高光谱遥感图像波段选择研究进展综述

高光谱成像遥感技术可获取地物的光谱、辐射和空间信息,在国民经济的各个领域得到广泛的应用.但其狭窄的波段间距带来丰富光谱信息的同时,也带来了信息冗余,增加了数据处理的难度.因此,高光谱遥感数据在进行实际应用前,需要进行波段选择并提取光谱特征,降低数据维数.对高光谱遥感图像的波段选择研究进展进行了综述,在分析、归纳波段选择...     

森林树种高光谱波段的选择

高光谱是遥感技术发展的一个重要方向，也是地物识别的重要手段。本研究利用地物光谱仪对杉木、雪松、小叶樟树和桂花树4个树种进行高光谱数据测量，探索不同树种在不同波段上的识别能力。研究采用了逐步判别分析法和分层聚类法对实验数据进行数据分析。结果表明：逐步判别分析法选择的波段主要位于红、绿、蓝、和近红外区；分层聚类法选择的波段除了红、绿、蓝、和近红外波段外，还增加了蓝-绿边缘、绿-红边缘和红边区的波段。所选择的波段比原始波段在树种识别时具有更高的精度，最高识别精度达96．77％；边缘区波段对树种的识别有重要作用；用对数-微分变换处理较其他方法处理对树种识别有更好的效果。     

基于类别可分性的高光谱图像波段选择

高光谱遥感数据具有丰富的光谱信息,应用十分广泛,但其冗余的光谱信息有时会限制高光谱图像的分类等的精度以及计算复杂度.为了提高解译效率,高光谱图像降维不可或缺,这也是高光谱图像处理的研究热点之一.提出了一种基于类别可分性的高光谱图像波段选择方法(Endmember Separability Based band Selection,ESBB),该方法通过Mahalanobis距离最大化图像中各类地物的可分性来确定最优的波段组合.相较于其他监督波段选择算法,该方法不需要大量训练样本,不用对每个组合做分类处理.对波段选择后的结果进行分类的实验结果证明,该方法是一个快速有效的波段选择方法,可以得到一个较好的分类精度.     

基于K-AP算法的高光谱图像波段选择方法

在高光谱图像分析领域中，波段选择是一种能有效减少高光谱图像维度的方法。K类仿射传播算法是一种高效的聚类算法，已成功地应用于人脸识别和数据分析等领域，但在高光谱图像分析领域还少有成功的应用。提出将K-AP算法应用于高光谱图像波段选择，对高光谱图像进行有效的数据压缩。针对K-AP算法的特点，基于Kullback-Leibler散度定义了新的相似度矩阵，对波段进行度量，再使用K-AP算法进行聚类，选择最有代表性的波段。实验结果表明，与常用的波段选择方法相比，所提出的方法有更好的表现。     

基于SNMF聚类与类间可分性因子的高光谱波段选择

高光谱图像的波段范围广、光谱分辨率高,能为图像分类研究提供丰富的信息,但同时也给计算和存储带来了较大困难.论文提出一种基于SNMF聚类与类间可分性因子的方法来进行高光谱图像波段选择,以降低计算和存储开销.首先是数据预处理工作,将高光谱数据进行三维转二维表达,然后利用SNMF聚类算法得到波段的各个类簇,最后以各波段的类间...     

基于最大最小距离的高光谱遥感图像波段选择

为减少高光谱遥感图像光谱空间冗余,降低后续处理的计算复杂度,提出一种基于最大最小距离的高光谱图像波段选择算法。首先计算波段标准差,选定标准差最大的波段作为初始中心;然后使用最大最小距离算法得到相对距离较远的聚类中心,对波段进行聚类;最后使用K中心点算法更新聚类中心。实验仿真结果表明:通过基于最大最小距离算法选择的波段,能够选出同时满足信息量大、相关性小的要求的波段子集,并将获得的波段组合用于高光谱图像分类时,可以得到较好的分类精度。     

高光谱遥感数据最佳波段选择方法试验研究

分析了多光谱遥感数据最佳波段选择的信息量诸方法的内在联系,说明了信息量方法用于高光谱遥感数据最佳波段选择的局限性,提出了基于类间可分性的最佳波段选择原则和方法。通过试验,说明了各种处理方法的有效性、局限性和计算复杂度。     

使用深度对抗子空间聚类实现高光谱波段选择

高光谱图像（HSI）由数百个波段组成,波段之间的相关性强且具有较高的冗余度,导致出现维度灾难并且分类的复杂性很高。为此,使用深度对抗子空间聚类（DASC）网络进行高光谱的波段选择,并引入拉普拉斯正则化使网络更优,在保证分类精度的前提下降低分类的复杂度。该网络通过在编码器和解码器中引入自表达层来模仿传统子空间聚类的“自表达”属性,充分运用光谱信息和非线性特征转换得到波段之间的相互关系,解决传统波段选择方法无法同时考虑光谱和空间信息的问题。同时,引入对抗学习来监督自编码器的样本表示和子空间聚类,使得子空间聚类具有更好的自表达性能。为了使网络性能更优,加入拉普拉斯正则化来考虑反映图像几何信息的局部流形结构。实验在两个公开的高光谱数据集上进行,所提出的方法和几种主流的波段选择方法进行对比的结果表明,DASC方法在分类精度上优于对比方法,其选出的波段子集可以满足应用需求。     

基于偏最小二乘法的高光谱图像波段选择

波段选择是高光谱图像降维的重要手段,将偏最小二乘法引入到高光谱图像波段选择中来,提出一种基于偏最小二乘法的波段选择方法.首先用偏最小二乘法计算训练集样本的潜在向量,接着分析波段与潜在向量的相关程度以确定各波段对于图像分类的重要程度,最后分析候选波段的相关度,获得最终选择波段.实验结果表明,与其他现有波段选择方法相比,该...     

结合遗传算法和蚁群算法的高光谱图像波段选择

随着遥感技术和成像光谱仪的发展,高光谱遥感图像的应用越来越广泛,但其自身的特点给高光谱图像的分类、识别等带来了很大的困难.如何快速地从高达数百个波段的高光谱图像中选择出具有较好分类识别能力的波段组合是亟待解决的问题.针对上述问题分析了已有的波段选择方法,提出一种结合遗传算法和蚁群算法的高光谱图像波段选择方法.该算法首先利用遗传算法以较快的寻优能力获得几组较优解,以此来初始化蚁群算法的初始信息素列表,然后用蚁群算法以较高的求精解能力获得最优解,并且在遗传算法部分中采用四进制的编码方式,使得算法编/译码简单、遗传算子操作简捷、且处理时所占空间小,同时在蚁群算法部分中巧妙地对预处理图像进行子空间划分来缩小蚂蚁搜索的范围,提高了算法的搜索效率,减小了输出波段组合的相关性和冗余度.由于该算法充分地吸取遗传算法和蚁群算法的优点、克服各自的缺陷,是一种计算耗时少、收敛性能好的波段选择方法.利用AVIRIS(airborne visible infrared imaging spectrometer)图像对提出的算法进行实验,实验结果表明,本文算法在所选波段性能和计算耗时方面都获得令人满意的效果.     

一种改进的高光谱图像波段选择方法

根据高光谱波段选择的基本准则,将子空间划分、基于矩阵模式的高光谱波段选择方法(BSMM)、波段指数(OIF)三者相结合,提出了一种新的波段选择方法ABO。该方法首先根据各波段之间的相关性进行子空间划分;然后,在全波段范围内利用基于矩阵模式的高光谱波段选择方法得到单一量化指标W,选出各子空间中量化指标W取最大值所对应的波段;其次,针对已选波段计算任意3个波段的波段指数(OIF),波段指数最大值所对应的3个波段即为所选波段;最后,利用AVIRIS真实高光谱数据进行仿真实验,对所选3个波段进行RGB合成与HSV变换以及RX异常检测,通过与以往波段选择方法进行对比验证了所提方法的有效性。     

基于粗集理论的超谱图象特征谱段选择

超谱遥感图象具有高光谱分辨率的特点,其虽可以解决许多多光谱不能解决的目标识别及分类等问题,然而其巨大的数据量又给分析和应用带来困难.为了降低超谱的数据维数同时,又能尽可能保证有用信息的合理使用,提出了一种基于粗集理论进行超谱图象波段选择的方法,即通过谱段特征定义粗集,并通过决策表的约简来提取有效的特征集合.由真实超谱图象的实验结果可见,其具有较高的分类精度.由此可见,该方法可以有效地降低超谱图象的数据维数,并能获得合理的分类器.     

基于新型光谱相似度量的高光谱影像谱聚类算法

高斯径向基函数是基于光谱向量间欧氏距离的度量,其对于同种地物光谱变化的适应性较弱,使得基于高斯径向基函数的高光谱影像谱聚类算法的性能下降。为了解决该问题,从光谱曲线形状描述出发,基于光谱角度余弦提出了一种新型光谱相似度量,并将其用于构建谱聚类算法的亲和度矩阵。最后利用多组高光谱数据进行了实验分析,结果证明了该算法的有效性。     

一种基于多粒子群协同进化的高光谱图像波段选择与分类方法

针对高光谱图像分类过程中数据波段多以及信息冗余量大引起的处理速度慢及Hughes现象等问题,提出了一种基于多粒子协同进化算法进行高光谱图像自动波段选择与分类的方法:使用多粒子群协同进化算法搜索特征子集,对粒子群优化算法进行改进,定义新的位置和速度的更新策略,并以支持向量机为分类器,同时对特征子集和SVM核函数参数进行优化。在协同搜索过程中,引入遗传算法改善粒子群优化的"早熟"收敛问题,构建了一种新的MPSO-SVM(Multiple particle swarm optimization-SVM)分类模型。对高光谱遥感图像的实验结果表明:MPSO-SVM方法不仅能有效地压缩光谱的特征维数,得到最佳的波段组合,还能得到最优的SVM参数,达到较好的分类效果,提高分类精度。     

基于类对可分和灰色决策的高光谱波段选择方法

随着研究者对高光谱图像光谱信息的质量要求逐渐提高,其自身特点给图像信息的进一步提取带来了阻碍。现有单一波段选择方法不能完全顾及"信息量、相关性、类别可分性"3点准则,所得结果不可避免地受其他指标度量所约束。而利用灰色系统理论以小样本、贫信息、不确定性系统作为研究对象的属性,可以在将高光谱数据划分为子空间的基础上,进行灰色关联决策运算,从而克服了单指标度量的独立性与不相容性。因此,针对"确保类对可分"这日益高涨的需求,提出一种通过引入灰色关联决策对单一波段选择结果进行综合考量的波段选择方法。最后,通过实验与常见融合方法进行了对比。     

基于ETAFSVM的高光谱遥感图像自动波段选择和分类

提出了一种新型的具有良好特性的支持向量机--全间隔自适应模糊支持向量机(TAFSVM),并提出一种新的遗传算法--智能遗传算法(IGA)来设计一个TAFSVM分类器,称为ETAFSVM,同时优化高光谱遥感图像自动波段选择和TAFSVM参数集,并且结合5-fold交叉验证来确定其泛化能力,最后将ETAFSVM应用于高光谱遥感图像数据.通过先进行自适应波段选择后再用径向基神经网络分类器、K-最近邻分类器和标准支持向量机等3种方法进行全部分类精度比较,以及与这3种方法直接进行类别分类精度和平均分类精度比较,其结果表明运用ETAFSVM不仅可以自动进行波段选择,而且分类精度较高,对Hughes现象敏感性较低,是进行高光谱遥感图像分类的一种有效方法.