特征提取。设定多个逐渐减小的维度值对各区域进行特征提取,可以有效保留各区域的特征信息,例如,设定维度值A和维度值B,首先获取维度为A时的潜在特征矩阵A,而后在潜在特征矩阵A的基础上,获取维度值B时的潜在特征矩阵B,且A>B。
S300、将各所述区域的潜在特征矩阵与所述平均潜在特征矩阵进行融合,获取所述高光谱影像立方体的低维自表征矩阵。
具体地,上述步骤提取获得的高光谱影像立方体的平均潜在特征矩阵,为高光谱影像的原始特征信息,将各区域的潜在特征矩阵与平均潜在特征矩阵进行融合,进一步保留了高光谱影像中的特征信息,避免造成信息损失。
S400、对所述低维自表征矩阵进行聚类,获取最优波段组合。
具体地,如图2和图3所示,采用K-means作为聚类算法,对低维自表征矩阵进行聚类,得到若干个簇,分别从每个簇中选择出满足预设条件的特征波段,从而构建最优波段组合。其中,本实施例采用K-means作为聚类算法对低维自表征矩阵进行聚类,但不仅限于该算法。
在本实施例中,利用PCA对三维的高光谱影像立方体进行了降维,以使超像素分割算法能对高光谱影像立方体进行区域划分,以便进行波段选择,同时还对高光谱影像立方体进行去噪处理,避免高维像素特征中包含噪声,影响波段选择性能。采用分层策略获取各分割区域对应的低维潜在特征,逐渐缩小维度值进行潜在特征提取,避免了维度骤然下降导致某些特定维度信息的丢失,有效保留了各区域的空间结构信息,使得各波段信息完整,增加波段选择的精度。提取高光谱影像的原始信息,即平均潜在特征,将各区域的潜在特征和高光谱影像立方体的平均潜在特征进行融合计算,获取低维自表征矩阵,将高光谱影像的原始信息引入到融合过程中,可以有效减少信息损失。对低维自表征矩阵进行聚类处理,获取最优的波段,构建最优波段组合,有效提高了高光谱影像波段选择的精确性,进而使得最优波段组合对整个高光谱遥感影像的特征表示误差较小,为后续的图像存储和处理提供方法和数据支撑。
可选地,所述利用PCA和超像素分割算法将所述高光谱影像立方体分割为多个区域包括:
利用PCA对所述高光谱影像立方体进行降维处理,获取所述高光谱影像立方体的第一主成分。
采用ERS熵率超像素分割算法按照区域分割数量对所述第一主成分进行划分,获取多个所述区域。
具体地,考虑到传统的超像素分割算法无法直接应用于三维高光谱影像立方体进行区域分割,则采用PCA技术提取三维高光谱影像的第一主成分,即将三维高光谱影像的光谱维度压缩至一维,以便超像素分割算法对其进行区域分割,保证波段提取正常进行。针对不同样本种类或数量的数据集,其所需区域分割数量并不相同,则需预先确定目标数据集的区域分割数量后再采用ERS熵率超像素分割算法对高光谱影像第一主成分进行分割,获得多个分割区域。使用ERS熵率超像素分割算法进行区域分割,使得超级像素可以很好地附着在对象边界上进行区域分割,且作为一个预处理过程,超像素分割本身的计算复杂度很低,有效提高了本实施例的波段选择效率,降低计算复杂度,但需要说明的是,本实施例不限于使用该算法进行区域分割。
本实施例中,利用PCA对三维的高光谱影像立方体进行了降维,以使ERS熵率超像素分割算法能对高光谱影像第一主成分按照分割数量进行区域划分,保证信息分割合理性的同时,还保证了波段选择正常进行。
可选地,所述利用PCA和超像素分割算法将所述高光谱影像立方体分割为多个区域还包括:
根据所述第一主成分中的纹理信息确定所述区域的分割数量。
具体地,由于每个数据集所包含的空间信息和纹理信息具有较大的差异性,我们很难为数据集确定一个统一的分割数量,因此,为了自适应地解决每个数据集分割数量问题,我们基于每个数据集的第一主成分中所包含的纹理信息和空间信息进行超像素分割个数的确定,即根据各图像的像素信息计算对应的分割数量。
区域的分割数量表示为:
其中,N表示区域分割数量,NZ表示第一主成分的边缘区域中非0元素的个数,P表示每个波段所包含的总像素信息,P=w×h(w表示每个波段的宽,h表示每个波段的高),T表示常数。
本实施例中,根据数据集中不同的纹理信息计算超像素分割区域的个数,即使在面对例如样本较多的数据集时,也可快速、准确地计算出对应的分割区域个数,保证空间信息和纹理信息分割合理的同时,增加了计算效率。
可选地,在所述采用分层策略分别学习各所述区域对应的低维潜在特征,获取各所述区域的潜在特征矩阵之前包括:
构建各所述区域对应的相似度矩阵和拉普拉斯矩阵,并根据各所述相似度矩阵和各所述拉普拉斯矩阵获取各所述区域对应的初始维度的初始低维潜在特征,构建初始潜在特征矩阵。
具体地,以第i个分割区域为计算对象,采用KNN(K-nearest NeighborClassification,K近邻)算法和欧式距离来构建其对应的相似度矩阵W(i),并根据相似度矩阵W(i)获取第i个区域对应的拉普拉斯矩阵,表示为:
其中,L(i)表示第i个区域的拉普拉斯矩阵,I表示单位矩阵,W(i)表示相似度矩阵,D(i)表示相似度矩阵W(i)所对应的对角矩阵。
其中,N表示区域分割数量,L(i)表示第i个区域的拉普拉斯矩阵,Y(i)表示第i个区域的低维潜在特征矩阵,Id表示d×d的单位矩阵,d表示维度。
需要注意的,初始维度d1应远大于目标维度d,以避免提取各区域对应的潜在特征时因维度骤降导致信息损失。
本实施例中,首先根据分割后的区域信息构建相似度矩阵和拉普拉斯矩阵,保留了高光谱影像的原始信息,并在此基础上设定初始维度d1进行初始潜在特征提取,有效避免了潜在特征提取时维度骤降导致信息损失,保证潜在特征信息的完整性。
可选地,所述采用分层策略分别学习各所述区域对应的低维潜在特征,获取各所述区域的潜在特征矩阵包括:
S210、根据分层策略逐渐降低特征维度至最终维度,获取多个逐渐减小的分层维度。
S220、基于所述初始潜在特征矩阵,提取各所述区域对应的分层维度的潜在特征,构建分层潜在特征矩阵。
S230、重复步骤S220,且每次重复进行提取各所述区域的潜在特征的所述分层维度总小于前一次提取各所述区域的潜在特征的所述分层维度,直至构建所述最终维度的所述潜在特征矩阵,其中,所述初始维度大于所述分层维度且远大于所述最终维度。
具体地,以初始维度d1为基准,对维度进行分层,获取分层维度d2,且d1>d2。首先提取各区域对应的初始维度d1的初始低维潜在特征,构建初始潜在特征矩阵,而后在初始潜在特征矩阵的基础上,计算提取各区域对应的d2维度的潜在特征,构建d2维潜在特征矩阵,利用公式表示为:
另外地,对于例如样本较多的数据集,若设定的分层维度较少,则可能会出现由于维度值骤降导致某些特定维度的特征信息消失的现象,为避免此现象发生,可先设定最终维度d和初始维度d1,而后根据初始维度d1进行维度值逐渐减小的分层处理,获取多个分层维度值,直至减小至最终维度d,例如,最终维度为d,初始维度为d1,将维度值分层处理为多个分层维度d2、d3、……,且d1>d2>d3>……>d,则此时需重复计算d2维潜在特征的步骤进行各分层维度时的潜在特征提取,直至获取d维潜在特征,构成d维的最终潜在特征矩阵。
本实施例中,采用分层策略学习各区域的潜在特征并构建各区域对应的潜在特征矩阵,可以有效保留各区域中各维度的特征信息,避免在获取潜在特征的过程中产生信息损失,导致波段选择的存在误差,实现精准的波段选择。
可选地,所述提取所述高光谱影像立方体的平均潜在特征,构建平均潜在特征矩阵包括:
构建各所述区域的平均拉普拉斯矩阵,根据所述平均拉普拉斯矩阵获取所述高光谱影像立方体的平均潜在特征,构建所述平均潜在特征矩阵。
具体地,为了避免信息损失,基于构建各所述区域对应的平均拉普拉斯矩阵,在此基础上,提取高光谱影像的原始信息,即高光谱影像立方体的平均潜在特征,构建平均潜在特征矩阵。
提取高光谱影像立方体的平均潜在特征利用公式表示为:
本实施例中,构建各所述区域对应的平均拉普拉斯矩阵,在此基础上获取高光谱影像立方体的平均潜在特征,即高光谱影像立方体的的原始特征信息,尽可能地保留了各区域的特征信息,有效减小信息损失,提高波段选择的精确性。
可选地,所述将各所述区域的潜在特征矩阵与所述平均潜在特征矩阵进行融合包括:
利用第一公式表示融合过程,所述第一公式为:
其中,Y表示潜在特征矩阵,F表示低维自表征矩阵,∈Rb×d表示平均潜在特征矩阵,N表示区域的分割数量,γ表示权重,t表示维度层数,表示第t层中第i个分割区域的权重,β表示权重大小,βi表示示第i个分割区域对低维自表征的权重大小,和分别表示第t−1层和第t层中第i个分割区域所对应的潜在特征矩阵,m为维度总层数,表示第m层中第i个分割区域所对应的特征矩阵,表示d1维潜在特征矩阵,表示d2维潜在特征矩阵,L(i)表示第i个区域的拉普拉斯矩阵。
具体地,利用第一公式将上述步骤获取的各区域对应的潜在特征矩阵和平均潜在特征矩阵进行融合,使得高光谱影像的原始信息也融合进其中,尽可能地增加了高光谱影像潜在特征的完整度,减小信息损失。
进一步地,由于很难一次性求解所有变量,因此为了提高结果的准确性,提出了一种迭代优化算法来对第一公式进行求解。
给定变量F,固定其他变量时,第一公式可转化为公式(4):
进一步地,公式(1)至公式(4)均可转化为公式(5):
其中,公式(5)可通过SVD(Singular Value Decomposition,奇异值分解算法)进行求解,但不限于该算法。
其最优解为:
另外地,β的求解方法与之类似,故不在此进行赘述。
本实施例中,将上述步骤获取的各区域对应的潜在特征矩阵和平均潜在特征矩阵进行融合,使得高光谱影像的原始信息也融合进其中,尽可能的增加了高光谱影像潜在特征的完整度,减小信息损失,提高了计算效率与波段选择精准度。
可选地,所述对所述低维自表征矩阵进行聚类,获取最优波段组合具体包括:
采用K-means算法对所述低维自表征矩阵进行聚类,获取多个簇,分别从多个所述簇中选择信息熵最大的多个波段作为最优特征波段,构建所述最优波段组合。
具体地,K-means算法对低维自表征矩阵进行聚类,其具有灵活性强、算法简单、计算效率高等特点,采用K-means算法对低维自表征矩阵进行聚类,得到若干个簇,有效提高了本实施例波段选择效率及准确性。引入信息熵作为度量指标,分别从每个簇中选择信息熵最大的波段作为特征波段,从而构建最优波段组合。
利用公式计算信息熵表示为:
本实施例中,引入信息熵作为聚类后特征波段的度量指标,有效提高特征波段的选择准确度,从而获取最优波段组合。
参照图4所示,本发明另一实施例的一种高光谱影像波段选择***,包括:
高光谱影像处理模块,所述高光谱影像处理模块用于获取高光谱影像立方体,利用PCA和超像素分割算法将所述高光谱影像立方体分割为多个区域。
潜在特征计算模块,所述潜在特征计算模块用于采用分层策略分别学***均潜在特征,构建平均潜在特征矩阵。
潜在特征融合模块,所述潜在特征融合模块用于将各所述区域的潜在特征矩阵与所述平均潜在特征矩阵进行融合,获取所述高光谱影像立方体的低维自表征矩阵。
波段选取模块,所述波段选取模块用于对所述低维自表征矩阵进行聚类,获取最优波段组合。
本发明实施例所述的高光谱影像波段选择***与上述高光谱影像波段选择方法的有益效果相近似,在此不再进行赘述。
本发明另一实施例的一种电子设备,包括存储有计算机程序的计算机可读存储介质和处理器,所述计算机程序被所述处理器读取并运行时,实现如上述所述的高光谱影像波段选择方法。
本发明实施例所述电子设备的与上述高光谱影像波段选择***及高光谱影像波段选择方法的有益效果相近似,在此不再进行赘述。
本发明实施例又一实施例的一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序被处理器执行时,实现如上述的高光谱影像波段选择方法。
本发明实施例所述的计算机可读存储介质与上述高光谱影像波段选择方法的有益效果相近似,在此不再进行赘述。
一般来说,用于实现本发明方法的计算机指令的可以采用一个或多个计算机可读的存储介质的任意组合来承载。非临时性计算机可读存储介质可以包括任何计算机可读介质,除了临时性地传播中的信号本身。
计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言,特别是可以使用适于神经网络计算的Python语言和基于TensorFlow、PyTorch等平台框架。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
虽然本发明披露如上,但本发明的保护范围并非仅限于此。本领域技术人员在不脱离本公开的精神和范围的前提下,可进行各种变更与修改,这些变更与修改均将落入本发明的保护范围。
Claims (10)
1.一种高光谱影像波段选择方法,其特征在于,包括:
S100、获取高光谱影像立方体,利用PCA和超像素分割算法将所述高光谱影像立方体分割为多个区域;
S200、采用分层策略分别学***均潜在特征,构建平均潜在特征矩阵;
S300、将各所述区域的潜在特征矩阵与所述平均潜在特征矩阵进行融合,获取所述高光谱影像立方体的低维自表征矩阵;
S400、对所述低维自表征矩阵进行聚类,获取最优波段组合。
2.根据权利要求1所述的高光谱影像波段选择方法,其特征在于,所述利用PCA和超像素分割算法将所述高光谱影像立方体分割为多个区域包括:
利用PCA对所述高光谱影像立方体进行降维处理,获取所述高光谱影像立方体的第一主成分;
采用ERS熵率超像素分割算法按照区域分割数量对所述第一主成分进行划分,获取多个所述区域。
3.根据权利要求2所述的高光谱影像波段选择方法,其特征在于,所述利用PCA和超像素分割算法将所述高光谱影像立方体分割为多个区域还包括:
根据所述第一主成分中的纹理信息确定所述区域的分割数量。
4.根据权利要求1所述的高光谱影像波段选择方法,其特征在于,在所述采用分层策略分别学习各所述区域对应的低维潜在特征,获取各所述区域的潜在特征矩阵之前,还包括:
构建各所述区域对应的相似度矩阵和拉普拉斯矩阵,并根据各所述相似度矩阵和各所述拉普拉斯矩阵获取各所述区域对应的初始维度的初始低维潜在特征,构建初始潜在特征矩阵。
5.根据权利要求4所述的高光谱影像波段选择方法,其特征在于,所述采用分层策略分别学习各所述区域对应的低维潜在特征,获取各所述区域的潜在特征矩阵包括:
S210、根据分层策略逐渐降低特征维度至最终维度,获取多个逐渐减小的分层维度;
S220、基于所述初始潜在特征矩阵,提取各所述区域对应的分层维度的潜在特征,构建分层潜在特征矩阵;
S230、重复步骤S220,且每次重复进行提取各所述区域的潜在特征的所述分层维度总小于前一次提取各所述区域的潜在特征的所述分层维度,直至构建所述最终维度的所述潜在特征矩阵,其中,所述初始维度大于所述分层维度且远大于所述最终维度。
6.根据权利要求1所述的高光谱影像波段选择方法,其特征在于,所述提取所述高光谱影像立方体的平均潜在特征,构建平均潜在特征矩阵包括:
构建各所述区域的平均拉普拉斯矩阵,根据所述平均拉普拉斯矩阵获取所述高光谱影像立方体的平均潜在特征,构建所述平均潜在特征矩阵。
7.根据权利要求6所述的高光谱影像波段选择方法,其特征在于,所述将各所述区域的潜在特征矩阵与所述平均潜在特征矩阵进行融合包括:
利用第一公式表示融合过程,所述第一公式为:
8.根据权利要求1至7任一项所述的高光谱影像波段选择方法,其特征在于,所述对所述低维自表征矩阵进行聚类,获取最优波段组合包括:
采用K-means算法对所述低维自表征矩阵进行聚类,获取多个簇,分别从多个簇中选择信息熵最大的多个波段作为最优特征波段,构建所述最优波段组合。
9.一种高光谱影像波段选择***,其特征在于,包括:
高光谱影像处理模块,所述高光谱影像处理模块用于获取高光谱影像立方体,利用PCA和超像素分割算法将所述高光谱影像立方体分割为多个区域;
潜在特征计算模块,所述潜在特征计算模块用于采用分层策略分别学***均潜在特征,构建平均潜在特征矩阵;
潜在特征融合模块,所述潜在特征融合模块用于将各所述区域的潜在特征矩阵与所述平均潜在特征矩阵进行融合,获取所述高光谱影像立方体的低维自表征矩阵;
波段选取模块,所述波段选取模块用于对所述低维自表征矩阵进行聚类,获取最优波段组合。
10.一种电子设备,其特征在于,包括存储有计算机程序的计算机可读存储介质和处理器,所述计算机程序被所述处理器读取并运行时,实现如权利要求1-7任一项所述的高光谱影像波段选择方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210652347.9A CN114743009B (zh) | 2022-06-10 | 2022-06-10 | 一种高光谱影像波段选择方法、***及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210652347.9A CN114743009B (zh) | 2022-06-10 | 2022-06-10 | 一种高光谱影像波段选择方法、***及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114743009A true CN114743009A (zh) | 2022-07-12 |
CN114743009B CN114743009B (zh) | 2022-09-02 |
Family
ID=82287989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210652347.9A Active CN114743009B (zh) | 2022-06-10 | 2022-06-10 | 一种高光谱影像波段选择方法、***及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114743009B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115457311A (zh) * | 2022-08-23 | 2022-12-09 | 宁波大学 | 一种基于自表达迁移学习的高光谱遥感影像波段选择方法 |
CN116310459A (zh) * | 2023-03-28 | 2023-06-23 | 中国地质大学(武汉) | 基于多视图空谱联合的高光谱图像子空间聚类方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8515193B1 (en) * | 2011-04-08 | 2013-08-20 | Google Inc. | Image compression using exemplar dictionary based on hierarchical clustering |
US20190171879A1 (en) * | 2017-12-04 | 2019-06-06 | Transport Planning and Research Institute Ministry of Transport | Method of extracting warehouse in port from hierarchically screened remote sensing image |
CN111161199A (zh) * | 2019-12-13 | 2020-05-15 | 中国地质大学(武汉) | 一种空谱融合的高光谱影像混合像元低秩稀疏分解方法 |
CN112163458A (zh) * | 2020-09-04 | 2021-01-01 | 江苏东晟辉科技开发有限公司 | 基于CASI高光谱与机载LiDAR融合的地物分类方法 |
CN113269201A (zh) * | 2021-04-25 | 2021-08-17 | 浙江师范大学 | 一种基于潜在特征融合的高光谱影像波段选择方法及*** |
-
2022
- 2022-06-10 CN CN202210652347.9A patent/CN114743009B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8515193B1 (en) * | 2011-04-08 | 2013-08-20 | Google Inc. | Image compression using exemplar dictionary based on hierarchical clustering |
US20190171879A1 (en) * | 2017-12-04 | 2019-06-06 | Transport Planning and Research Institute Ministry of Transport | Method of extracting warehouse in port from hierarchically screened remote sensing image |
CN111161199A (zh) * | 2019-12-13 | 2020-05-15 | 中国地质大学(武汉) | 一种空谱融合的高光谱影像混合像元低秩稀疏分解方法 |
CN112163458A (zh) * | 2020-09-04 | 2021-01-01 | 江苏东晟辉科技开发有限公司 | 基于CASI高光谱与机载LiDAR融合的地物分类方法 |
CN113269201A (zh) * | 2021-04-25 | 2021-08-17 | 浙江师范大学 | 一种基于潜在特征融合的高光谱影像波段选择方法及*** |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115457311A (zh) * | 2022-08-23 | 2022-12-09 | 宁波大学 | 一种基于自表达迁移学习的高光谱遥感影像波段选择方法 |
CN115457311B (zh) * | 2022-08-23 | 2023-08-29 | 宁波大学 | 一种基于自表达迁移学习的高光谱遥感影像波段选择方法 |
CN116310459A (zh) * | 2023-03-28 | 2023-06-23 | 中国地质大学(武汉) | 基于多视图空谱联合的高光谱图像子空间聚类方法 |
CN116310459B (zh) * | 2023-03-28 | 2024-01-19 | 中国地质大学(武汉) | 基于多视图空谱联合的高光谱图像子空间聚类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114743009B (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114743009B (zh) | 一种高光谱影像波段选择方法、***及电子设备 | |
Wang et al. | Spectral–spatial multi-feature-based deep learning for hyperspectral remote sensing image classification | |
EP2880596B1 (en) | System and method for reduced incremental spectral clustering | |
Montazer et al. | An improved radial basis function neural network for object image retrieval | |
CN111310666B (zh) | 一种基于纹理特征的高分辨率影像地物识别与分割方法 | |
WO2020062360A1 (zh) | 一种图像融合分类的方法及装置 | |
CN109858575B (zh) | 基于卷积神经网络的数据分类方法 | |
CN108182421A (zh) | 视频分割方法和装置 | |
CN113269201A (zh) | 一种基于潜在特征融合的高光谱影像波段选择方法及*** | |
CN115457311B (zh) | 一种基于自表达迁移学习的高光谱遥感影像波段选择方法 | |
CN111062428A (zh) | 一种高光谱图像的聚类方法、***及设备 | |
CN115115855A (zh) | 图像编码器的训练方法、装置、设备及介质 | |
CN110910325B (zh) | 一种基于人工蝴蝶优化算法的医疗影像处理方法及装置 | |
CN111242228A (zh) | 高光谱图像分类方法、装置、设备及存储介质 | |
Ghorbanian et al. | Clustering-Based Band Selection Using Structural Similarity Index and Entropy for Hyperspectral Image Classification. | |
CN111008652A (zh) | 一种基于gan的高光谱遥感影像分类方法 | |
CN114463636A (zh) | 一种改进的复杂背景遥感图像目标检测方法及*** | |
CN113762251A (zh) | 一种基于注意力机制的目标分类方法及*** | |
CN116310462B (zh) | 一种基于秩约束自表示的图像聚类方法及装置 | |
CN111667495A (zh) | 一种图像场景解析方法和装置 | |
CN116778339A (zh) | 局部视图辅助判别高光谱波段选择方法及*** | |
Swain et al. | Evaluation of dimensionality reduction techniques on hybrid CNN–based HSI classification | |
CN108154107B (zh) | 一种确定遥感图像归属的场景类别的方法 | |
Swain et al. | Dimensionality reduction and classification in hyperspectral images using deep learning | |
Nikolaeva | Statistical Technique in Clustering Problems |
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 |