本發(fā)明屬于遙感圖像處理技術(shù)領(lǐng)域，特別適用于高光譜遙感影像，涉及一種基于光譜信息散度的矩陣模式波段選擇方法，波段選擇結(jié)果可應(yīng)用于高光譜遙感影像分類與識別以及土地利用/覆蓋分類等多種應(yīng)用中。

背景技術(shù)：

二十世紀八十年代發(fā)展起來的高光譜遙感(Hyperspectral Remote Sensing)技術(shù)，將反映目標屬性的光譜信息與反映目標幾何特征和空間關(guān)系的圖像信息有機結(jié)合在一起，是現(xiàn)代遙感技術(shù)的一個里程碑式的發(fā)展標志，是遙感對地觀測體系的拉力之一。高光譜遙感技術(shù)的應(yīng)用前景十分廣泛，如在環(huán)境監(jiān)測、植被精細分類、農(nóng)作物的長勢監(jiān)測、地質(zhì)巖礦識別、海洋水色定量監(jiān)測等方面有廣闊的應(yīng)用前景。利用很多很窄的電磁波波段從感興趣的物體獲得相關(guān)的空間、輻射和光譜三重信息數(shù)據(jù)，使得原來在寬波段遙感中無法探測到的物質(zhì)，在高光譜遙感中得到探測。但同時帶來了數(shù)據(jù)維數(shù)高、數(shù)據(jù)量大、數(shù)據(jù)多義性、數(shù)據(jù)冗余度高等問題，影響數(shù)據(jù)的高效利用，且容易出現(xiàn)Hughes現(xiàn)象，影響地物的識別、分類等，嚴重制約了高光譜遙感應(yīng)用的推廣。因此，在盡量少的損失地物信息的前提下，對高光譜數(shù)據(jù)進行降維是十分必要的。

目前，高光譜數(shù)據(jù)降維主要分為兩類，一類是特征提取，一類是波段選擇。特征提取是利用全波段的高光譜數(shù)據(jù)通過某種變換或映射，將數(shù)據(jù)從高維空間投影到低維空間，降低數(shù)據(jù)的維數(shù)。常用的方法有如主成分分析(Principal Component Analysis，PCA)、獨立成分分析(Independent Component Analysis，ICA)、投影尋蹤(Projection Pursuit，PP)、流行學習、非負矩陣分解(Nonnegative Matrix Factorization，NMF)等。波段選擇是使用某一準則從高光譜數(shù)據(jù)的全部波段中選擇出最具代表性的波段，從而實現(xiàn)對高光譜數(shù)據(jù)的降維。傳統(tǒng)的方法有最佳指數(shù)因子(OIF)、自適應(yīng)波段選擇法(Adaptive Band Selection，ABS)、最優(yōu)波段指數(shù)法(Optimal Band Index，OBI)。近年來又有基于遺傳算法和蟻群算法、基于人工蜂群算法、基于矩陣模式和光譜相關(guān)系數(shù)算法(BSMM)等新的方法用于波段選擇。

上述的降維方法中，特征提取方法降維速度快，但存在破壞原始數(shù)據(jù)的物理信息從而不利于高光譜數(shù)據(jù)應(yīng)用的缺點；波段選擇方法很好的保留了原始數(shù)據(jù)的物理信息，利于真實光譜信息的利用，但也存在一些缺點，OIF計算量過大耗時長，ABS只考慮各波段與相鄰波段的關(guān)系忽略了所選擇波段組合間的聯(lián)系，OIF、ABS、OBI用標準差衡量信息量也有一定的局限性，新的智能算法實現(xiàn)過于復(fù)雜且運算時間長，光譜相關(guān)系數(shù)只是考慮光譜曲線的整體形狀，用光譜相關(guān)系數(shù)衡量光譜維的相關(guān)性有一定的不足。

技術(shù)實現(xiàn)要素：

鑒于目前技術(shù)存在的過于復(fù)雜且運算時間長以及相關(guān)性不足的問題，本發(fā)明提供一種基于光譜信息散度的矩陣模式波段選擇方法。

本發(fā)明采用如下技術(shù)方案：

一種基于光譜信息散度的矩陣模式波段選擇方法，包括以下步驟：

采集高光譜遙感影像并計算影像各個波段的離散系數(shù)和各個波段間的光譜信息散度；

基于上述各個波段的離散系數(shù)和各個波段間的光譜信息散度計算信息散度矩陣因子；

基于上述信息散度矩陣因子計算各個波段的單波段指標；

基于上述單波段指標值從大到小選擇最佳波段組合。

進一步，所述基于上述各個波段的離散系數(shù)和各個波段間的光譜信息散度計算信息散度矩陣因子的步驟包括：

基于上述各個波段間的光譜信息散度對各個波段的離散系數(shù)進行區(qū)間映射；

基于上述區(qū)間映射后的各個波段的離散系數(shù)和各個波段間的光譜信息散度計算信息散度矩陣因子。

進一步，所述基于上述單波段指標值選擇最佳波段組合的步驟為：基于單波段指標值從大到小選擇最佳波段組合。

進一步，所述計算離散系數(shù)的公式為：

式中，σ_i表示第i個波段像元值的標準差，x_imean表示第i個波段像元值的均值。c_i表示影像第i波段的離散系數(shù)，c_i越大表示該波段數(shù)據(jù)的離散程度越大，數(shù)據(jù)所含的信息量越多，c_i越小表示該波段數(shù)據(jù)的離散程度越小，數(shù)據(jù)所含的信息量越少；

其中，

式中，x_ik表示第i波段中第k個像元的像元值，n表示影像一個波段的像元總個數(shù)。

進一步，所述計算光譜信息散度的公式為：

波段i、j是高光譜影像的兩個波段，對應(yīng)波段上的像元分別看作像元光譜(x₁,x₂,x₃,…,x_n)和像元光譜(y₁,y₂,y₃,…,y_n)，它們之間光譜信息散度的計算公式為：

sid_i,j＝D(i||j)+D(j||j) (12)

式中，x_k、y_k分別表示第i、j波段上第k個像元的像元值，sid_i,j表示影像第i、j波段間的光譜信息散度，sid_i,j值越大表明第i、j波段間的相似度越小，信息冗余度越低，sid_i,j值越小表明第i、j波段間的相似度越大，信息冗余度越高。

進一步，所述進行區(qū)間映射的公式為：

c_i'＝(SID_max-SID_min)×(c_i-c_min)/(c_max-c_min)+SID_min (16)

式中，SID_max是信息散度矩陣SID中的最大值，SID_min是信息散度矩陣SID中的最小值，c_max是影像各個波段離散系數(shù)中的最大值，c_min是影像各個波段離散系數(shù)中的最小值。

進一步，所述計算信息散度矩陣因子的公式為：

sm_i,j＝(c'_i×c'_j)×sid_i,j (17)

sm_i,j越大，表示i，j波段所含的信息量越多且i，j波段間的相關(guān)性越小。

進一步，所述計算各個波段的單波段指標的公式為：

式中，K表示高光譜影像的波段個數(shù)。b_i值越大，表示第i波段相比其他波段所含有信息量更多，且與其它波段間的相關(guān)性越小。

進一步，根據(jù)b_i值由大到小從所有的波段中選取合適數(shù)量的最佳波段組合。

本發(fā)明的有益效果：本發(fā)明具有易于實現(xiàn)、計算復(fù)雜低等優(yōu)點，可用于高光譜遙感影像波段選擇，波段選擇結(jié)果可應(yīng)用于高光譜遙感影像分類與識別以及土地利用/覆蓋分類等多種應(yīng)用中。

附圖說明

圖1為本發(fā)明的流程圖。

具體實施方式

下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

如圖1所示，一種基于光譜信息散度的矩陣模式波段選擇方法，包括以下步驟:

步驟S1：采集高光譜遙感影像并計算影像各個波段的離散系數(shù)和各個波段間的光譜信息散度，其中包括步驟S1a：采集高光譜遙感影像并計算影像各個波段的離散系數(shù)；步驟S1b：采集高光譜遙感影像并計算影像各個波段間的光譜信息散度，具體為：輸入高光譜遙感影像，計算輸入高光譜影像各個波段的離散系數(shù)，再計算影像各個波段間的光譜信息散度；其中離散系數(shù)計算公式如下：

式中，σ_i表示第i個波段像元值的標準差，x_imean表示第i個波段像元值的均值。c_i表示影像第i波段的離散系數(shù)，c_i越大表示該波段數(shù)據(jù)的離散程度越大，數(shù)據(jù)所含的信息量越多，c_i越小表示該波段數(shù)據(jù)的離散程度越小，數(shù)據(jù)所含的信息量越少。

式中，x_ik表示第i波段中第k個像元的像元值，n表示影像一個波段的像元總個數(shù)。

光譜信息散度計算公式如下：

波段i、j是高光譜影像的兩個波段，對應(yīng)波段上的像元分別看作像元光譜(x₁,x₂,x₃,…,x_n)和像元光譜(y₁，y₂，y₃，…，y_n)，它們之間光譜信息散度的計算公式為：

sid_i,j＝D(i||j)+D(j||j) (21)

式中，x_k、y_k分別表示第i、j波段上第k個像元的像元值，sid_i,j表示影像第i、j波段間的光譜信息散度，sid_i,j值越大表明第i、j波段間的相似度越小，信息冗余度越低，sid_i,j值越小表明第i、j波段間的相似度越大，信息冗余度越高。

步驟S2：基于上述各個波段的離散系數(shù)和各個波段間的光譜信息散度計算信息散度矩陣因子：其中包括步驟S2a：基于上述各個波段間的光譜信息散度對各個波段的離散系數(shù)進行區(qū)間映射；步驟S2b：基于上述區(qū)間映射后的各個波段的離散系數(shù)和各個波段間的光譜信息散度計算信息散度矩陣因子；進行區(qū)間映射公式如下：

c_i'＝(SID_max-SID_min)×(c_i-c_min)/(c_max-c_min)+SID_min (25)

式中，SID_max是信息散度矩陣SID中的最大值，SID_min是信息散度矩陣SID中的最小值，c_max是影像各個波段離散系數(shù)中的最大值，c_min是影像各個波段離散系數(shù)中的最小值。

信息散度矩陣因子計算公式如下：

sm_i,j＝(c'_i×c'_j)×sid_i,j (26)

sm_i,j越大，表示i，j波段所含的信息量越多且i，j波段間的相關(guān)性越小。

步驟S3：基于上述信息散度矩陣因子計算各個波段的單波段指標；單波段指標計算公式如下：

式中，K表示高光譜影像的波段個數(shù)。b_i值越大，表示第i波段相比其他波段所含有信息量更多，且與其它波段間的相關(guān)性越小。

步驟S4：基于上述單波段指標值從大到小選擇最佳波段組合,根據(jù)單波段指標值由大到小從所有的波段中選取合適數(shù)量的最佳波段組合。

本發(fā)明使用的高光譜遙感圖像是由美國國家航空航天局(NASA)的機載成像光譜儀AVIRIS獲取的佛羅里達州肯尼迪空間中心(KSC)1996年3月23日的影像，一共有224個波段，光譜范圍400-2500，光譜分辨率10nm，空間分辨率18m，對于研究區(qū)的數(shù)據(jù)，去除了水汽吸收影響和低SNR的波段，共選擇120個波段來進行分析。訓(xùn)練數(shù)據(jù)是根據(jù)陸地衛(wèi)星專題制圖儀(Landsat ThematicMapper)所提供的影像來進行選擇的，根據(jù)對影像的判讀，將該區(qū)域內(nèi)土地覆蓋分為13個大的類別。

為了更為準確的驗證本發(fā)明方法的有效性，將本發(fā)明基于光譜信息散度的矩陣模式波段選擇方法(SID-BSMM)同具有代表性的OBI、ABS、BSMM波段選擇方法進行比較。采用不同波段數(shù)目、不同波段選擇方法下最大似然分類(MLC)的分類結(jié)果的詳細OA和Kappa系數(shù)如下表一：

本發(fā)明的波段選擇方法在選擇相同波段數(shù)目的情況下，SID-BSMM選出的波段組合比OBI、ABS、BSMM選出的波段組合的最大似然分類結(jié)果的OA和Kappa系數(shù)要高，選擇合適的波段組合分類相比全波段分類提高了分類的精度。

隨著高光譜遙感技術(shù)的不斷發(fā)展，獲取高光譜遙感影像的途徑大大增加，而且會越來越容易，隨之而來的應(yīng)用也會越來越多，必將涉及到眾多的領(lǐng)域。高光譜遙感影像降維技術(shù)是高光譜遙感影像預(yù)處理技術(shù)中重點和難點之一，因此研究高光譜遙感影像波段選擇方法有著重要的現(xiàn)實意義，本發(fā)明為高光譜遙感影像波段選擇方法的發(fā)展提供了一種新的思路。以上所述，僅為本發(fā)明的具體實施方式，但本發(fā)明的保護范圍并不局限于此，任何熟悉本領(lǐng)域技術(shù)的技術(shù)人員在本發(fā)明公開的技術(shù)范圍內(nèi)，可輕易想到的變化或替換，都應(yīng)涵蓋在本發(fā)明的保護范圍之內(nèi)。因此，本發(fā)明的保護范圍應(yīng)以所述權(quán)利要求的保護范圍為準。