專(zhuān)利名稱(chēng)：基于時(shí)間序列重要點(diǎn)分析的高光譜遙感圖像波段選擇方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖像處理領(lǐng)域，尤其是涉及一種高光譜遙感圖像波段選擇方法。
背景技術(shù)：
隨著科學(xué)技術(shù)的快速發(fā)展和航空航天技術(shù)及遙感科學(xué)的飛速進(jìn)步，可獲取的高光 譜遙感數(shù)據(jù)正以驚人的速度增長(zhǎng)，如何處理與利用這樣豐富的光譜信息，又希望提高學(xué)習(xí) 效率和速度，是人們研究的熱門(mén)課題。處理高光譜遙感數(shù)據(jù)一個(gè)最重要的前提是要對(duì)波段 數(shù)目進(jìn)行降維，常用的降維方式分為特征提取與特征選擇，此時(shí)特征選擇即波段選擇。通常 特征提取會(huì)改變光譜波段的原始物理意義，不利于地物反演，因此許多研究者為了充分利 用高光譜遙感的豐富波段信息，積極研究波段選擇方法。目前的波段選擇方法較多，如常用的搜索算法，有窮舉搜索法、順序前進(jìn)或后退 法、分支定界法等。這類(lèi)方法用于維數(shù)不多的特征選擇時(shí)，計(jì)算量與計(jì)算復(fù)雜度都還可以接 受，但是用于成百上千的高光譜圖像波段選擇時(shí)，由于計(jì)算效率較低而不實(shí)用。劉春紅等人 [劉春紅，趙春暉，張凌雁一種新的高光譜遙感圖像降維方法.中國(guó)圖象圖形學(xué)報(bào)，2005， 10(2) :218_222]便提出了 自適應(yīng)波段選擇方法(ABS，Adaptive Band Selection)。該方 法充分考慮了高光譜圖像的空間相關(guān)性和譜間相關(guān)性，并通過(guò)計(jì)算各個(gè)波段的指數(shù)來(lái)選擇 信息量大并且與其他波段相關(guān)性小的波段，效果較好，其計(jì)算復(fù)雜度也大大降低，但是這種 方法選擇出的波段分布不均勻，有信息損失，不能充分利用高光譜圖像豐富的光譜信息。還 有人[Chavez P S, Berlin G L, Sowers L B-Statistical method for selectingLandsat MSS ratios. Journal of applied photographic engineering，1982，1 (8) :23_30.]提出 基于信息量的最佳波段選擇方法，通過(guò)計(jì)算高光譜圖像的熵與聯(lián)合熵、組合波段的協(xié)方差 矩陣行列式或者最佳指數(shù)(0IF，Optimum Index Factor)，并將這些反應(yīng)信息量的指標(biāo)值按 照從大到小的順序排序，根據(jù)需要選擇最優(yōu)組合波段。這些計(jì)算指標(biāo)通常都能找到信息量 最大的波段組合，但是都沒(méi)有考慮到不同地物類(lèi)別之間在組合波段上區(qū)分的難易度。而劉 建平等人[劉建平，趙英時(shí)，孫淑玲高光譜遙感數(shù)據(jù)最佳波段選擇方法試驗(yàn)研究.遙感信 息，2001，1(1) :7-13.]針對(duì)這個(gè)問(wèn)題提出了基于類(lèi)間可分性的最佳波段組合選擇方法。實(shí) 驗(yàn)證明此類(lèi)方法能夠找到最佳波段組合，實(shí)現(xiàn)維數(shù)降低。但是在實(shí)際應(yīng)用中，存在一定的局 限性，并不能總是找到最優(yōu)組合，而且不適用于高維數(shù)據(jù)。王立國(guó)等人[王立國(guó)，谷延鋒， 張曄基于支持向量機(jī)和子空間劃分的波段選擇方法.系統(tǒng)工程與電子技術(shù)，2005，27 (6) 974-977.]提出了基于支持向量機(jī)和子空間劃分的波段選擇方法，該方法通過(guò)對(duì)支持向量 機(jī)判決函數(shù)進(jìn)行敏感度分析，同時(shí)對(duì)數(shù)據(jù)源進(jìn)行子空間劃分，然后結(jié)合敏感度分析結(jié)果和 子空間劃分結(jié)果來(lái)實(shí)現(xiàn)有效的波段選擇。此方法有效去除了冗余，并大幅度的提高了分類(lèi) 精度，可行有效，但計(jì)算過(guò)程復(fù)雜。綜上所述，現(xiàn)有的高光譜遙感圖像波段選擇方法均存在計(jì)算復(fù)雜度高的問(wèn)題，對(duì) 圖像處理系統(tǒng)的軟、硬件配置也提出了極高的要求。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種計(jì)算復(fù)雜度低、實(shí)現(xiàn)過(guò)程方便快捷的高光譜遙感圖像 波段選擇方法。本發(fā)明是通過(guò)將時(shí)間序列分析方法引入高光譜遙感圖像的波段選擇來(lái)實(shí)現(xiàn)上述 目的。下面先對(duì)時(shí)間序列分析方法的原理和內(nèi)容進(jìn)行簡(jiǎn)單介紹時(shí)間序列分析方法是一種動(dòng)態(tài)數(shù)據(jù)處理的統(tǒng)計(jì)方法。從統(tǒng)計(jì)的意義上講，所謂時(shí) 間序列，就是根據(jù)某一個(gè)指標(biāo)在不同的時(shí)間上順序記錄的一系列的數(shù)據(jù)。嚴(yán)格按照上述定 義來(lái)說(shuō)，時(shí)間序列數(shù)據(jù)都是按照時(shí)間順序變化的，但是王振龍[王振龍時(shí)間序列分析.北 京中國(guó)統(tǒng)計(jì)出版社，2000.]提出只要觀測(cè)量按照一定的順序排列而成均可認(rèn)為是時(shí)間序 列。那么引申而出，一定的順序可以是時(shí)間順序，也可以是其他物理意義的物理量，例如長(zhǎng) 度，溫度，速度等。因此，時(shí)間序列只強(qiáng)調(diào)順序的重要性，而沒(méi)有強(qiáng)調(diào)必須要用時(shí)間順序排 列，因此完全可以將時(shí)間序列與高光譜遙感圖像數(shù)據(jù)聯(lián)系起來(lái)。以Washington DC Mall數(shù) 據(jù)集的為例，下表是其中第一類(lèi)中一個(gè)樣本點(diǎn)的數(shù)據(jù)波段號(hào)12 ...190191波段值0. 757223 0.824438 … 0.479944 0.490868對(duì)于上表中的數(shù)據(jù)，如果看成是樣本的波段值按照波段號(hào)這個(gè)遞增的順序排列而 成，那么它就是一個(gè)時(shí)間序列，這樣，不僅符合了時(shí)間序列的定義，而且為分析高光譜圖像 數(shù)據(jù)提供了更加簡(jiǎn)單直觀的工具，依次類(lèi)推，高光譜圖像的數(shù)據(jù)集實(shí)際上就是由多個(gè)時(shí)間 序列組成的。如Washington DC Mall數(shù)據(jù)集分成訓(xùn)練集與測(cè)試集，訓(xùn)練集樣本總共有4428 個(gè)，也就是訓(xùn)練集中有4428個(gè)時(shí)間序列。而每個(gè)時(shí)間序列都是191個(gè)“時(shí)間”點(diǎn)，有191個(gè) 數(shù)值，屬于離散時(shí)間序列。一般來(lái)說(shuō)，時(shí)間序列往往具有某種趨勢(shì)性或者呈現(xiàn)出一定的周期性。那么如何根 據(jù)這些時(shí)間序列找出其隱含的趨勢(shì)性、周期性與內(nèi)在統(tǒng)計(jì)規(guī)律，則是時(shí)間序列分析要解決 的問(wèn)題。時(shí)間序列分析在很多領(lǐng)域都有極其重要的作用，而在高光譜圖像處理中，則很少有 人引用時(shí)間序列分析。肖輝和胡運(yùn)發(fā)[肖輝，胡運(yùn)發(fā)基于分段時(shí)間彎曲距離的時(shí)間序列挖掘，計(jì)算 機(jī)研究與發(fā)展，2005，42(1) 72-77]提出在數(shù)據(jù)挖掘領(lǐng)域，時(shí)間序列的極值點(diǎn)通常帶有 比較多的信息，具有重要分析意義。Perng c s等人[Perng c s，Wang h，Zhang s r, et al Landmarks :a new model for similarity-based pattern querying in time series databases. Proceedings of the 16th International Conference on Data Engineering, San Diego IEEE, 2000 =33-42.]則根據(jù)時(shí)間序列的關(guān)鍵點(diǎn)(與極值點(diǎn)類(lèi) 似)進(jìn)行相似性匹配，大大加速了搜索速度，證明了關(guān)鍵點(diǎn)的重要處理價(jià)值。周黔、吳鐵軍 [周黔，吳鐵軍基于重要點(diǎn)的時(shí)間序列趨勢(shì)特征提取方法.浙江大學(xué)學(xué)報(bào)，2007,41(11) 1782-1787.]提出時(shí)間序列重要點(diǎn)的概念，并將其應(yīng)用于時(shí)間序列趨勢(shì)特征提取中，效果較 好。關(guān)鍵點(diǎn)與重要點(diǎn)都與時(shí)間序列的極值點(diǎn)非常類(lèi)似，它們都帶有時(shí)間序列本身重要的信 息，對(duì)分析時(shí)間序列有重要作用，因此這些點(diǎn)可認(rèn)為是重要信息點(diǎn)。時(shí)間序列的重要點(diǎn)描述 了時(shí)序的趨勢(shì)變化特征，本身帶有重要信息，因此完全可以在波段選擇中引入重要點(diǎn)分析， 達(dá)到降低數(shù)據(jù)維數(shù)，且保持分類(lèi)精度的目的。通過(guò)實(shí)際試驗(yàn)觀察發(fā)現(xiàn)，高光譜遙感圖像樣 本數(shù)據(jù)的時(shí)間序列曲線趨勢(shì)特征復(fù)雜，上下波動(dòng)頻繁，噪聲較多，不利于后期的重要點(diǎn)的提
5取，因此需要進(jìn)行去噪預(yù)處理，本發(fā)明選擇小波變換的方法來(lái)進(jìn)行去噪預(yù)處理。綜上所述，可以得到本發(fā)明的技術(shù)方案如下一種基于時(shí)間序列重要點(diǎn)分析的高光譜遙感圖像波段選擇方法，其特征在于，包 括以下各步驟步驟1)通過(guò)K-means聚類(lèi)方法將原始高光譜遙感圖像數(shù)據(jù)聚類(lèi)成K個(gè)類(lèi)別，并保 留每個(gè)類(lèi)別的聚類(lèi)中心；步驟2)將步驟1得到的所有聚類(lèi)中心看成一系列的時(shí)間序列，用小波變換的方法 對(duì)每一時(shí)間序列進(jìn)行平滑去噪處理；步驟3)分別提取步驟2得到的平滑去噪處理后的時(shí)間序列中的重要點(diǎn)，然后將得 到的所有重要點(diǎn)進(jìn)行合并，合并后保留的重要點(diǎn)所對(duì)應(yīng)的波段即為選擇的波段；其中所述 重要點(diǎn)的定義為對(duì)于時(shí)間序列叉二^仏)^,!!是時(shí)間序列X的長(zhǎng)度，ti表示第i個(gè)時(shí)間坐標(biāo)， x(ti)表示時(shí)間序列在第i個(gè)時(shí)間坐標(biāo)的取值；定義X的第q個(gè)重要點(diǎn)jtD=i(^J，其中 PqG {1,2,…，n}表示第q個(gè)重要點(diǎn)在時(shí)間序列中的位置，為滿(mǎn)足以下條件的數(shù)據(jù)
占. 或者 或者 或者本發(fā)明方案中采用的小波變換方法是現(xiàn)有技術(shù)，具體內(nèi)容可參見(jiàn)文獻(xiàn) [Daubechies,I. 1992. Ten Lectures on Wavelets. Society for Industrial and Applied Mathematics, Philadelphia, PA, USA]。在使用小波變換方法進(jìn)行去噪處理時(shí)，小波基函數(shù) 的選擇和分解層次的確定直接影響到去噪的效果，經(jīng)大量實(shí)驗(yàn)發(fā)現(xiàn)，選擇sym4小波基函數(shù) 進(jìn)行分解，分解層數(shù)為4效果最佳。上述技術(shù)方案中所使用的K-means聚類(lèi)方法是圖像處理領(lǐng)域常用的方法，主要 目的是將n個(gè)數(shù)據(jù)對(duì)象最后分成k個(gè)聚類(lèi)，并且使得每個(gè)類(lèi)別中的數(shù)據(jù)點(diǎn)到該聚類(lèi)中 心的平方和最小。它屬于無(wú)監(jiān)督的聚類(lèi)方法，無(wú)需事先知道樣本的輸入順序，因此它不 僅可以處理大的數(shù)據(jù)集，而且也是相對(duì)可伸縮的和高效率的。K-means聚類(lèi)方法的具體 內(nèi)容可參見(jiàn)文獻(xiàn)[J. B. McQueen, Some methods of classification and analysis of
6multivariateobservations, Proc.5th Berkeley Symp. on Mathematical Statistics and Probability, 1967, vol. 1 :281_297.]，此處不再贅述。在使用K_means聚類(lèi)方法時(shí)，需要用 戶(hù)事先確定聚類(lèi)數(shù)目K的取值，往往K的值需要根據(jù)個(gè)人經(jīng)驗(yàn)多次嘗試，才能找到最佳的聚 類(lèi)個(gè)數(shù)K，如果用戶(hù)給出的K的取值不恰當(dāng)，會(huì)影響到最終聚類(lèi)的效果，進(jìn)而導(dǎo)致波段選擇 的準(zhǔn)確性下降。 針對(duì)K-means聚類(lèi)算法本身的一些缺陷，為了實(shí)現(xiàn)聚類(lèi)過(guò)程完全自動(dòng)化，本發(fā)明 提出在K-means算法的基礎(chǔ)之上使用DBI (Davies-Bouldin Index)有效性指標(biāo)來(lái)進(jìn)行最佳 聚類(lèi)數(shù)目K的確定。DBI指標(biāo)是一種聚類(lèi)有效性的指標(biāo)，主要是關(guān)于同一類(lèi)中所有樣本的緊 密程度與不同類(lèi)樣本之間分散程度的一個(gè)函數(shù)。DBI指標(biāo)主要就是利用幾何原理，通過(guò)分別 計(jì)算同一類(lèi)別樣本之間的相似性及不同類(lèi)別之間的相異性，再取它們的比值，然后根據(jù)此 比值(即DBI值)來(lái)評(píng)價(jià)聚類(lèi)的效果。當(dāng)同類(lèi)樣本之間的相似性大，不同類(lèi)別之間的相異 性大的時(shí)候，DBI值較小，表示聚類(lèi)效果較好。 其中， d^j = || Vi-Vj ||Si表示第i類(lèi)樣本之間的相似度&表示第j類(lèi)樣本之間的相似度；dy表示第i 類(lèi)樣本與第j類(lèi)聚類(lèi)中心之間的距離；K表示聚類(lèi)數(shù)目而表示屬于第i類(lèi)的樣本個(gè)數(shù)；Vi 表示第i個(gè)聚類(lèi)的類(lèi)別中心；\表示第j個(gè)聚類(lèi)的類(lèi)別中心；x表示屬于第i類(lèi)的各個(gè)樣本； i和j均為大于0且小于等于K的整數(shù)；公式中所用的距離計(jì)算方法都是指歐幾里德距離。因此可以在K-means聚類(lèi)過(guò)程中，通過(guò)不斷計(jì)算DBI的值，找到最小DBI對(duì)應(yīng)的聚 類(lèi)，這個(gè)聚類(lèi)結(jié)果就是最佳聚類(lèi)結(jié)果，相應(yīng)的K值就是最佳聚類(lèi)數(shù)目?？梢愿鶕?jù)具體數(shù)據(jù) 集設(shè)定一個(gè)K的初始值，一直不斷的增加到某一預(yù)先設(shè)定的閾值，本發(fā)明的技術(shù)方案中，K 的初始值取2，考慮到計(jì)算復(fù)雜度和計(jì)算效率，建議預(yù)先設(shè)定的閾值范圍為10-50之間的整 數(shù)；具體的聚類(lèi)按照如下各步驟步驟101)設(shè)定聚類(lèi)數(shù)目K的初始值為2 ；步驟102)判斷K是否小于或等于一個(gè)預(yù)先設(shè)定的閾值，如是，則在樣本數(shù)據(jù)中等 間隔的取K個(gè)聚類(lèi)中心，繼續(xù)執(zhí)行步驟103 ；如否，則轉(zhuǎn)而執(zhí)行步驟107 ；步驟103)分別計(jì)算各個(gè)樣本點(diǎn)到各個(gè)聚類(lèi)中心的距離，并且將它歸類(lèi)到距離最 近的類(lèi)別中；步驟104)將所有樣本點(diǎn)都?xì)w類(lèi)完之后，再重新計(jì)算K個(gè)類(lèi)別的聚類(lèi)中心；步驟105)比較新計(jì)算的聚類(lèi)中心與前一次計(jì)算的聚類(lèi)中心，如果聚類(lèi)中心有改 變，則轉(zhuǎn)向步驟103 ；否則，轉(zhuǎn)向步驟106 ；步驟106)按照以下公式計(jì)算此時(shí)的DBI的值，然后設(shè)置K = K+1，轉(zhuǎn)至步驟102
其中，S, Si表示第i類(lèi)樣本之間的相似度&表示第j類(lèi)樣本之間的相似度；dy表示第i 類(lèi)樣本與第j類(lèi)聚類(lèi)中心之間的距離；K表示聚類(lèi)數(shù)目而表示屬于第i類(lèi)的樣本個(gè)數(shù)；Vi 表示第i個(gè)聚類(lèi)的類(lèi)別中心；\表示第j個(gè)聚類(lèi)的類(lèi)別中心；x表示屬于第i類(lèi)的各個(gè)樣本； i和j均為大于0且小于等于K的整數(shù)；公式中所用的距離計(jì)算方法都是指歐幾里德距離；步驟107)比較所有的DBI的值，找出最小DBI值所對(duì)應(yīng)的K，并輸出該K值時(shí)的聚 類(lèi)結(jié)果。本發(fā)明通過(guò)基于DBI的K-means聚類(lèi)方法將高光譜遙感圖像數(shù)據(jù)樣本聚類(lèi)成K個(gè) 類(lèi)別，并使用小波分析進(jìn)行去噪處理，再基于時(shí)間序列分析進(jìn)行重要點(diǎn)的提取，以實(shí)現(xiàn)特征 波段的選擇。相比現(xiàn)有技術(shù)，本發(fā)明方法具有計(jì)算復(fù)雜度低、實(shí)現(xiàn)過(guò)程方便快捷的優(yōu)點(diǎn)，并 為高維數(shù)據(jù)的降維提供了一種全新的思路。


圖1為本發(fā)明方法的流程圖。
具體實(shí)施例方式下面結(jié)合附圖對(duì)本發(fā)明的技術(shù)方案進(jìn)行詳細(xì)說(shuō)明此處仍使用HYDICE光譜儀所獲取的Washington DC Mall地區(qū)的公共測(cè)試圖像數(shù) 據(jù)為例來(lái)具體說(shuō)明本發(fā)明的具體實(shí)施方式
。該圖像數(shù)據(jù)的波長(zhǎng)范圍為0. 40 y m至2. 40 y m, 共包含210個(gè)連續(xù)的波段，去除了無(wú)效波段后，剩余191個(gè)有效波段。該圖像中包含草地、 屋頂以及道路等七種類(lèi)別，已經(jīng)手工標(biāo)出137個(gè)已知地面真實(shí)類(lèi)別的區(qū)域，為保證訓(xùn)練和 測(cè)試數(shù)據(jù)集的不重疊，取其中序號(hào)為奇數(shù)的標(biāo)注區(qū)域作為訓(xùn)練樣本，序號(hào)為偶數(shù)的標(biāo)注區(qū) 域作為測(cè)試樣本。使用本發(fā)明的方法對(duì)該圖像進(jìn)行波段選擇，如附圖1所示，具體按照以下各步驟步驟1)通過(guò)基于DBI的K-means聚類(lèi)方法將原始高光譜遙感圖像數(shù)據(jù)聚類(lèi)成K 個(gè)類(lèi)別，并保留每個(gè)類(lèi)別的聚類(lèi)中心；本步驟具體包括以下各步驟步驟101)設(shè)定聚類(lèi)數(shù)目K的初始值為2 ；步驟102)判斷K是否小于或等于一個(gè)預(yù)先設(shè)定的閾值，如是，則在樣本數(shù)據(jù)中等 間隔的取K個(gè)聚類(lèi)中心，繼續(xù)執(zhí)行步驟103 ；如否，則轉(zhuǎn)而執(zhí)行步驟107 ；本具體實(shí)施方式
中，所述預(yù)先設(shè)定的閾值取值為30 ；步驟103)分別計(jì)算各個(gè)樣本點(diǎn)到各個(gè)聚類(lèi)中心的距離，并且將它歸類(lèi)到距離最 近的類(lèi)別中；步驟104)將所有樣本點(diǎn)都?xì)w類(lèi)完之后，再重新計(jì)算K個(gè)類(lèi)別的聚類(lèi)中心；步驟105)比較新計(jì)算的聚類(lèi)中心與前一次計(jì)算的聚類(lèi)中心，如果聚類(lèi)中心有改變，則轉(zhuǎn)向步驟103 ；否則，轉(zhuǎn)向步驟106 ；步驟106)按照以下公式計(jì)算此時(shí)的DBI的值，然后設(shè)置K = K+1，轉(zhuǎn)至步驟102 Si表示第i類(lèi)樣本之間的相似度&表示第j類(lèi)樣本之間的相似度；dy表示第i 類(lèi)樣本與第j類(lèi)聚類(lèi)中心之間的距離；K表示聚類(lèi)數(shù)目而表示屬于第i類(lèi)的樣本個(gè)數(shù)；Vi 表示第i個(gè)聚類(lèi)的類(lèi)別中心；\表示第j個(gè)聚類(lèi)的類(lèi)別中心；x表示屬于第i類(lèi)的各個(gè)樣本； i和j均為大于0且小于等于K的整數(shù)；公式中所用的距離計(jì)算方法都是指歐幾里德距離；步驟107)比較所有的DBI的值，找出最小DBI值所對(duì)應(yīng)的K，并輸出該K值時(shí)的聚 類(lèi)結(jié)果。在本具體實(shí)施方式
中，K的取值與相應(yīng)的DBI之間的關(guān)系如下表 從上表中可以發(fā)現(xiàn)，在K= 11時(shí)，獲得最小的DBI的值，是0.751972，也就是說(shuō)， Washington DC Mall數(shù)據(jù)集的訓(xùn)練樣本在聚成11類(lèi)的時(shí)候，各類(lèi)之間相異性大，同類(lèi)之間 相似性大，這樣聚類(lèi)最合理，因此最佳聚類(lèi)個(gè)數(shù)為11。步驟2)將步驟1得到的所有聚類(lèi)中心看成一系列的時(shí)間序列，用小波變換的方法 對(duì)每一時(shí)間序列進(jìn)行平滑去噪處理；本具體實(shí)施方式
中，選擇sym4小波基函數(shù)進(jìn)行分解，分解層數(shù)為4 ；步驟3)分別提取步驟2得到的平滑去噪處理后的時(shí)間序列中的重要點(diǎn)，然后將得 到的所有重要點(diǎn)進(jìn)行合并，合并后保留的重要點(diǎn)所對(duì)應(yīng)的波段即為選擇的波段；其中所述 重要點(diǎn)的定義為對(duì)于時(shí)間序列義二^^^；^，！！是時(shí)間序列乂的長(zhǎng)度，、表示第i個(gè)時(shí)間坐標(biāo)， X(ti)表示時(shí)間序列在第i個(gè)時(shí)間坐標(biāo)的取值；定義X的第q個(gè)重要點(diǎn)義、)=1(^)，其中
Pq e {1,2,…，η}表示第q個(gè)重要點(diǎn)在時(shí)間序列中的位置，xh)為滿(mǎn)足以下條件的數(shù)據(jù)占. 或者 或者 或者 由于各時(shí)間序列可能存在相同的趨勢(shì)，即存在同樣的重要點(diǎn)，因此可將重復(fù)的波 段號(hào)去掉；同時(shí)，由于高光譜圖像數(shù)據(jù)本身具有高度相關(guān)性，各類(lèi)樣本提取出來(lái)的重要點(diǎn)還 可能存在非常接近的現(xiàn)象，因此，需要對(duì)所有重要點(diǎn)進(jìn)行合并處理。在本具體實(shí)施方式
中， 采用如下方法進(jìn)行合并首先對(duì)所有重要點(diǎn)按照從小到大進(jìn)行排序；然后從最小的重要點(diǎn)開(kāi)始進(jìn)行判斷是 否有其他的重要點(diǎn)與其距離小于5，如有，則保留該重要點(diǎn)，并將與其距離小于5的其它重 要點(diǎn)去除；如果沒(méi)有，則保留該重要點(diǎn)，并從下一個(gè)距離最近的重要點(diǎn)開(kāi)始判斷；直到所有 重要點(diǎn)均判斷完畢，此時(shí)剩余的重要點(diǎn)即為合并后的結(jié)果。上述的數(shù)值5是根據(jù)本具體實(shí)施方式
中所處理的圖像數(shù)據(jù)選擇的，當(dāng)然，針對(duì)不 同的圖像，可以選取其它合適的數(shù)值。經(jīng)過(guò)合并后，得到了 22個(gè)重要點(diǎn)，其所對(duì)應(yīng)的22個(gè)波段即為需要得到的信息量最 大并且與其他波段相關(guān)性小的波段。為了驗(yàn)證本發(fā)明的效果，采用支持向量機(jī)方法分別對(duì)上述圖像的原始數(shù)據(jù)以及 本發(fā)明所得到的數(shù)據(jù)進(jìn)行分類(lèi)，并比較兩者的分類(lèi)準(zhǔn)確率。實(shí)驗(yàn)中，采用臺(tái)灣大學(xué)林智仁 (LinChih-Jen)副教授等開(kāi)發(fā)設(shè)計(jì)的LIBSVM2. 86版本的軟件包進(jìn)行分類(lèi)。分類(lèi)結(jié)果如下表 所示 通過(guò)實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)，采用本發(fā)明方法得到的波段數(shù)據(jù)進(jìn)行支持向量機(jī)分類(lèi)，準(zhǔn)確率高達(dá)99. 5892%，比原始數(shù)據(jù)的分類(lèi)精度還要高。因此，這22個(gè)重要信息波段保留了非常 重要的有利于分類(lèi)的原始信息，可以代表原始的191維數(shù)據(jù)。采用本發(fā)明的基于時(shí)間序列 分析的遙感圖像波段選擇方法所選擇出的波段數(shù)據(jù)作為原始數(shù)據(jù)的重要波段來(lái)進(jìn)行后期 的應(yīng)用(比如分類(lèi))，可以達(dá)到減少計(jì)算量與降低計(jì)算復(fù)雜度的目的。
本發(fā)明 方法可通過(guò)編程與計(jì)算機(jī)系統(tǒng)結(jié)合，從而實(shí)現(xiàn)自動(dòng)化的圖像處理與分析。
權(quán)利要求
一種基于時(shí)間序列重要點(diǎn)分析的高光譜遙感圖像波段選擇方法，其特征在于，包括以下各步驟步驟1)通過(guò)K-means聚類(lèi)方法將原始高光譜遙感圖像數(shù)據(jù)聚類(lèi)成K個(gè)類(lèi)別，并保留每個(gè)類(lèi)別的聚類(lèi)中心；步驟2)將步驟1得到的所有聚類(lèi)中心看成一系列的時(shí)間序列，用小波變換的方法對(duì)每一時(shí)間序列進(jìn)行平滑去噪處理；步驟3)分別提取步驟2得到的平滑去噪處理后的時(shí)間序列中的重要點(diǎn)，然后將得到的所有重要點(diǎn)進(jìn)行合并，合并后保留的重要點(diǎn)所對(duì)應(yīng)的波段即為選擇的波段；其中所述重要點(diǎn)的定義為對(duì)于時(shí)間序列n是時(shí)間序列X的長(zhǎng)度，ti表示第i個(gè)時(shí)間坐標(biāo)，X(ti)表示時(shí)間序列在第i個(gè)時(shí)間坐標(biāo)的取值；定義X的第q個(gè)重要點(diǎn)其中Pq∈{1，2，…，n}表示第q個(gè)重要點(diǎn)在時(shí)間序列中的位置，為滿(mǎn)足以下條件的數(shù)據(jù)點(diǎn)或者或者或者FSA00000156086200011.tif,FSA00000156086200012.tif,FSA00000156086200013.tif,FSA00000156086200014.tif,FSA00000156086200015.tif,FSA00000156086200016.tif,FSA00000156086200017.tif
2.如權(quán)利要求1所述基于時(shí)間序列重要點(diǎn)分析的高光譜遙感圖像波段選擇方法，其特 征在于，步驟1中聚類(lèi)數(shù)目K是使用DBI有效性指標(biāo)確定的最佳聚類(lèi)數(shù)；具體的聚類(lèi)方法包 括以下各步驟步驟101)設(shè)定聚類(lèi)數(shù)目K的初始值為2 ；步驟102)判斷K是否小于或等于一個(gè)預(yù)先設(shè)定的閾值，如是，則在樣本數(shù)據(jù)中等間隔 的取K個(gè)聚類(lèi)中心，繼續(xù)執(zhí)行步驟103 ；如否，則轉(zhuǎn)而執(zhí)行步驟107 ；步驟103)分別計(jì)算各個(gè)樣本點(diǎn)到各個(gè)聚類(lèi)中心的距離，并且將它歸類(lèi)到距離最近的 類(lèi)別中；步驟104)將所有樣本點(diǎn)都?xì)w類(lèi)完之后，再重新計(jì)算K個(gè)類(lèi)別的聚類(lèi)中心；步驟105)比較新計(jì)算的聚類(lèi)中心與前一次計(jì)算的聚類(lèi)中心，如果聚類(lèi)中心有改變，則 轉(zhuǎn)向步驟103 ；否則，轉(zhuǎn)向步驟106 ；步驟106)按照以下公式計(jì)算此時(shí)的DBI的值，然后設(shè)置K = K+1，轉(zhuǎn)至步驟102 其中， Si表示第i類(lèi)樣本之間的相似度&表示第j類(lèi)樣本之間的相似度；表示第i類(lèi)樣 本與第j類(lèi)聚類(lèi)中心之間的距離；K表示聚類(lèi)數(shù)目而表示屬于第i類(lèi)的樣本個(gè)數(shù)；Vi表示 第i個(gè)聚類(lèi)的類(lèi)別中心；\表示第j個(gè)聚類(lèi)的類(lèi)別中心；x表示屬于第i類(lèi)的各個(gè)樣本；i和 j均為大于0且小于等于K的整數(shù)；公式中所用的距離計(jì)算方法都是指歐幾里德距離；步驟107)比較所有的DBI的值，找出最小DBI值所對(duì)應(yīng)的K，并輸出該K值時(shí)的聚類(lèi)結(jié)^ o
3.如權(quán)利要求2所述基于時(shí)間序列重要點(diǎn)分析的高光譜遙感圖像波段選擇方法，其特 征在于所述預(yù)先設(shè)定的閾值取值范圍為10-50的整數(shù)。
4.如權(quán)利要求3所述基于時(shí)間序列重要點(diǎn)分析的高光譜遙感圖像波段選擇方法，其特 征在于所述預(yù)先設(shè)定的閾值取值30。
5.如權(quán)利要求1所述基于時(shí)間序列重要點(diǎn)分析的高光譜遙感圖像波段選擇方法，其 特征在于在所述步驟2中，用小波變換的方法對(duì)每一時(shí)間序列進(jìn)行平滑去噪處理時(shí)，選擇 sym4小波基函數(shù)進(jìn)行分解，分解層數(shù)為4。
6.如權(quán)利要求1所述基于時(shí)間序列重要點(diǎn)分析的高光譜遙感圖像波段選擇方法，其特 征在于步驟3中所述對(duì)所有重要點(diǎn)進(jìn)行合并是按照如下方法首先對(duì)所有重要點(diǎn)按照從小到大進(jìn)行排序；然后從最小的重要點(diǎn)開(kāi)始進(jìn)行判斷是否有其他的重要點(diǎn)與其距離小于5，如有，則保留 該重要點(diǎn)，并將與其距離小于5的其它重要點(diǎn)去除；如果沒(méi)有，則保留該重要點(diǎn)，并從下一 個(gè)距離最近的重要點(diǎn)開(kāi)始判斷；直到所有重要點(diǎn)均判斷完畢，此時(shí)剩余的重要點(diǎn)即為合并后的結(jié)果。
全文摘要
本發(fā)明公開(kāi)了一種基于時(shí)間序列重要點(diǎn)分析的高光譜遙感圖像波段選擇方法，本發(fā)明方法通過(guò)基于DBI的K-means聚類(lèi)方法將高光譜遙感圖像數(shù)據(jù)樣本聚類(lèi)成K個(gè)類(lèi)別，并使用小波分析進(jìn)行去噪處理，再基于時(shí)間序列分析進(jìn)行重要點(diǎn)的提取，以實(shí)現(xiàn)特征波段的選擇。相比現(xiàn)有技術(shù)，本發(fā)明方法具有計(jì)算復(fù)雜度低、實(shí)現(xiàn)過(guò)程方便快捷的優(yōu)點(diǎn)，并為高維數(shù)據(jù)的降維提供了一種全新的思路。
文檔編號(hào)G06K9/62GK101859383SQ20101019512
公開(kāi)日2010年10月13日 申請(qǐng)日期2010年6月8日 優(yōu)先權(quán)日2010年6月8日
發(fā)明者萬(wàn)定生, 余宇峰, 馮鈞, 朱躍龍, 李士進(jìn), 楊金花 申請(qǐng)人:河海大學(xué)