高光谱影像波段选择算法的研究.docVIP

高光谱影像波段选择算法的研究 　　摘要： 基于高光谱影像数据的特点，分析了高光谱数据的降维方法。着重探讨了波段选择的若干算法：熵及联合熵、最佳指数因子、自动子空间划分、自适应波段选择、波段指数和最优波段指数等算法。分析了各种算法的有效性、局限性和计算复杂度，并针对波段指数的不足，设计了最优波段指数（OBI）波段选择新算法。最后通过具体的试验，验证了各种算法的性能。 　　关键词：高光谱影像； 波段选择； 特征提取与选择 　　中图分类号：TP751文献标志码：A 　　文章编号：1001－3695(2008)04－1093－04 　　 　　高光谱遥感是20世纪最后二十年，人类在对地观测方面取得的重大技术突破之一,也是当前及今后几十年内的遥感前沿技术。它利用成像光谱仪纳米级的光谱分辨率，获取许多非常窄且光谱连续的图像数据，实现地物空间、辐射、光谱信息的同步获取；为每个像元提供数十至数百个窄波段的光谱信息，并生成一条完整而连续的光谱曲线[1~3]。?? 　　高光谱遥感大量的光谱波段数据为人们了解地物提供了丰富的信息，这对于后续进行的地物分类和目标识别是十分有益的。然而波段的增多也必然导致信息的冗余和数据处理难度的增加。如何既能有效利用高光谱数据的最大信息，又能较快地处理高光谱数据成为高光谱数据处理的研究热点和未来发展方向。其中有关光谱特征提取与选择的研究是一个重点。基于此，本文在分析高光谱数据特征提取与选择方法的基础上，着重探讨了高光谱影像波段选择的若干算法。?? 　　 　　1特征提取与特征选择?? 　　 　　一般来说，面对高光谱数十、数百的波段信息，全部利用所有波段是不现实的，所以此时高光谱降维操作就显得尤为重要。高光谱降维有两种方法，即特征选择和特征提取。特征提取与选择的基本任务是如何从许多特征中找出那些最有效的特征[4]。在样本数不是很多的情况下，用很多特征进行分类，无论从计算的复杂度还是性能上来说均是不适宜的。因此如何将高维特征空间压缩到低维特征空间以便进行有效的分类成为一个重要的研究方向。?? 　　目前压缩波段有两种方法：一是从众多波段中选择感兴趣的若干波段，或选择信息量大、相关性小的若干波段；二是利用所有波段，通过数学变换来压缩波段，如主成分分析法（PCA）、典型分析（CA）等[5]。本文主要介绍第一种降维方法，即波段选择方法。波段选择是遥感图像识别与分类的重要环节之一，对于高光谱遥感图像的特征选择和提取，最初一般都集中在波段选择上[6]。至今形成了比较成熟的波段选择算法，主要分成两类：一是基于信息量的最佳波段选择，如熵与联合熵、组合波段的协方差矩阵行列式、最佳指数(OIF)；二是基于类间可分性的波段选择，如均值间的标准距离、离散度、B距离、类间平均可分性等。本文重点研究第一类算法。?? 　　目前，国内外对波段选择算法进行了很多研究。E.Arzuaga－Cruz等人[7]设计了信息散度波段子集选择(information divergence band subset selection,IDSS) 算法，并用模拟数据及遥感数据进行了验证,效果较好。Paskaleva等人[8]基于数据主成分的分布，提出了以波段不同主成分间最小距离、波段主成分相同分布下的Kullback－Liebler散度变化和波段连续幅度间的经验相对变化等作为波段选择标准的新的波段选择策略，并应用于岩石及矿物的分类识别应用。 Wang Su等人[9]提出了线性约束波段选择(linear constrained band selection, LCBS)的新的高光谱影像波段选择算法，该算法在线性约束某波段影像的同时，最小化了该波段影像与其余波段影像的波段相关性和依赖性。P.Bajcsy等人[10]在系统总结前人研究成果的基础上，建立了基于监督和非监督算法的高光谱遥感波段选择算法方法论体系，该研究具有很高的指导价值。以上研究扩展和促进了高光谱波段选择算法的发展，进一步完善了高光谱遥感信息处理技术体系；然而高光谱遥感信息处理技术和算法仍需要不断完善。?? 　　 　　2波段选择主要算法?? 　　 　　波段选择属于特征选择的一种，通过特征选择，可以强化那些最具有可分性的光谱波段。一般来说，选择最佳波段的原则有三点：一是所选择的波段的信息量应最大；二是所选择的波段数据间的相关性要小；三是研究区内欲识别地物的光谱响应特点能使某些类别地物之间最容易区分。那些信息含量多、相关性小、地物光谱差异大、可分性好的波段就是应该选择的最佳波段[11~13]。?? 　　图1为针对高光谱影像的波段选择示意图。其中：影像预处理包括消除噪声、辐射校正、几何校正等；基本统计量包括均值、标准差、相关系数等，作为后续处理的依据。?? 　　针对高光谱的不同应用目