專利名稱：一種小樣本高光譜圖像蒙特卡羅特征降維方法
技術領域：
本發(fā)明涉及的是ー種高光譜圖像分類方法，具體的說是ー種小樣本高光譜圖像蒙特卡羅特征降維方法。
背景技術：
高光譜圖像分類作為高光譜圖像處理的基礎應用，長期以來受到各國專家學者以及工程技術人員的廣泛關注。隨著高光譜遙感技術的不斷發(fā)展，高光譜掃描儀的光譜分辨率不斷提升，相對于多光譜遙感而言，高光譜圖像提供的地物光譜信息更加豐富，使其對地物的分辨更加準確。其較高的光譜分辨率在增強地物細微差別分辨能力的同時也帶來了維
數災難(Hughes現象)，這種現象嚴重影響了高光譜圖像分類的精度。造成這種現象的主要原因是，相對于高光譜圖像的高維數，各類別地物訓練樣本的嚴重不足。解決這種現象的方法通常有兩種，ー種方法是增加訓練樣本個數，另ー種方法是對原始高光譜圖像進行特征降維處理。然而在實際情況中，并不能提供大量的訓練樣本以滿足高光譜圖像高維數的需求，因此人們多采用高光譜圖像特征降維這一方法。近年來，多種特征選擇算法被相繼應用到高維數據處理中，比較有代表性的有基于反向偏最小二乗法(BiPLS)的模擬退火特征波長選擇算法，基于正交投影散度的波段選擇算法，ReliefF特征選擇算法，以及信息増益特征選擇算法。這些特征選擇算法選擇對分類貢獻較大的一些特征波段，減少了高維數據中存在的冗余特征，但卻無法給出最佳特征選擇個數，這種情況為高光譜圖像的處理帶來了極大的困難與不便。

發(fā)明內容
本發(fā)明的目的在于提供一種能夠提高數據處理的可靠性、便利性的一種小樣本高光譜圖像蒙特卡羅特征降維方法。本發(fā)明的目的是這樣實現的小樣本高光譜圖像蒙特卡羅特征降維方法，包括下列步驟步驟I :蒙特卡羅特征降維算法特征參量的選??；步驟2 :蒙特卡羅特征降維算法隨機數的生成；步驟3 :蒙特卡羅特征參量的統(tǒng)計估計；其特征是所述步驟I包括下列步驟(I)在當前樣本標號下計算每個特征波段的類內緊密性系數；(2)在當前樣本標號下計算每個特征波段的類間分離性系數；(3)設定類內緊性與類間分離性調節(jié)因子α，即當α = O吋，類內緊性與類間分離性系數完全由類間分離性系數決定，當α = I時，類內緊性與類間分離性系數完全由類內緊密性系數決定；(4)計算每個特征波段的類內緊性與類間分離性系數；
所述步驟2包括下列步驟(I)利用Logistic迭代方程產生大量的隨機數；(2) Logistic迭代方程產生的隨機數的取值范圍是
，需要將迭代方程產生的隨機數進行數字化處理；(3)將數字化處理后的隨機數用于樣本序號的抽取與排序，產生大量的蒙特卡羅隨機實驗，用于特征選取；
所述步驟3包括下列步驟(I)根據選取的特征參量計算方法，計算每個特征波段在原始樣本標號下的特征
參量值；(2)利用蒙特卡羅方法產生的隨機數，對原樣本標號進行隨機抽取與排序，生成具有隨機性的樣本標號，在新的樣本標號下，計算原樣本的特征參量；(3)將樣本在原始樣本標號下計算得到的特征參量，與樣本在大量隨機標號下計算得到的特征參量作為統(tǒng)計估計的輸入，得到蒙特卡羅降維方法的最優(yōu)降維維數，選擇出原始樣本中的重要特征波段。本發(fā)明方法的優(yōu)點在于可靠性方面采用類內緊性與類間分離性系數作為蒙特卡羅特征降維算法的特征參量。高光譜圖像每個特征波段對圖像處理的重要程度體現在在已知樣本標號下，該特征波段的類內緊密性及類間分離性之間的關系。為此本發(fā)明在選取特征參量吋，同時考慮了高光譜圖像的類內緊性與類間分離性，使得選取的特征波段對于同類樣本可以緊密聚類，不同類別之間具有較大的距離，提高了數據進ー步處理的可靠性。便利性方面通常的特征波段選擇算法無法給出最優(yōu)降維波段數，使得這些算法在應用時需要人為設定選取的特征波段個數，從而增加了圖像處理過程中的復雜性，同時選取的特征波段個數也會對圖像的后續(xù)處理產生極大的影響。本發(fā)明提出的蒙特卡羅特征降維方法可以自適應的給出最優(yōu)降維波段個數，選取原始高光譜圖像中的重要特征波段用于圖像的后續(xù)處理，提高了高維數據處理的便利性。為驗證本專利提出降維算法的性能，分別使用支持向量機(SVM)和相關向量機(RVM)對最優(yōu)降維波段數和降維后的分類精度進行測試，如表I和表2所示。實驗結果再次肯定了本發(fā)明專利提出降維算法在處理高維數據時的有效性。表I支持向量機和蒙特卡羅-支持向量機總體分類精度的比較表格

權利要求
1.一種小樣本高光譜圖像蒙特卡羅特征降維方法，包括下列步驟 步驟I:蒙特卡羅特征降維算法特征參量的選?。? 步驟2 :蒙特卡羅特征降維算法隨機數的生成； 步驟3 :蒙特卡羅特征參量的統(tǒng)計估計； 其特征是 所述步驟I包括下列步驟 (1)在當前樣本標號下計算每個特征波段的類內緊密性系數； (2)在當前樣本標號下計算每個特征波段的類間分離性系數； (3)設定類內緊性與類間分離性調節(jié)因子α，即當a=O時，類內緊性與類間分離性系數完全由類間分離性系數決定，當α = I時，類內緊性與類間分離性系數完全由類內緊S性系數決定； (4)計算每個特征波段的類內緊性與類間分離性系數； 所述步驟2包括下列步驟 (1)利用Logistic迭代方程產生大量的隨機數； (2)Logistic迭代方程產生的隨機數的取值范圍是
，需要將迭代方程產生的隨機數進行數字化處理； (3)將數字化處理后的隨機數用于樣本序號的抽取與排序，產生大量的蒙特卡羅隨機實驗，用于特征選??； 所述步驟3包括下列步驟 (1)根據選取的特征參量計算方法，計算每個特征波段在原始樣本標號下的特征參量值； (2)利用蒙特卡羅方法產生的隨機數，對原樣本標號進行隨機抽取與排序，生成具有隨機性的樣本標號，在新的樣本標號下，計算原樣本的特征參量； (3)將樣本在原始樣本標號下計算得到的特征參量，與樣本在大量隨機標號下計算得到的特征參量作為統(tǒng)計估計的輸入，得到蒙特卡羅降維方法的最優(yōu)降維維數，選擇出原始樣本中的重要特征波段。
全文摘要
本發(fā)明的目的在于提供一種小樣本高光譜圖像蒙特卡羅特征降維方法，具體步驟是:1.蒙特卡羅特征降維算法特征參量的選??；2.蒙特卡羅特征降維算法隨機數的生成；3.蒙特卡羅特征參量的統(tǒng)計估計。本方法在選取特征參量時，考慮了高光譜圖像的類內緊性與類間分離性，提高了數據進一步處理的可靠性；同時本方法可以自適應的給出最優(yōu)降維波段個數，選取原始高光譜圖像中的重要特征波段用于圖像的后續(xù)處理，提高了高維數據處理的便利性。
文檔編號G06K9/62GK102663438SQ20121014002
公開日2012年9月12日 申請日期2012年5月8日 優(yōu)先權日2012年5月8日
發(fā)明者李曉慧, 王玉磊, 王立國, 趙春暉, 齊濱 申請人:哈爾濱工程大學