高光谱图像原型空间中利用几何测量的非监督特征选择.doc

高光谱图像原型空间中利用几何测量的非监督特征选择 摘要：特征/波段选择是克服由高光谱图像高维度造成的“维数灾难”的常用技术。当图像具有未知的现象的特点时，非监督的方法可以被用来选择最有特色和有丰富信息的波段。非监督的特征选择（FS）的效率取决于被优化的标准和数据被表示的空间（例如，特征空间、像素空间、光谱空间等）。此外，初始特征和最佳特征尺寸的确定（被选择的不同频带的最佳数量）是非监督的方法中面临的其他挑战。本文中，我们提出了两种在原型空间（PS）中描述波段的非监督特征选择方法。第一种方法，提出了基于原型空间对角线的正交距离的选择初始特征和在原型空间中使用HySime算法确定最优特征尺寸的一种方法。第二种方法是使用两个由原型空间中波段向量之间的切线角定义的标准，以选择的初始特征和描述波段的相关性。同时，在该方法包含了确定最优特征尺寸。在真实和合成数据集上的实验结果表明，我们的方法更可靠，就产生类的可分性和弗里德曼测试而言，该方法与其他广泛使用的技术相比能一个更好的结果。 关键字：高光谱图像（HSI），最优的特征尺寸，原型空间（PS），非监督的特征选择（FS） 高光谱传感器同时在几十个或数百个狭窄和相邻的光谱波段数据中收集每个像素值。这些数据通常应用如分类、分离、异常检测、目标检测和背景描述的程序中。从实用的角度来看，由于维数灾难，在一个算法中利用所有波段不一定导致结果的改善。也就是说，在高光谱数据分析的背景下，有效的谱带的确定对于现象的简洁表示至关重要。因此，它是最重要的选择独立和信息丰富的波段，使我们能够用一个适当的和可检测的方式呈现对象/类。特别是，非监督特征选择（FS）是伟大的价值是不需要现场现象的先验知识。此外，非监督特征选择可以改善一些非监督的任务，如异常检测，数据存储和传输。因此，最好使用非监督的方式的具有降低数据维度能力的算法。 非监督降维（DR）方法不需要任何先验知识或训练数据。此外，它们不是直接针对优化一个给定的分类任务的精度。在相关文献中，不同的特征选择/提取（FS/FE）方法被归类为2种主要的非监督降维方法。通常情况下，特征提取方法通过使用几个改变原始数据的物理意义的标准将数据维度转换为低维空间。主成分分析（PCA），独立成分分析（ICA），非监督线性特征提取，最大噪声分数（MNF），和小波变换方法都是这个类别的实例。一种非监督的特征提取算法，非负矩阵分解，被用来表示高光谱图像（HSI）并为后续的面向对象分类准备。一系列的特征提取算法进行综述，结合基于对象的分割在高光谱图像分类在[17]。 一般来说，所有的特征/波段选择方法保留高光谱图像的物理意义。非监督的优化方法优化预定义的标准，不管搜索策略阶段，被根据过滤器的方法进行分类。该过滤器的方法独立于任何分类算法的操作，所以在分类过程开始之前，多余的和不相关的特征被省略。基于特征选择的信息理论方法，使用例如相关系数[ 18 ][ 19 ]、熵[ 20 ]、共同信息[ 21 ]，线性预测误差（LPE）[ 22 ]等标准，是过滤方法的例子。此外，监督方法如马氏距离，Bhattacharyya距离等[ 18 ][ 19 ]，也可以通过图像聚类用非监督方法进行估计。这些算法采用的搜索策略，如顺序向前/向后选择（SFS / SBS）和顺序浮动前进/后退的选择（SFFS / SFB）[23]，得到次优的结果，有较高的计算负担。 此外，PCA、ICA、MNF，和基于小波变换的非监督特征选择方法是在[ 24 ] [ 26 ]中提出。还有一些研究人员提出的其他方法，利用计算智能（例如，模糊逻辑，遗传算法，克隆选择），选择信息丰富的波段[ 27 ] - [ 30 ]。另一种通过波段聚类的方法已经在[ 31 ]中进行尝试。一些非监督特征选择算法，基于波段相似性测量的，也在[ 32 ]中被提出。一种基于相似性测度的非监督基特征提取算法在[ 33 ]中被提出，以减少高维度的结构和纹理特征。除了这些方法，在光谱空间中操作还有其他利用像素光谱的几何特性和吸收功能的特征选择方法。这意味着，在吸收区域中的平均像素或群集/类频带被选择为合适的或诊断功能。一个使用这些方法对最著名的算法是tetracorder [ 34 ]。 最近，基于几种端元选择方法，寻找独特的光谱特征，应用于非监督特征选择。这些方法被采用于每个图像波段被表示为一个矢量的像素空间[ 36 ]。这样的空间的维数等于图像像素的数目。例如，几何特征选择（G-FS）[ 36 ]和基于N-FINDR [ 37 ] 操作的线性预测（LP）[ 10 ] 特征选择的方法和正交子空间投影（OSP）[ 38 ]技术分别在这个空间。LP方法也是基于非监督完全约束的最小二乘线性分解（UFCLSLU）方法[ 39 ]在像素空间选择明显特征。由于LP