本發(fā)明涉及高光譜圖像處理領域，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：

高光譜遙感圖像具有紋理、相關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)分不同物質的診斷性光譜特征，使得高光譜遙感可以探測到更多的地物信息，極大提高了人類對客觀世界的認知能力。

目前的研究中更多的是選擇相關的度量函數(shù)作為光譜排序的度量準則，然后基于度量函數(shù)對光譜信息進行排序，其中，基于光譜排序的波段選擇僅僅考慮給定任務的波段優(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波段和其它所有波段之間的最大相關性作為冗余波段去除作為標準，這往往又會導致一些更高優(yōu)先級的波段被低優(yōu)先級的波段所替代，且沒有對波段優(yōu)先級和波段冗余性之間的權衡給出相關的標準。

還有的部分波段選擇算法將分類精度作為目標函數(shù)，確定評價函數(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雜的搜索策略。王立國等人把蜂群算法應用到波段選擇上，gao等人將粒子群優(yōu)化算法應用到波段選擇方法中，此外，波段聚類和稀疏非負矩陣分解聚類等技術的引入也有利于波段選擇精度的提高。

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

技術實現(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性和冗余性之間的權衡標準，不能很好地選擇出更有利于高光譜圖像進行分類的有用信息更大的波段問題。

本發(fā)明提供的技術方案是：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記信息；

s2、融合多個空間鄰域內的空間特征和紋理特征，利用波段的相關性度量準則對所有波段按相關性由低到高進行排序，得到波段序列1；

s3、按照波段序列1調整所有接收到的高光譜圖像樣本并轉換成一個二維反射率矩陣，利用所述二維反射率矩陣計算波段之間的相關性矩陣，分別基于相關性矩陣中每行的最大值、平均值和方差值對所有波段進行排列，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、對每個波段在上述四個波段序列中的排序序號加權求和，獲得每個波段的最終排序序號；

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

優(yōu)選，所述s2具體包括如下步驟：

s201、首先利用lbp算子提取每個樣本在每個鄰域下的每個波段下的局部紋理特征，其中，類別標記為c的第j個樣本在ω鄰域下的波段b處的局部紋理特征按照公式(1)進行計算

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數(shù)；

s202、利用公式(2)計算每個類別下所有樣本在每個鄰域下的每個波段下的局部紋理特征，并組成紋理特征向量，其中，類別標記為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)進行計算

其中，nc表示類別標記為c的樣本個數(shù)；

類別標記為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個鄰域，k表示鄰域的個數(shù)；

s203、對于每個波段，利用余弦度量方法，計算任意兩個類別之間的相關系數(shù)ρ，統(tǒng)計波段在任意兩類間的相關系數(shù)計算出新的波段相關性度量準則ξ，其中，波段b在類別cx和cy之間的相關系數(shù)ρ通過公式(3)計算，波段相關性度量準則ξb通過公式(4)計算

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

進一步優(yōu)選，所述s3具體包括如下步驟：

s301、按照波段序列1，對所有標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為帶類別標記信息的樣本數(shù)，矩陣v中的每個元素vb,m表示第m個樣本在第b個波段的反射率；

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

s303、分別基于相關性矩陣d中每行的最大值、平均值和方差值對所有波段進行排列，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。

進一步優(yōu)選，所述s4具體如下：

通過公式(5)計算每個波段的最終排序序號

其中，表示波段b在第r個序列中的位置序號，w^r表示第r個序列在所有序列中所占的權重值。

本發(fā)明提供的基于多模態(tài)融合的光譜波段選擇方法，結合了空間鄰域信息、紋理特征來計算不同類別之間相同波段的相關性，并根據(jù)上述相關性的高低對所有波段進行排序；通過相關性矩陣，計算相關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，平均值和方差值對所有波段重新排序，至此，共得到4個排序序列，之后通過對每個波段在上述四個波段序列中的排序序號加權求和，可以獲得各個波段的最終排序序號，最后根據(jù)需要，選擇序號靠前的n個波段作為選擇波段，將后面的波段去除，即完成了對波段的有效選擇。

本發(fā)明提供的基于多模態(tài)融合的光譜波段選擇方法，同時考慮豐富的多模態(tài)信息，采用有監(jiān)督策略計算波段相關性，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，利用波段間的相關性分布來去除冗余波段，得到更利于高光譜圖像進行分類的光譜波段。

附圖說明

下面結合附圖及實施方式對本發(fā)明作進一步詳細的說明：

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。

具體實施方式

下面將結合具體的實施方案對本發(fā)明進行進一步的解釋，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記信息；

s2、融合多個空間鄰域內的空間特征和紋理特征，利用波段的相關性度量準則對所有波段按相關性由低到高進行排序，得到波段序列1；

s3、按照波段序列1調整所有接收到的高光譜圖像樣本并轉換成一個二維反射率矩陣，利用所述二維反射率矩陣計算波段之間的相關性矩陣，分別基于相關性矩陣中每行的最大值、平均值和方差值對所有波段進行排列，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、對每個波段在上述四個波段序列中的排序序號加權求和，獲得每個波段的最終排序序號；

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

該基于多模態(tài)融合的光譜波段選擇方法，同時考慮豐富的多模態(tài)信息，采用有監(jiān)督策略計算波段相關性，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，利用波段間的相關性分布來去除冗余波段，得到更利于高光譜圖像進行分類的光譜波段。

作為技術方案的改進，所述s2具體包括如下步驟：

s201、首先利用lbp算子提取每個樣本在每個鄰域下的每個波段下的局部紋理特征，其中，類別標記為c的第j個樣本在ω鄰域下的波段b處的局部紋理特征按照公式(1)進行計算

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數(shù)；

s202、利用公式(2)計算每個類別下所有樣本在每個鄰域下的每個波段下的局部紋理特征，并組成紋理特征向量，其中，類別標記為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)進行計算

其中，nc表示類別標記為c的樣本個數(shù)；

類別標記為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個鄰域，k表示鄰域的個數(shù)；

s203、對于每個波段，利用余弦度量方法，計算任意兩個類別之間的相關系數(shù)ρ，統(tǒng)計波段在任意兩類間的相關系數(shù)計算出新的波段相關性度量準則ξ，其中，波段b在類別cx和cy之間的相關系數(shù)ρ通過公式(3)計算，波段相關性度量準則ξb通過公式(4)計算

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

作為技術方案的改進，所述s3具體包括如下步驟：

s301、按照波段序列1，對所有標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為帶類別標記信息的樣本數(shù)，矩陣v中的每個元素vb,m表示第m個樣本在第b個波段的反射率；

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

s303、分別基于相關性矩陣d中每行的最大值、平均值和方差值對所有波段進行排列，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。

作為技術方案的改進，所述s4具體如下：

通過公式(5)計算每個波段的最終排序序號

其中，表示波段b在第r個序列中的位置序號，w^r表示第r個序列在所有序列中所占的權重值。

實施例1

s1、接收高光譜圖像樣本和樣本的類別標記信息；

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個樣本數(shù)，200個波段)，以及該數(shù)據(jù)集對應的類別標記信息，一共是1-16，代表16個樣本類別。

s2、融合多個空間鄰域內的空間特征和紋理特征，利用波段的相關性度量準則將所有波段按相關性由低到高進行排序，得到波段序列1；

具體步驟如下：

s201、取每個樣本的3*3，5*5，7*7，9*9，11*11這5個鄰域，首先，將3*3這個鄰域下的每一個波段下所有樣本輸入到lbp濾波函數(shù)中進行濾波，輸出每個波段在3*3這個鄰域下的145*145個樣本濾波后的值，以波段1為例，將波段1中的145*145個像元輸入到lbp濾波函數(shù)中，利用公式和公式得到波段1在3*3這個鄰域下的145*145個樣本濾波后的值，同理，計算出所有波段在5個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數(shù)，第三個維表示鄰域的個數(shù)，第四維表示波段的總數(shù)。

s202、計算每個類別下所有樣本在每個鄰域下的每個波段下的局部紋理特征，其中，類別標記為c的所有樣本在領域ω內的波段b的紋理特征按照公式(2)進行計算

其中，nc表示類別標記為c的樣本的個數(shù)。以計算類別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的所有樣本的個數(shù)，即為同理，可以得到這5個鄰域下的值，即同理，可以計算出波段1下的16個類別在5個鄰域下的特征向量最后在每個波段下均可得到一個16*5的矩陣，第一維表示類別數(shù)，第二維表示鄰域個數(shù)，即可以理解為每個類別的特征向量由5個鄰域值組成。

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

s204、對s203中得到的所有波段的相關性ξ進行排序，相關性最低的即為被選優(yōu)先級高的波段，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調整所有接收到的高光譜圖像樣本并轉換成一個二維反射率矩陣v∈r^b*m，其中，b為波段數(shù)，m為帶類別標記信息的樣本數(shù)，矩陣v中的每個元素vb,m表示第m個樣本在第b個波段的反射率；具體步驟如下：

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

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

s303、分別基于相關性矩陣d中每行的最大值、平均值和方差值對所有波段進行排列，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、利用公式計算每個波段的最終排序序號。

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證的方法進行多次計算，取使得正確率較高的w^r的權值。得到最終的序列后，通過正確率的曲線趨勢，發(fā)現(xiàn)在取前120個波段時，正確率基本趨于平緩，所以針對這個數(shù)據(jù)集，波段n的取值為120。

實施例2

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

本發(fā)明的具體實施方式是按照遞進的方式進行撰寫的，著重強調各個實施方案的不同之處，其相似部分可以相互參見。

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