基于雙聚類及鄰域分析的高光譜圖像波段選擇方法
【專利摘要】本發明提供一種基于雙聚類及鄰域分析的高光譜圖像波段選擇方法，包括以下步驟：雙光譜角特征和高光譜圖像原始波段的提取；對特征進行聚類；對所獲取的特征分別進行聚類，然后構建兩個聚類結果之間的聯系；根據獲得的波段聚類結果，從每一個聚類中選取一個代表，同時考慮每個代表之間的特異性，以及每一個代表在相應聚類中的表達性，決定聚類代表，即最終所選出的波段；用得到的波段進行高光譜圖像分類。本發明提出了雙特征的思想，克服了傳統聚類算法中僅僅使用波段灰度值作為唯一光譜特征的局限，從而提高波段選擇的精度。
【專利說明】
基于雙聚類及鄰域分析的高光譜圖像波段選擇方法
技術領域
[0001] 本發明屬于圖像處理技術領域，主要針對高光譜圖像中的波段選擇，實際應用中 可W利用選擇出的重要波段進行高光譜圖像的分類、分割、異常檢測等W獲取更好的效果。
【背景技術】
[0002] 高光譜圖像中的波段選擇是一種有效的特征提取技術。通常情況下，我們需要將 高維的高光譜圖像壓縮到低維，從而提高高光譜圖像的處理效率。然而，波段與波段之間較 高的相似性，W及不同高光譜像元所對應最具特異性波段的多樣性，使得代表性波段難W 選擇。此外，僅僅應用高光譜圖像原始的光譜特征，對波段進行區分，往往又不夠高效實用。 因此，引入合適的高光譜特征，W準確地判斷出所有波段中最具信息量的波段并進行提取， 是目前亟需解決的問題。
[0003] 目前，高光譜圖像特征提取的主流算法主要分為兩類，第一類是基于降維的方法， 第二類是基于波段選擇的方法。基于降維的方法，是將原始波段投影到新的特征空間。但 是，運樣的投影過程會削弱波段與波段間的聯系，從而使得高光譜圖像的原始信息無法在 特征壓縮中得W充分保留并利用。相反，基于波段選擇的方法直接從原始高光譜圖像中選 出最有代表性的波段，充分保留了高光譜圖像的原始信息，相比之下有明顯優勢。
[0004] 傳統的基于波段選擇的高光譜波段選擇算法，其主要分為兩類：一是基于約束 的波段選擇方法，運種方法是通過降低波段之間的關聯性，增強波段間的區分性，從而 實現波段的選取。C.I.Qiang 等人在文獻"C.I.Qiang and S. Wang. Constrained Band Selection for Hyperspectral Imagery.IEEE Transactions on Geoscience and Remote Sensing, 44化）：1575-1585, 2006"中對該類算法進行了詳盡的分析。然而，運 種方法沒有充分利用波段之間的聯系來創造可分性的條件；另一種方法是基于聚類的 波段選擇方法，運類方法充分利用波段之間的關聯性，通過聚類的辦法，將性質相似的波 段聚到一類，差異較大的波段聚到不同類中。A.M.USO等人在文獻"A.M.Uso，F.Pla，J. Μ. Sotoca, and P. Garcia-Sevilla. Clustering-based Hyperspectral Band Selection using Information Measures. IEEE Transactions on Geoscience and Remote Sensing ，45(12-2) :pp. 4158 - 4171，2007"中提出的利用信息度量進行波段選擇算法可W看做該類 算法的一個典型。但是該類算法的結果的過分依賴于聚類過程，在聚類結果不佳的情況下， 該算法有明顯缺陷。

【發明內容】
陽0化]本發明的目的在于針對上述現有方法的不足，提出一種基于雙聚類及鄰域分析的 高光譜圖像波段選擇方法，其可W提升對波段相關性的利用，進而提高所選取波段的質量。 陽006] 本發明的技術解決方案是：
[0007] 一種基于雙聚類及鄰域分析的高光譜圖像波段選擇方法，其特別之處在于：包括 W下步驟：
[0008] 1)雙光譜角特征和高光譜圖像原始波段的提取；
[0009] 在原始圖像中，通過分析每一個像素的鄰域信息，構建雙光譜角特征作為副特 征；
[0010] 在原始圖像中，提取高光譜圖像的原始波段作為主特征；
[0011] 2)對特征進行聚類；
[0012] 對步驟1所獲取的主特征和副特征分別進行聚類，然后構建兩個聚類結果之間的 聯系；如果兩個聚類結果之間具有最大關聯函數，則將利用主特征所獲得的聚類結果作為 輸出進入步驟3,否則更新聚類中屯、后重復步驟2 ;
[0013] 3)集群波段選擇；
[0014] 根據步驟2獲得的波段聚類結果，從每一個聚類中選取一個代表，同時考慮每個 代表之間的特異性，W及每一個代表在相應聚類中的表達性，決定聚類代表，即最終所選出 的波段；
[0015] 4)高光譜圖像分類；
[0016] 用步驟3中得到的波段進行高光譜圖像分類。
[0017] 所述步驟1中的雙光譜角特征包括該像素與相鄰像素間的夾角A，W及該像素在 相鄰波段間的夾角E。
[0018] 所述步驟1中的雙光譜角特征包括W該像素為中屯、構建出的8個夾角A的均值， W及W該像素為中屯、構建出的8個夾角E的均值。
[0019] 所述步驟2具體包括：
[0020] 步驟2. 1，在主特征和副特征的構成的共計2Xm個聚類中，對聚類結果進行更新， 根據更新得到新的聚類集合A，B的結果，計算出各自新的聚類{ai，a2,……，a。，bi，bz，…… ，bm}中屯、；所述更新的原則是通過原始各聚類中元素的重新調配，使得兩個聚類集合結果 的相似度R在一定程度上增大，同時又不過分偏離原有的初始聚類結果；
[0021] 步驟2. 2,用新的聚類中屯、進行再次聚類，得到新的聚類集合A，B ;
[0022] 步驟2. 3,觀察運兩個聚類集合A，B是否能在不做調整的情況下有較大R，若有，將 主特征得到聚類集合輸出，副特征得到的聚類集合舍棄；若無，返回步驟2. 1。
[0023] 所述步驟2中，對主特征和副特征分別進行聚類的具體步驟是：將兩種特征首先 分別用傳統的k均值算法聚成m類，構建兩個聚類的關聯矩陣R = h，……，rm]，所述關 聯矩陣代表兩個聚類結果的相似度；m為需要選出的波段數。
[0024] 所述步驟3中決定聚類代表的步驟為：尋找一方面盡可能靠近聚類中屯、，另一方 面特異性又足夠大的數據點，作為聚類代表。
[00巧]所述原始圖像為印第安樹圖像。
[0026] 本發明的優點是：
[0027] 1、本發明提出了雙特征的思想，克服了傳統聚類算法中僅僅使用波段灰度值作為 唯一光譜特征的局限。在本發明中，通過對高光譜圖像中像素的鄰域信息進行分析，構造雙 光譜角特征，結合原始灰度值特征，從而提高波段選擇的精度；
[0028] 2、本發明提出了基于鄰域的雙聚類算法，使用了兩個聚類過程，不同于傳統的聚 類算法，其主要技術集中在運兩個聚類結果的相互促進過程，從而提升了最終的聚類精 度；
[0029] 3、本發明提出了集群波段選擇算法，傳統的算法在進行波段聚類后，W靠近聚類 中屯、的波段作為最終選取的波段。運種選取方法僅僅考慮了波段的表達性，并未考慮所選 波段的特異性。基于此不足，本發明將選取的所有波段作為一個整體來運作，同時考慮波段 的表達性及特異性，從集群的角度綜合分析。
【附圖說明】
[0030] 圖1為本發明基于雙聚類及鄰域分析的高光譜圖像波段選擇流程圖。
[0031] 圖2為選擇波段代表過程中，表達性和特異性的對比。
【具體實施方式】 陽0巧如圖1所示，W印第安樹數據集為例，本發明實現的步驟如下：
[0033] 步驟1，首先輸入一幅印第安樹圖像后，從該原始圖像上同時提取PHA特征（副特 征）和原始波段特征（主特征）。PHA特征是本發明通過對高光譜像素進行鄰域分析所構 建的相鄰像素之間的一種新型的雙光譜角，該特征包含兩種光譜角，其一是相鄰像素間的 一種夾角A，其二是相鄰波段間的一種夾角E。
[0034] 具體而言，W-個像素的一個波段的特征值作為一個單位，雙光譜角為該單位的 鄰域信息。如下為對兩個光譜角的說明：一方面，由每個波段在兩個像素上的數值組成一個 二維向量，取相鄰兩個波段k和k-1，相應的兩個向量構建出夾角A ;另一方面，由每個像素 在兩個波段上的數值組成一個二維向量，取相鄰像素 i和i+1，相應兩個向量構建出夾角E。 不難發現，對于一個單位，可W W其為中屯、構建出8個如此的夾角A和8個夾角E，分別取兩 者均值作為PHA特征。因此，一個維度的主特征對應著兩個維度的副特征（PHA特征）。
[0035] 在印第安樹數據集中，主特征維度為206維，由于每一個主特征對應兩個光譜角， 因此副特征維度為412維。
[0036] 步驟2,在提取特征后，根據具體應用設定所要提取的波段數目。假設需要選出m 個波段，則將兩種特征首先分別用傳統的k均值算法聚成m類，運時可W構建兩個聚類的關 聯矩陣R = ti，。，……，rm]，代表兩個聚類結果的相似度。
[0037] 具體而言，假設兩個聚類集合分別為A= {曰1，曰2,……，am}和B= {biA，……A}， 如果一個波段，在兩個聚類集合中同時屬于ap和b P (P為1到m之間任一數值），那么rp增 加一個單位；反之，則相似度不變。因為初次的聚類結果R中的每一個元素值往往都較小， 為了得到使相似度R中的元素盡量大，同時又與原始聚類結果偏離度盡量小的輸出，本發 明有如下分步驟。
[0038] 步驟2. 1，在兩個聚類集合，共計2Xm個聚類中，對聚類結果進行更新。該更新的 原則是通過原始各聚類中元素的重新調配，使得兩個聚類集合結果的相似度R在一定程度 上增大，同時又不過分偏離原有的初始聚類結果。對于新的的聚類集合A，B的結果，計算出 各聚類{曰1，曰2,......，曰m，bi, bz,......，bm}中屯、。
[0039] 步驟2. 2,用新的聚類中屯、進行再次聚類，得到新的聚類集合A, B。
[0040] 步驟2. 3,觀察運兩個聚類集合A, B是否能在不做調整的情況下有較大R，若有，將 主特征得到聚類集合輸出，副特征得到的聚類集合舍棄；若無，返回步驟2. 1。
[0041] 通過如上Ξ個分步驟的循環，兩個聚類集合相互影響、相互促進，當得到較大的R 時，輸出最終的主特征聚類結果。
[0042] 步驟3,在輸出的聚類集合中，從每個聚類中找出一個同時最具有表達性和特異性 的代表，運些代表的集合即為所選擇的波段。
[0043] 進一步而言，如圖2所示，Ξ角形框出的點是聚類中屯、，圓形框出的點是最具特異 性的點，運是兩種極端情況。在本發明中，通過尋找一方面盡可能靠近聚類中屯、，另一方面 特異性又足夠大的數據點，來確定最后的選定波段。
[0044] 步驟4,用所選波段進行高光譜圖像分類，驗證方法有效性。本發明選取了常用 的支持向量機分類器（Suppcxrt Vector Machine,簡稱SVM)，k近鄰分類器化化arest Nei 曲 bor，簡稱 kNN)，卡特分類器（Classification And Regression Tree,簡稱 CART), W 及樸素貝葉斯分類器（化ive Bayes),來輔助該驗證過程。
[0045] 如下為仿真結果，W表格形式具體列出。
[0046] 表1. Indian Pines數據上各算法實驗結果對比
[0047]
[0048] 表1是本發明在印第安樹高光譜數據上完成波段選擇后，進行分類實驗得到的精 度結果。表1具體列出了分別選擇5,10,15, 20個波段時，各方法的精度對比。
[0049] 為了進一步說明本發明的優越性，選擇了四種基于約束的波段選擇算法： CEM-BCM/BDM，CEM-BCC/BDC，LCMV-BCM/抓Μ 及 LCMV-BCC/BDC( "C. I.Chang and S.Wang. Constrained Band Selection for Hyperspectral Imagery. IEEE Transactions on Geoscience and Remote Sensing, 44 巧）：1575-1585, 2006")和兩種基于聚類的傳 統算法：CBBS-MI, CBBS-KLD( "A. Μ. Uso, F. Pla, J. Μ. Sotoca, and P. Garcia-Sevilla. Clustering-based Hyperspectral Band Selection Using Information Measures. IEEE Transactionson Geoscience and Remote Sensing, 45(12-2):pp. 4158 - 4171, 2007")，W 及本發明中的DCCA及其衍生算法OCBBS，DCWCA算法進行了對比。DCWCA在傳統基于聚類 的波段算法中的加入了本發明提出的步驟2和3,通過與DCCA對比W論證本發明步驟1的 有效性；0CBBS傳統基于聚類的波段算法中的加入了本發明提出的步驟3,通過與DCWCA和 DCCA對比W論證本算法步驟2和3的有效性。從表1展示的結果，不難看出，DCCA在一般 情況下相比于傳統算法一直有最好的分類精度，可見其算法的有效性；DCWCA和0BBS往往 僅次于DCCA，可見DCCA算法其每一步驟的重要性。通過對比發現，本發明提出的DCCA算法 普適于各類數據集，且對比與統算法有明顯優勢。
【主權項】
1. 一種基于雙聚類及鄰域分析的高光譜圖像波段選擇方法，其特征在于：包括以下步 驟： 1) 雙光譜角特征和高光譜圖像原始波段的提取； 在原始圖像中，通過分析每一個像素的鄰域信息，構建雙光譜角特征作為副特征； 在原始圖像中，提取高光譜圖像的原始波段作為主特征； 2) 對特征進行聚類； 對步驟1所獲取的主特征和副特征分別進行聚類，然后構建兩個聚類結果之間的聯 系；如果兩個聚類結果之間具有最大關聯函數，則將利用主特征所獲得的聚類結果作為輸 出進入步驟3,否則更新聚類中心后重復步驟2 ; 3) 集群波段選擇； 根據步驟2獲得的波段聚類結果，從每一個聚類中選取一個代表，同時考慮每個代表 之間的特異性，以及每一個代表在相應聚類中的表達性，決定聚類代表，即最終所選出的波 段； 4) 高光譜圖像分類； 用步驟3中得到的波段進行高光譜圖像分類。2. 根據權利要求1所述的基于雙聚類及鄰域分析的高光譜圖像波段選擇方法，其特征 在于： 所述步驟1中的雙光譜角特征包括該像素與相鄰像素間的夾角A，以及該像素在相鄰 波段間的夾角E。3. 根據權利要求2所述的基于雙聚類及鄰域分析的高光譜圖像波段選擇方法，其特征 在于： 所述步驟1中的雙光譜角特征包括以該像素為中心構建出的8個夾角A的均值，以及 以該像素為中心構建出的8個夾角E的均值。4. 根據權利要求1所述的基于雙聚類及鄰域分析的高光譜圖像波段選擇方法，其特征 在于： 所述步驟2具體包括： 步驟2. 1，在主特征和副特征的構成的共計2Xm個聚類中，對聚類結果進行更新，根據 更新得到新的聚類集合A，B的結果，計算出各自新的聚類 {au a2,............，bm}中心；所述更新的原則是通過原始各聚類中元素的重 新調配，使得兩個聚類集合結果的相似度R在一定程度上增大，同時又不過分偏離原有的 初始聚類結果； 步驟2. 2,用新的聚類中心進行再次聚類，得到新的聚類集合A，B ; 步驟2. 3,觀察這兩個聚類集合A，B是否能在不做調整的情況下有較大R，若有，將主特 征得到聚類集合輸出，副特征得到的聚類集合舍棄；若無，返回步驟2. 1。5. 根據權利要求4所述的基于雙聚類及鄰域分析的高光譜圖像波段選擇方法，其特征 在于： 所述步驟2中，對主特征和副特征分別進行聚類的具體步驟是：將兩種特征首先分別 用傳統的k均值算法聚成m類，構建兩個聚類的關聯矩陣 R = [r1; r2,……，rj，所述關聯矩陣代表兩個聚類結果的相似度；m為需要選出的波段 數。6. 根據權利要求1所述的基于雙聚類及鄰域分析的高光譜圖像波段選擇方法，其特征 在于： 所述步驟3中決定聚類代表的步驟為：尋找一方面盡可能靠近聚類中心，另一方面特 異性又足夠大的數據點，作為聚類代表。7. 根據權利要求1所述的基于雙聚類及鄰域分析的高光譜圖像波段選擇方法，其特征 在于： 所述原始圖像為印第安樹圖像。
【文檔編號】G06T7/00GK105989592SQ201510072842
【公開日】2016年10月5日
【申請日】2015年2月11日
【發明人】袁媛, 王 琦, 林健哲
【申請人】中國科學院西安光學精密機械研究所