本發(fā)明涉及高光譜圖像處理領(lǐng)域，特別提供了一種基于多模態(tài)融合的光譜波段選擇方法。

背景技術(shù)：

高光譜遙感圖像具有紋理、相關(guān)性以及光譜等多種模態(tài)信息，其中，豐富的光譜信息能夠反映出區(qū)分不同物質(zhì)的診斷性光譜特征，使得高光譜遙感可以探測(cè)到更多的地物信息，極大提高了人類對(duì)客觀世界的認(rèn)知能力。

目前的研究中更多的是選擇相關(guān)的度量函數(shù)作為光譜排序的度量準(zhǔn)則，然后基于度量函數(shù)對(duì)光譜信息進(jìn)行排序，其中，基于光譜排序的波段選擇僅僅考慮給定任務(wù)的波段優(yōu)先性，往往忽略了選擇波段之間可能的冗余性，關(guān)于冗余性的問題，目前去除冗余波段的方法是把排序后的某個(gè)波段和其它所有波段之間的最大相關(guān)性作為冗余波段去除作為標(biāo)準(zhǔn)，這往往又會(huì)導(dǎo)致一些更高優(yōu)先級(jí)的波段被低優(yōu)先級(jí)的波段所替代，且沒有對(duì)波段優(yōu)先級(jí)和波段冗余性之間的權(quán)衡給出相關(guān)的標(biāo)準(zhǔn)。

還有的部分波段選擇算法將分類精度作為目標(biāo)函數(shù)，確定評(píng)價(jià)函數(shù)后，需要采取有效的搜索策略來保證波段選擇精度，目前普遍采用的是順序前向選擇法，針對(duì)順序前向選擇法不是全局搜索的缺陷，波段選擇算法中引入了更加復(fù)雜的搜索策略。王立國等人把蜂群算法應(yīng)用到波段選擇上，gao等人將粒子群優(yōu)化算法應(yīng)用到波段選擇方法中，此外，波段聚類和稀疏非負(fù)矩陣分解聚類等技術(shù)的引入也有利于波段選擇精度的提高。

綜上所述，現(xiàn)有的公知技術(shù)不能全面的考慮光譜波段之間的相關(guān)性和冗余性之間的權(quán)衡標(biāo)準(zhǔn)，不能很好地選擇出更有利于高光譜圖像進(jìn)行分類的有用信息更大的波段。

技術(shù)實(shí)現(xiàn)要素：

鑒于此，本發(fā)明的目的在于提供一種基于多模態(tài)融合的光譜波段選擇方法，以解決現(xiàn)有光譜波段選擇方法不能全面的考慮光譜波段之間的相關(guān)性和冗余性之間的權(quán)衡標(biāo)準(zhǔn)，不能很好地選擇出更有利于高光譜圖像進(jìn)行分類的有用信息更大的波段問題。

本發(fā)明提供的技術(shù)方案是：一種基于多模態(tài)融合的光譜波段選擇方法，包括如下步驟：

s1、接收高光譜圖像樣本和樣本的類別標(biāo)記信息；

s2、融合多個(gè)空間鄰域內(nèi)的空間特征和紋理特征，利用波段的相關(guān)性度量準(zhǔn)則對(duì)所有波段按相關(guān)性由低到高進(jìn)行排序，得到波段序列1；

s3、按照波段序列1調(diào)整所有接收到的高光譜圖像樣本并轉(zhuǎn)換成一個(gè)二維反射率矩陣，利用所述二維反射率矩陣計(jì)算波段之間的相關(guān)性矩陣，分別基于相關(guān)性矩陣中每行的最大值、平均值和方差值對(duì)所有波段進(jìn)行排列，得到波段序列2、波段序列3和波段序列4，其中，基于最大值排序的，最大值越小，波段順序越靠前，基于平均值排序的，平均值越小，波段順序越靠前，基于方差值排序的，方差值越大，波段順序越靠前；

s4、對(duì)每個(gè)波段在上述四個(gè)波段序列中的排序序號(hào)加權(quán)求和，獲得每個(gè)波段的最終排序序號(hào)；

s5、選擇最終排序序號(hào)靠前的n個(gè)波段作為選擇波段，其中，n取分類正確率趨于穩(wěn)定時(shí)的最小波段數(shù)。

優(yōu)選，所述s2具體包括如下步驟：

s201、首先利用lbp算子提取每個(gè)樣本在每個(gè)鄰域下的每個(gè)波段下的局部紋理特征，其中，類別標(biāo)記為c的第j個(gè)樣本在ω鄰域下的波段b處的局部紋理特征按照公式(1)進(jìn)行計(jì)算

樣本vj在不同波段有不同的反射率，公式(1)中，vb,j表示該樣本vj在波段b處的反射率，ω為樣本vj的局部鄰域，m為樣本vj在ω鄰域最外圈的的鄰居樣本個(gè)數(shù)；

s202、利用公式(2)計(jì)算每個(gè)類別下所有樣本在每個(gè)鄰域下的每個(gè)波段下的局部紋理特征，并組成紋理特征向量，其中，類別標(biāo)記為c的所有樣本在ω鄰域下的波段b處的局部紋理特征按照公式(2)進(jìn)行計(jì)算

其中，nc表示類別標(biāo)記為c的樣本個(gè)數(shù)；

類別標(biāo)記為c的所有樣本在波段b處的紋理特征向量用表示，其中，ωk表示第k個(gè)鄰域，k表示鄰域的個(gè)數(shù)；

s203、對(duì)于每個(gè)波段，利用余弦度量方法，計(jì)算任意兩個(gè)類別之間的相關(guān)系數(shù)ρ，統(tǒng)計(jì)波段在任意兩類間的相關(guān)系數(shù)計(jì)算出新的波段相關(guān)性度量準(zhǔn)則ξ，其中，波段b在類別cx和cy之間的相關(guān)系數(shù)ρ通過公式(3)計(jì)算，波段相關(guān)性度量準(zhǔn)則ξb通過公式(4)計(jì)算

s204、對(duì)s203中得到的所有波段的相關(guān)性ξ進(jìn)行排序，相關(guān)性最低的即為被選優(yōu)先級(jí)高的波段，排列在序列的最前面，最終得到波段序列1。

進(jìn)一步優(yōu)選，所述s3具體包括如下步驟：

s301、按照波段序列1，對(duì)所有標(biāo)記樣本的波段重新排列，得到二維反射率矩陣為v∈r^b*m，其中，b為波段數(shù)，m為帶類別標(biāo)記信息的樣本數(shù)，矩陣v中的每個(gè)元素vb,m表示第m個(gè)樣本在第b個(gè)波段的反射率；

s302、利用所述二維反射率矩陣v計(jì)算所有波段的相關(guān)性矩陣d∈r^b*b，其中相關(guān)性矩陣d中的每個(gè)元素表示波段i和波段j之間的相關(guān)性；

s303、分別基于相關(guān)性矩陣d中每行的最大值、平均值和方差值對(duì)所有波段進(jìn)行排列，得到波段序列2、波段序列3和波段序列4，其中，基于最大值排序的，最大值越小，波段順序越靠前，基于平均值排序的，平均值越小，波段順序越靠前，基于方差值排序的，方差值越大，波段順序越靠前。

進(jìn)一步優(yōu)選，所述s4具體如下：

通過公式(5)計(jì)算每個(gè)波段的最終排序序號(hào)

其中，表示波段b在第r個(gè)序列中的位置序號(hào)，w^r表示第r個(gè)序列在所有序列中所占的權(quán)重值。

本發(fā)明提供的基于多模態(tài)融合的光譜波段選擇方法，結(jié)合了空間鄰域信息、紋理特征來計(jì)算不同類別之間相同波段的相關(guān)性，并根據(jù)上述相關(guān)性的高低對(duì)所有波段進(jìn)行排序；通過相關(guān)性矩陣，計(jì)算相關(guān)性矩陣中每行的最大值、平均值及方差值，然后分別基于最大值，平均值和方差值對(duì)所有波段重新排序，至此，共得到4個(gè)排序序列，之后通過對(duì)每個(gè)波段在上述四個(gè)波段序列中的排序序號(hào)加權(quán)求和，可以獲得各個(gè)波段的最終排序序號(hào)，最后根據(jù)需要，選擇序號(hào)靠前的n個(gè)波段作為選擇波段，將后面的波段去除，即完成了對(duì)波段的有效選擇。

本發(fā)明提供的基于多模態(tài)融合的光譜波段選擇方法，同時(shí)考慮豐富的多模態(tài)信息，采用有監(jiān)督策略計(jì)算波段相關(guān)性，不僅考慮了波段的優(yōu)先性，還考慮了被選波段之間的冗余性，利用波段間的相關(guān)性分布來去除冗余波段，得到更利于高光譜圖像進(jìn)行分類的光譜波段。

附圖說明

下面結(jié)合附圖及實(shí)施方式對(duì)本發(fā)明作進(jìn)一步詳細(xì)的說明：

圖1為基于多模態(tài)融合的光譜波段選擇方法的流程圖；

圖2為步驟2的具體流程圖；

圖3為步驟3的具體流程圖。

具體實(shí)施方式

下面將結(jié)合具體的實(shí)施方案對(duì)本發(fā)明進(jìn)行進(jìn)一步的解釋，但并不局限本發(fā)明。

如圖1所示，本發(fā)明提供了一種基于多模態(tài)融合的光譜波段選擇方法，包括如下步驟：

s1、接收高光譜圖像樣本和樣本的類別標(biāo)記信息；

s2、融合多個(gè)空間鄰域內(nèi)的空間特征和紋理特征，利用波段的相關(guān)性度量準(zhǔn)則對(duì)所有波段按相關(guān)性由低到高進(jìn)行排序，得到波段序列1；

s3、按照波段序列1調(diào)整所有接收到的高光譜圖像樣本并轉(zhuǎn)換成一個(gè)二維反射率矩陣，利用所述二維反射率矩陣計(jì)算波段之間的相關(guān)性矩陣，分別基于相關(guān)性矩陣中每行的最大值、平均值和方差值對(duì)所有波段進(jìn)行排列，得到波段序列2、波段序列3和波段序列4，其中，基于最大值排序的，最大值越小，波段順序越靠前，基于平均值排序的，平均值越小，波段順序越靠前，基于方差值排序的，方差值越大，波段順序越靠前；

s4、對(duì)每個(gè)波段在上述四個(gè)波段序列中的排序序號(hào)加權(quán)求和，獲得每個(gè)波段的最終排序序號(hào)；

s5、選擇最終排序序號(hào)靠前的n個(gè)波段作為選擇波段，其中，n取分類正確率趨于穩(wěn)定時(shí)的最小波段數(shù)。

該基于多模態(tài)融合的光譜波段選擇方法，同時(shí)考慮豐富的多模態(tài)信息，采用有監(jiān)督策略計(jì)算波段相關(guān)性，不僅考慮了波段的優(yōu)先性，還考慮了被選波段之間的冗余性，利用波段間的相關(guān)性分布來去除冗余波段，得到更利于高光譜圖像進(jìn)行分類的光譜波段。

作為技術(shù)方案的改進(jìn)，所述s2具體包括如下步驟：

s201、首先利用lbp算子提取每個(gè)樣本在每個(gè)鄰域下的每個(gè)波段下的局部紋理特征，其中，類別標(biāo)記為c的第j個(gè)樣本在ω鄰域下的波段b處的局部紋理特征按照公式(1)進(jìn)行計(jì)算

樣本vj在不同波段有不同的反射率，公式(1)中，vb,j表示該樣本vj在波段b處的反射率，ω為樣本vj的局部鄰域，m為樣本vj在ω鄰域最外圈的的鄰居樣本個(gè)數(shù)；

s202、利用公式(2)計(jì)算每個(gè)類別下所有樣本在每個(gè)鄰域下的每個(gè)波段下的局部紋理特征，并組成紋理特征向量，其中，類別標(biāo)記為c的所有樣本在ω鄰域下的波段b處的局部紋理特征按照公式(2)進(jìn)行計(jì)算

其中，nc表示類別標(biāo)記為c的樣本個(gè)數(shù)；

類別標(biāo)記為c的所有樣本在波段b處的紋理特征向量用表示，其中，ωk表示第k個(gè)鄰域，k表示鄰域的個(gè)數(shù)；

s203、對(duì)于每個(gè)波段，利用余弦度量方法，計(jì)算任意兩個(gè)類別之間的相關(guān)系數(shù)ρ，統(tǒng)計(jì)波段在任意兩類間的相關(guān)系數(shù)計(jì)算出新的波段相關(guān)性度量準(zhǔn)則ξ，其中，波段b在類別cx和cy之間的相關(guān)系數(shù)ρ通過公式(3)計(jì)算，波段相關(guān)性度量準(zhǔn)則ξb通過公式(4)計(jì)算

s204、對(duì)s203中得到的所有波段的相關(guān)性ξ進(jìn)行排序，相關(guān)性最低的即為被選優(yōu)先級(jí)高的波段，排列在序列的最前面，最終得到波段序列1。

作為技術(shù)方案的改進(jìn)，所述s3具體包括如下步驟：

s301、按照波段序列1，對(duì)所有標(biāo)記樣本的波段重新排列，得到二維反射率矩陣為v∈r^b*m，其中，b為波段數(shù)，m為帶類別標(biāo)記信息的樣本數(shù)，矩陣v中的每個(gè)元素vb,m表示第m個(gè)樣本在第b個(gè)波段的反射率；

s302、利用所述二維反射率矩陣v計(jì)算所有波段的相關(guān)性矩陣d∈r^b*b，其中相關(guān)性矩陣d中的每個(gè)元素表示波段i和波段j之間的相關(guān)性；

s303、分別基于相關(guān)性矩陣d中每行的最大值、平均值和方差值對(duì)所有波段進(jìn)行排列，得到波段序列2、波段序列3和波段序列4，其中，基于最大值排序的，最大值越小，波段順序越靠前，基于平均值排序的，平均值越小，波段順序越靠前，基于方差值排序的，方差值越大，波段順序越靠前。

作為技術(shù)方案的改進(jìn)，所述s4具體如下：

通過公式(5)計(jì)算每個(gè)波段的最終排序序號(hào)

其中，表示波段b在第r個(gè)序列中的位置序號(hào)，w^r表示第r個(gè)序列在所有序列中所占的權(quán)重值。

實(shí)施例1

s1、接收高光譜圖像樣本和樣本的類別標(biāo)記信息；

以indian數(shù)據(jù)集為例，輸入145*145*200的高光譜圖像樣本(其中樣本包含145*145個(gè)樣本數(shù)，200個(gè)波段)，以及該數(shù)據(jù)集對(duì)應(yīng)的類別標(biāo)記信息，一共是1-16，代表16個(gè)樣本類別。

s2、融合多個(gè)空間鄰域內(nèi)的空間特征和紋理特征，利用波段的相關(guān)性度量準(zhǔn)則將所有波段按相關(guān)性由低到高進(jìn)行排序，得到波段序列1；

具體步驟如下：

s201、取每個(gè)樣本的3*3，5*5，7*7，9*9，11*11這5個(gè)鄰域，首先，將3*3這個(gè)鄰域下的每一個(gè)波段下所有樣本輸入到lbp濾波函數(shù)中進(jìn)行濾波，輸出每個(gè)波段在3*3這個(gè)鄰域下的145*145個(gè)樣本濾波后的值，以波段1為例，將波段1中的145*145個(gè)像元輸入到lbp濾波函數(shù)中，利用公式和公式得到波段1在3*3這個(gè)鄰域下的145*145個(gè)樣本濾波后的值，同理，計(jì)算出所有波段在5個(gè)鄰域下的所有像元經(jīng)過lbp濾波后的值，最后輸出145*145*5*200的4維矩陣，其中前兩維表示樣本的個(gè)數(shù)，第三個(gè)維表示鄰域的個(gè)數(shù)，第四維表示波段的總數(shù)。

s202、計(jì)算每個(gè)類別下所有樣本在每個(gè)鄰域下的每個(gè)波段下的局部紋理特征，其中，類別標(biāo)記為c的所有樣本在領(lǐng)域ω內(nèi)的波段b的紋理特征按照公式(2)進(jìn)行計(jì)算

其中，nc表示類別標(biāo)記為c的樣本的個(gè)數(shù)。以計(jì)算類別1下所有樣本在3*3鄰域下的波段1的局部紋理特征為例：首先，計(jì)算在3*3鄰域下的波段1下類別為1的所有樣本lbp濾波后的值的和，再除以波段1下類別為1的所有樣本的個(gè)數(shù)，即為同理，可以得到這5個(gè)鄰域下的值，即同理，可以計(jì)算出波段1下的16個(gè)類別在5個(gè)鄰域下的特征向量最后在每個(gè)波段下均可得到一個(gè)16*5的矩陣，第一維表示類別數(shù)，第二維表示鄰域個(gè)數(shù)，即可以理解為每個(gè)類別的特征向量由5個(gè)鄰域值組成。

s203、對(duì)于每個(gè)波段，利用余弦度量方法，計(jì)算任意兩個(gè)類別之間的相關(guān)系數(shù)，并根據(jù)相關(guān)性度量準(zhǔn)則計(jì)算每個(gè)波段在不同類別之間的相關(guān)性ξ。以波段1為例，在波段1下任何兩個(gè)類別cx和cy之間通過計(jì)算它們之間的相關(guān)系數(shù)，比如計(jì)算波段1下類別1和類別2之間的相關(guān)性系數(shù)，也就是計(jì)算通過相關(guān)性度量準(zhǔn)則來計(jì)算出每個(gè)波段的ξ。

s204、對(duì)s203中得到的所有波段的相關(guān)性ξ進(jìn)行排序，相關(guān)性最低的即為被選優(yōu)先級(jí)高的波段，排列在序列的最前面，最終得到波段序列1。

s3、按照波段序列1調(diào)整所有接收到的高光譜圖像樣本并轉(zhuǎn)換成一個(gè)二維反射率矩陣v∈r^b*m，其中，b為波段數(shù)，m為帶類別標(biāo)記信息的樣本數(shù)，矩陣v中的每個(gè)元素vb,m表示第m個(gè)樣本在第b個(gè)波段的反射率；具體步驟如下：

s301、在indian這個(gè)數(shù)據(jù)集中，根據(jù)波段序列1來調(diào)整原來的圖像樣本，并將三維矩陣轉(zhuǎn)換維二維的，即v∈r^b*m，b是波段數(shù)為200，m為帶類別標(biāo)記信息的樣本數(shù)為145*145＝21025。

s302、利用所述二維反射率矩陣v∈r^200*21025計(jì)算所有波段的相關(guān)性矩陣d∈r^200*200，其中相關(guān)性矩陣d中的每個(gè)元素表示波段i和波段j之間的相關(guān)性。

s303、分別基于相關(guān)性矩陣d中每行的最大值、平均值和方差值對(duì)所有波段進(jìn)行排列，得到波段序列2、波段序列3和波段序列4，其中，基于最大值排序的，最大值越小，波段順序越靠前，基于平均值排序的，平均值越小，波段順序越靠前，基于方差值排序的，方差值越大，波段順序越靠前。

s4、利用公式計(jì)算每個(gè)波段的最終排序序號(hào)。

在經(jīng)過以上操作后，波段1在波段序列1中的187，在波段序列2中的65，在波段序列3中的89，在波段序列4中的112位，波段1最終的位置通過用交叉驗(yàn)證的方法進(jìn)行多次計(jì)算，取使得正確率較高的w^r的權(quán)值。得到最終的序列后，通過正確率的曲線趨勢(shì)，發(fā)現(xiàn)在取前120個(gè)波段時(shí)，正確率基本趨于平緩，所以針對(duì)這個(gè)數(shù)據(jù)集，波段n的取值為120。

實(shí)施例2

在indian數(shù)據(jù)集上選用每個(gè)類別80％的樣本進(jìn)行訓(xùn)練，用此方法進(jìn)行圖像樣本的處理，最后通過svm分類器進(jìn)行分類，比選全部的波段，然后使用svm分類器分類的正確率高出5％，由此可以證明實(shí)施例1中的方法的有效性，也能說明選擇出來的120個(gè)波段是更有利于高光譜圖像進(jìn)行分類的有用信息更大的波段。

本發(fā)明的具體實(shí)施方式是按照遞進(jìn)的方式進(jìn)行撰寫的，著重強(qiáng)調(diào)各個(gè)實(shí)施方案的不同之處，其相似部分可以相互參見。

上面結(jié)合附圖對(duì)本發(fā)明的實(shí)施方式做了詳細(xì)說明，但是本發(fā)明并不限于上述實(shí)施方式，在本領(lǐng)域普通技術(shù)人員所具備的知識(shí)范圍內(nèi)，還可以在不脫離本發(fā)明宗旨的前提下做出各種變化。