準(zhǔn)確率最高的波段為波段31， 并在原始波段中去除掉波段31，將波段加入已選波段集合S，則已選波段集合S= [31];
[0078] 5. 3 :接著是第二個(gè)波段的選擇，選擇219個(gè)剩余原始波段中的一個(gè)波段記作p，令 T = [S p]，此時(shí)已選波段集合S = [31]，以{Dk}，k = 1，2,…，462 ;為標(biāo)記樣本，其中 代表點(diǎn)k在波段集合T中的光譜值，Dk代表點(diǎn)k的最終標(biāo)簽，使用支撐向量機(jī)（SVM)對(duì) 標(biāo)記樣本進(jìn)行訓(xùn)練及分類，得到219個(gè)剩余原始波段的分類準(zhǔn)確度，選擇其中準(zhǔn)確率最高 的波段，本實(shí)施例中準(zhǔn)確率最高的波段為波段12,并在剩余原始波段中去除掉波段12,將 波段12加入已選波段集合S，則此時(shí)已選波段集合S= [31 12];
[0079] 5. 4 :第q+Ι個(gè)波段的選擇過(guò)程應(yīng)該是，選擇220-q個(gè)剩余原始波段中的一個(gè)波段 記作P，令T= [S p]，此時(shí)已選波段S= [31 12 …sq]，以{：>V，:Dk}，k= 1，2,…，462; 為標(biāo)記樣本，其中.1V代表點(diǎn)k在波段集合T中的光譜值，Dk代表點(diǎn)k的最終標(biāo)簽，使用支撐 向量機(jī)（SVM)對(duì)標(biāo)記樣本進(jìn)行訓(xùn)練及分類，得到220-q個(gè)剩余原始波段的分類準(zhǔn)確度，選擇 其中準(zhǔn)確率最高的波段，將該波段記為^q+1)，并在剩余原始波段中去除掉該波段，將％+1)加入已選集合S，則此時(shí)已選波段集合S= [31 12 ... Sq s(q+1)];
[0080] 5. 5 :重復(fù)執(zhí)行步驟5. 4,逐步選擇波段，直到達(dá)到所需的波段數(shù)目，此時(shí)已選集合 S中即為所需波段。
[0081] 本例中所有支撐向量機(jī)（svm)分類器都是由libsvm-3. 20工具箱實(shí)現(xiàn)，具體參數(shù) 設(shè)置為= 2, c = 1024, g = 2 7,其余參數(shù)使用默認(rèn)值；
[0082] 本例中選擇了 50個(gè)波段，最終已選波段集合S = [31 12 61 35 83 62 30 7 71 120 14 16 72 118 51 146 203 156 169 106 104 160 162 107 209 105 163 213 214 111 210 69 117 172 112 110 109 148 103 151 154 152 165 216 220 150 161 42 80 149] 〇
[0083] 下面結(jié)合附圖與仿真實(shí)驗(yàn)對(duì)本發(fā)明進(jìn)一步詳細(xì)說(shuō)明。
[0084] 實(shí)施例5 :
[0085] 基于像素聚類的wrapper式高光譜波段選擇方法同實(shí)施例1-4,實(shí)現(xiàn)過(guò)程包括有：
[0086] 步驟1 :高光譜數(shù)據(jù)輸入，輸入一幅原始高光譜圖像數(shù)據(jù)，大小為m*n*P,其中m、η 為圖像的長(zhǎng)和寬，P為波段數(shù)目。
[0087] 步驟2 :對(duì)高光譜圖像做超像素分割，得到N個(gè)超像素塊。
[0088] 步驟3 :在分割得到的超像素塊中，挑選最具代表性的像素點(diǎn)，每一個(gè)超像素塊挑 選一個(gè)最具代表性的像素點(diǎn)，共得到N個(gè)代表點(diǎn)。
[0089] 設(shè)第i塊超像素塊中有j個(gè)像素點(diǎn)，每個(gè)點(diǎn)的譜信息記為·^i A2%其中 每個(gè)元素*%: (k = 1，2, ...，j)都是一個(gè)P維向量，表示該點(diǎn)的譜信息。則塊內(nèi)平均光譜值 為：
[0091] 計(jì)算塊內(nèi)每一點(diǎn)乂（k = 1，2，...，j)與的相關(guān)性，得到 Icorr1, corr2, ...，CorrjI。挑選相關(guān)性最大的點(diǎn)作為最具代表性像素點(diǎn)；N個(gè)超像素塊共 挑選出N個(gè)代表點(diǎn)，記作Iy1, y2, . . .，yk, . . .，yN}，其中yk是一個(gè)P維向量，表示該點(diǎn)的譜信 息。
[0092] 步驟4 :使用k-medoids聚類方法對(duì)N個(gè)代表點(diǎn)聚類。
[0093] 假設(shè)N個(gè)代表點(diǎn)聚成C類，則每個(gè)代表點(diǎn)屬于{1，2，...，C}中的某一類，可表示為 {yk, Ck} (k = 1，2, · · ·，N);得到初始聚類結(jié)果；
[0094] 步驟5 :用聚類之后得到的類別作為標(biāo)簽，使用支撐向量機(jī)分類器優(yōu)化聚類結(jié)果。
[0095] 將初始聚類類別(；作為標(biāo)簽，結(jié)合譜信息y ,使用支撐向量機(jī)（SVM)優(yōu)化聚類。假 設(shè)優(yōu)化之后N點(diǎn)分成D類，則可表示為{yk，Dk} (k = 1，2,. . .，N)，其中Dke {1，2,. . .，D}; 得到了最終聚類結(jié)果；
[0096] 步驟6 :以代表性像素點(diǎn)的最終聚類結(jié)果作為最終標(biāo)簽，將代表點(diǎn)用做標(biāo)記樣本， 使用wrapper式波段選擇方法逐步挑選波段，得到所選波段集合。
[0097] wrapper式波段選擇方法具體實(shí)施步驟如下：
[0098] 設(shè)已經(jīng)選擇的波段集合為S，起始時(shí)S為空，即S = 口；
[0099] 首先是第一個(gè)波段的選擇，選擇P個(gè)波段中的一個(gè)波段記作p，令T= [S p]，以 { %，D1J為樣本（其中代表點(diǎn)k在波段集合T中的數(shù)值）進(jìn)行支撐向量機(jī)（SVM)訓(xùn)練 及分類。P個(gè)波段得到P個(gè)不同的分類準(zhǔn)確度，選擇其中準(zhǔn)確率最高的波段，將該波段記為 S1，并在原始波段中去除掉S1，將81加入集合S，則S= [S1];
[0100] 接著是第二個(gè)波段的選擇，選擇P-I個(gè)波段中的一個(gè)波段記作P，令T= [S P]，此 時(shí)已選波段集合S = [S1]，以{)>，DJ為樣本（其中A代表點(diǎn)k在波段集合T中的數(shù)值） 進(jìn)行支撐向量機(jī)（SVM)訓(xùn)練及分類。P-I個(gè)波段得到P-I個(gè)不同的分類準(zhǔn)確度，選擇其中準(zhǔn) 確率最高的波段，將該波段記為S2，并在原始波段中去除掉S2，將82加入集合S，則S = [s i S2];
[0101] 波段選擇按如上方法依次進(jìn)行；
[0102] 第q+Ι個(gè)波段的選擇過(guò)程應(yīng)該是，選擇Ρ-q個(gè)波段中的一個(gè)波段記作p，令T = [S P]，此時(shí)已選波段S = [Sl，s2, · · ·，sq]，以{ %，D1J為樣本（其中％代表點(diǎn)k在波段集 合T中的數(shù)值）進(jìn)行支撐向量機(jī)（SVM)訓(xùn)練及分類。Ρ-q個(gè)波段得到Ρ-q個(gè)不同的分類準(zhǔn) 確度，選擇其中準(zhǔn)確率最高的波段，將該波段記為s(q+1)，并在原始波段中去除掉該波段，將 s(q+1jP入集合S，則S = [s u s2, . . .，sq, s(q+1)];最終按照如上方法依次選擇，得到需要數(shù)目 的波段即可。
[0103] 為了說(shuō)明本發(fā)明的有效性，通過(guò)如下的實(shí)驗(yàn)進(jìn)行論證。
[0104] 實(shí)施例6 :
[0105] 基于像素聚類的wrapper式高光譜波段選擇方法同實(shí)施例1-5,仿真過(guò)程包括有：
[0106] 1.仿真實(shí)驗(yàn)條件：
[0107] 本發(fā)明的仿真實(shí)驗(yàn)采用的硬件測(cè)試平臺(tái)是：處理器為Inter Core i5-3230M，主頻 為2. 60GHz，內(nèi)存4GB ;軟件平臺(tái)為：Windows 7旗艦版64位操作系統(tǒng)、Matlab R2015a進(jìn)行 仿真測(cè)試。
[0108] 2.仿真實(shí)驗(yàn)數(shù)據(jù)：
[0109] 本例中采用的是R0SIS-03光學(xué)傳感器所記錄的帕維亞大學(xué)的圖像，以及通過(guò)機(jī) 載可見(jiàn)光及紅外成像光譜儀AVIRIS獲取的印第安納州高光譜圖像進(jìn)行分類算法仿真；將 帕維亞大學(xué)的高光譜圖像記為paviaU，印第安納州高光譜圖像記為indian pines。
[0110] 兩幅圖像的高光譜數(shù)據(jù)以及對(duì)應(yīng)的ground truth圖都來(lái)自于：
[0111] http://www.ehu.es/ccwintco/index.php ? title = Hyperspectral_Remote_ Sensi ng-Scenes.
[0112] 3.仿真過(guò)程：
[0113] 本次仿真實(shí)驗(yàn)選擇兩個(gè)現(xiàn)有的具有代表性的波段方法與本發(fā)明相比較。
[0114] 第一種方法是基于相似度的無(wú)監(jiān)督高光譜波段選擇方法，該方法來(lái)源于文 南犬：[Q.Du and H.Yang, "Similarity-based unsupervised band selection for hyperspectral image analysis，''Geoscience and Remote Sensing Letters, IEEE, vol. 5, no. 4, pp. 564 - 568, 2008.]。在本次實(shí)驗(yàn)中簡(jiǎn)記為 SBBS。
[0115] 第二種方法是最大化方差PCA，該方法來(lái)源于文獻(xiàn)：[C. -I. Chang，Q. Du，T. -L. Sun, and M. L. Althousejuk joint band prioritization and band-decorrelation approach to band selection for hyperspectral image classification， "Geoscience and Remote Sensing, IEEE Transactions on，vol. 37, no. 6, pp. 2631 - 2641，1999. ]〇 在本 次實(shí)驗(yàn)中簡(jiǎn)記為MVPCA。
[0116] 為了驗(yàn)證波段選擇的有效性，在進(jìn)行波段選擇之后，會(huì)使用所選波段對(duì)應(yīng)的高光 譜數(shù)據(jù)，以ground truth圖中的類別作為標(biāo)簽，參與高光譜圖像分類實(shí)驗(yàn)，以分類準(zhǔn)確度作 為波段選擇性能的判斷標(biāo)準(zhǔn)。
[0117] 對(duì)于indian pines圖像，本例中使用本發(fā)明的方法與SBBS和MVPCA三種方法都 選取