一种基于双光谱角的波段聚类选择方法与流程

1.本发明涉及图像分析领域，尤其涉及一种基于双光谱角的波段聚类选择方法。


背景技术：

2.高光谱图像含有大量的光谱信息可以用于图像的分析，然而随着高光谱采集技术的进步，大量的精细波段数据立方中邻近波段间会存在较强的关联性，含有大量冗余信息，导致计算复杂度的提高和时间的耗损，产生维度灾难问题。
3.目前常用的降维方法从原理上可分为基于特征提取和基于波段选择两类。所述特征提取的方式，可以将原始高光谱数据投影到低维空间，但整体耗时严重，并且扭曲波段原始信息，造成物理属性的丢失。因此采用波段选择的方式进行数据降维，构造相关性低的波段子集，可在不造成物理属性丢失的前提下表征整幅高光谱图像。
4.基于聚类的方法是目前一种常用的高光谱波段选择方法，但其注重典型数据在高光谱立方体中的代表性，缺乏对数据间关联性的考虑。


技术实现要素：

5.本发明要解决的技术问题是：提供一种基于双光谱角的波段聚类选择方法，兼顾像素间的空间相关性和波段间的光谱相关性，在不牺牲物理属性信息的前提下高效表征高光谱图像的有效特征，降低后续数据处理的计算量。
6.本发明提供了一种基于双光谱角的波段聚类选择方法，包括以下步骤：
7.步骤s1：对样本图片进行预处理，得到目标像素分辨率的高光谱图像；
8.步骤s2：根据背景与中心元素的空间相关性和光谱相关性构建双光谱角特征，对原始特征和双光谱角特征进行计算；
9.步骤s3：利用原始特征和双光谱角特征分别进行聚类；
10.步骤s4：根据关联函数对聚类结果进行优化，使熵函数最小，迭代聚类结果区域稳定后结束，得到最终波段选择结果。
11.优选地，所述双光谱角包括新的光谱角和空间角。
12.优选地，所述空间角的两边为两相邻像元p
i,j
和p
i 1,j
的两个连续波段b
k-1
和bk，所获得的两个向量[b
i,j,k-1
,b
i,j,k
]和[b
i 1,j,k-1
,b
i 1,j,k
]在以bk为横轴、以b
k-1
为纵轴的坐标系中形成一个特定的角度；
[0013]
对于一个邻域中心元素b
i,j,k
有8个角度与之相连，形成8个空间角；
[0014]
其中，bk表示像素p
i,j
的第k个波段；b
i,j,k
表示图像立方体的中心。
[0015]
优选地，所述新的光谱角的两边为两相邻像元p
i,j
和p
i 1,j
的两个连续波段b
k-1
和bk，所获得的两个向量[b
i,j,k-1
,b
i,j,k
]和[b
i 1,j,k-1
,b
i 1,j,k
]在以bk为横轴、以b
k-1
为纵轴的坐标系中形成一个特定的角度；
[0016]
对于一个邻域中心元素b
i,j,k
有8个角度与之相连，形成为8个新的光谱角。
[0017]
优选地，所述步骤s2中：将中心元素的8个空间角和8个新的光谱角分别取平均值
得到空间角和新的光谱角第k个波段的双光谱角算子定义为：
[0018]
其中，n＝w
×
h。
[0019]
优选地，所述步骤s3中，
[0020]
对原始特征和双光谱角特征分别建立目标函数和熵函数，利用目标函数进行聚类，利用熵函数度量两个聚类结果的关联性。
[0021]
优选地，所述步骤s4中，
[0022]
引入关联函数使其最小化，得到更高关联性的聚类结果，每一个波段会被重新聚类到两个新的聚类集中，根据重新构建的聚类中心迭代计算，直到得到最终波段选择结果。
[0023]
与现有技术相比，本发明的一种基于双光谱角的波段聚类选择方法，选择基于聚类的波段选择方法，在不牺牲物理属性的前提下有效缩减数据量；构建双光谱角算子作为次聚类过程的特征，保证聚类结果的空间和光谱相关性。与现有多种高光谱数据降维方式进行对比，本发明方法的波段子集在很少数据的情况下就能得到较好的分类结果，证明在未牺牲主要物理信息的情况下完成了数据降维工作。
附图说明
[0024]
图1表示双光谱角示意图；
[0025]
图2～5表示各分类算法结果。
具体实施方式
[0026]
为了进一步理解本发明，下面结合实施例对本发明的实施方案进行描述，但是应当理解，这些描述只是为进一步说明本发明的特征和优点，而不是对本发明的限制。
[0027]
在本发明中，高光谱图像立方体含有l个波段，面积为w
×
h，如图1所示，选择3
×3×
3的图像立方体，其中包含9个像元和3个波段。用bk表示像素p
i,j
的第k个波段，则该立方体的中心可表示为b
i,j,k
，立方体中其他元素定义为中心元素b
i,j,k
的背景，根据背景与中心元素的空间相关性和光谱相关性构建双光谱角特征。
[0028]
光谱角的两条向量为v1和v2，光谱角sa定义为：
[0029][0030]
将v1和v2扩展为双波段和双像元，将光谱角扩展为新的光谱角和空间角。
[0031]
本发明的实施例公开了一种基于双光谱角的波段聚类选择方法，包括以下步骤：
[0032]
步骤s1：对样本图片进行预处理，得到目标像素分辨率的高光谱图像；
[0033]
步骤s2：根据背景与中心元素的空间相关性和光谱相关性构建双光谱角特征，对原始特征和双光谱角特征进行计算；
[0034]
所述双光谱角包括新的光谱角和空间角；
[0035]
如图1所示，所述空间角的两边为两相邻像元p
i,j
和p
i 1,j
的两个连续波段b
k-1
和bk，所获得的两个向量[b
i,j,k-1
,b
i,j,k
]和[b
i 1,j,k-1
,b
i 1,j,k
]在以bk为横轴、以b
k-1
为纵轴的坐标
系中形成一个特定的角度；
[0036]
对于一个邻域中心元素b
i,j,k
有8个角度与之相连，形成8个空间角；
[0037]
其中，bk表示像素p
i,j
的第k个波段；b
i,j,k
表示图像立方体的中心。
[0038]
所述新的光谱角的两边为两相邻像元p
i,j
和p
i 1,j
的两个连续波段b
k-1
和bk，所获得的两个向量[b
i,j,k-1
,b
i,j,k
]和[b
i 1,j,k-1
,b
i 1,j,k
]在以bk为横轴、以b
k-1
为纵轴的坐标系中形成一个特定的角度；
[0039]
对于一个邻域中心元素b
i,j,k
有8个角度与之相连，形成为8个新的光谱角。
[0040]
将中心元素的8个空间角和8个新的光谱角分别取平均值得到空间角和新的光谱角第k个波段的双光谱角算子定义为：
[0041][0042]
其中，n＝w
×
h。
[0043]
步骤s3：利用原始特征和双光谱角特征分别进行聚类；
[0044]
对原始特征和双光谱角特征分别建立目标函数和熵函数，利用目标函数进行聚类，利用熵函数度量两个聚类结果的关联性。
[0045]
步骤s4：根据关联函数对聚类结果进行优化，使熵函数最小，迭代聚类结果区域稳定后结束，得到最终波段选择结果。
[0046]
所述步骤s4中，具体地；
[0047]
引入关联函数使其最小化，得到更高关联性的聚类结果，每一个波段会被重新聚类到两个新的聚类集中，根据重新构建的聚类中心迭代计算，直到得到最终波段选择结果。
[0048]
本发明构建新的双光谱角算子，兼顾像素间的空间相关性和波段间的光谱相关性，作为辅助特征进行聚类。
[0049]
根据上述研究路线编写处理算法，选用aviris探测器在印第安纳采集的高光谱数据集进行测试，其中包含145
×
145个像元，220个波段。对其中9中地物类型各随机选择了100个样本进行实验，与现有多种高光谱数据降维方式进行对比，包括：基于svm的降维方法，基于knn的降维方法，基于cart算法的降维方法，基于朴素贝叶斯算法的降维方法，将各降维方式得到的结果应用于高光谱图像分类算法，得到的结果如图2～5所示，基于双光谱角的波段聚类选择方法的波段子集在很少数据的情况下就能得到较好的分类结果，证明在未牺牲主要物理信息的情况下完成了数据降维工作。
[0050]
以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
[0051]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。