论文部分内容阅读
高光谱图像(Hyperspectral Image,HSI)具有数百个相邻且狭窄的光谱通道,其高维特性为区分不同的地表覆盖类型提供了丰富的信息。然而,这些连续的波段中通常含有大量的冗余信息,易导致休斯现象和计算复杂度的增加。特征选择作为一种常用的高光谱降维技术,是从原始波段空间中选择最优的波段组合,试图消除波段间的冗余信息同时,保持良好的分类能力。为了解决高光谱数据“维数灾难”以及光谱空间冗余的问题,本文在已有研究结果的基础上,针对特征选择的降维方法展开了研究,提出了两种新的波段选择方法。(1)提出了一种基于灰狼优化器的高光谱图像波段选择方法。该方法采用波段子空间分解、波段子集选择和波段组合优化的“三步走”策略。利用基于高光谱数据集的光谱和信息增益(Information Gain,IG)曲线,改进了波段子空间分解技术,并结合灰狼优化器(Grey Wolf Optimizer,GWO)的优化策略实现了最优波段组合的选择。为了证明所选波段的有效性,采用SVM(Support Vetcor Machine,SVM)分类器和所选择出的最优波段组合,对高光谱图像进行了像素级的分类。并将提出的IG-GWO方法与五种有竞争性的波段选择方法分别在Indian Pines(AVIRIS 92AV3C)、Pavia University(ROSIS-3)和Salinas(AVIRIS 92AV3C)三个高光谱数据集上进行了测试,比较结果肯定了本文提出的波段选择方法的有效性。(2)在改进的波段子空间分解(Improved Subspace Decomposition,ISD)和人工蜂群(Artificial Bee Colony,ABC)算法的基础上,提出了一种ISD-ABC的无监督波段选择技术,尝试解决了HSI分类中的降维问题。通过计算相邻波段间的相关系数,结合HSI谱曲线的可视化结果,发展了一种改进的子空间分解方法(ISD)。与现有的子空间分解方法相比,这种基于视觉的技术克服了仅利用波段近邻相关系数的极小值点来确定波段子空间的弊端。并结合极大熵(Maximum Entropy,ME)准则和人工蜂群优化算法,在最大化波段组合信息的同时,降低了所选波段之间的冗余程度,实现最优波段组合的选择。为了评价该方法的有效性,在两个AVIRIS数据集(Indian Pines和Salinas)和一个ROSIS数据集(Pavia University)上进行了实验。实验结果表明,与其他六种先进的波段选择技术相比,该方法在实验用时和分类精度方面均表现出了良好的性能。