本發(fā)明涉及圖像處理領(lǐng)域，尤其涉及一種基于關(guān)鍵波段提取的高光譜圖像波段選擇方法及裝置。

背景技術(shù)：

高光譜遙感是近年發(fā)展起來的一種新型遙感探測技術(shù)，具有廣泛應用前景。高光譜遙感圖像一般由上百個波段組成，包含了豐富的空間、輻射和光譜信息。但大量的波段增加了高光譜圖像異常檢測的時間，波段間的相關(guān)性降低了檢測精度。因此，有效利用高光譜數(shù)據(jù)的前提，是選擇合適的特征對高光譜數(shù)據(jù)進行降維，現(xiàn)有兩種方法實現(xiàn)降維：一是特征提取，二是波段選擇。利用特征提取的方法會導致提取的特征失去原有的物理意義，算法復雜，且不利于圖像解釋；波段選擇的方法比特征提取的方法更簡單，更關(guān)鍵的是選擇后的波段仍然保留了原始波段的物理含義以及地物的光譜特性。

國內(nèi)外現(xiàn)有的波段選擇算法大體上可以分為4類：(1)基于信息度量的波段選擇方法；(2)基于最優(yōu)子集選擇準則方法(3)聚類后分組選擇的方法；(4)基于波段重構(gòu)誤差最小的方法。這些方法直接從原始圖像的所有波段中選取最優(yōu)波段子集，波段選擇的速度和精度都有進一步提升空間?？焖俚年P(guān)鍵波段子集預提取是提升現(xiàn)有波段選擇方法效率的有效手段。但現(xiàn)有的關(guān)鍵波段提取方法存在兩個主要問題：(1)基于圖像聚類的類平均光譜提取關(guān)鍵波段，高光譜圖像混合像元的存在使得基于聚類的硬分類結(jié)果不能準確反映地物真實分布；(2)現(xiàn)有的關(guān)鍵波段提取方法只考慮所有的波峰波谷點，結(jié)果導致漏提一些明顯的關(guān)鍵點或提取出較多不明顯的關(guān)鍵點，起不到提升波段選擇效率的作用。

技術(shù)實現(xiàn)要素：

針對現(xiàn)有技術(shù)中的不足，本發(fā)明的目的是提供一種基于關(guān)鍵波段提取的高光譜圖像波段選擇方法及裝置，提高高光譜圖像關(guān)鍵波段提取效果，有效確定最佳波段數(shù)，提升現(xiàn)有多種波段選擇方法的效率，解決因波段間的相關(guān)性導致高光譜圖像異常檢測精度低的問題。

為實現(xiàn)上述目的，本發(fā)明提供了如下技術(shù)方案：

一種基于關(guān)鍵波段提取的高光譜圖像波段選擇方法，具體實現(xiàn)步驟如下：

步驟1、確定高光譜圖像典型地物種類，即端元個數(shù)p；

步驟2、對高光譜圖像提取p個端元光譜；

步驟3、對每個端元光譜利用基于三點矢量夾角分析的方法提取關(guān)鍵點子集，合并所有關(guān)鍵點子集構(gòu)造侯選波段子集；

步驟4、根據(jù)波段間相似性具有塊狀分布的特點，構(gòu)造波段間局部信息散度矩陣的可視圖，確定最佳波段數(shù)范圍；

步驟5、根據(jù)所述最佳波段數(shù)范圍設(shè)定待選擇的波段數(shù)，采用信息量度量法中的任意一種方法或最優(yōu)子集選擇準則法中的任意一種方法，確定最優(yōu)波段子集。

所述信息量度量的方法是指采用不同信息量度量指標的一大類方法，信息量度量指標包括波段圖像的信噪比、偏度、峰度和波段間的K-L散度、互信息等。

所述最優(yōu)子集選擇準則法是指采用不同最優(yōu)子集選擇準則的一大類方法，最優(yōu)子集選擇準則包括豐度估計協(xié)方差最小、協(xié)方差矩陣行列式最大和噪聲最小且協(xié)方差矩陣行列式最大等。

進一步地，步驟3所述的基于三點矢量夾角分析的方法具體包括：

3-1.獲取第i條端元光譜曲線上第q-1、q、q+1三點的光譜值，即曲線縱坐標值z_q-1、z_q、z_q+1，其中q＝2,3,...,L-1；其中L為波段數(shù)；

3-2.計算q-1、q、q+1三點形成的夾角θ，其中0<θ≤π；

3-3.根據(jù)判斷準則判斷第q點是否為關(guān)鍵點，若是，添加到當前第i個關(guān)鍵波段集合KeyBand_i中。

進一步地，所述的步驟3-2的夾角θ的計算方法為：

進一步地，所述的步驟3-3的判斷準則如下：

當所述q-1、q、q+1三點的縱坐標值z_q-1、z_q、z_q+1滿足{(((z_q-1<z_q)∩(z_q+1<z_q))∪((z_q-1>z_q)∩(z_q+1>z_q)))∩(θ>α)}∪(θ>β)，并且abs(z_q+1-z_q)+abs(z_q+1-z_q)>τ，則q點為關(guān)鍵點，其中，夾角θ由所述q-1、q、q+1三點形成，α、β為決定提取出的關(guān)鍵點個數(shù)的預設(shè)參數(shù)，且滿足0<α<β≤π，τ為反映變化幅度的參數(shù)。

進一步地，步驟4所述的最佳波段數(shù)范圍的確定方法具體如下：

4-1.根據(jù)波段間相似性具有塊狀分布的特點，計算各波段與左右相鄰三分之一波段數(shù)范圍內(nèi)的波段間的相似性度量值；

4-2.根據(jù)相似性度量值，描繪所述局部信息散度矩陣的可視圖，根據(jù)可視圖對角線為中心的大小方塊數(shù)確定最佳波段數(shù)范圍。

進一步地，步驟4-1所述的波段間相似性度量值的度量指標選用K-L散度；N個像元的高光譜圖像第i個波段數(shù)據(jù)表示為B_i＝[b_i1,b_i2,…b_iN]^T，將波段B_i歸一化后得到計算第j個波段圖像相對于第i個波段圖像的K-L散度第j個波段和第i個波段間的相似性度量值為

本發(fā)明還提供了一種基于關(guān)鍵波段提取的高光譜圖像波段選擇裝置，所述裝置包括端元數(shù)確定模塊、端元提取模塊、關(guān)鍵波段子集構(gòu)造模塊、相似性度量矩陣可視圖繪制模塊以及最優(yōu)波段子集確定模塊；

所述的端元數(shù)確定模塊，用于確定高光譜圖像典型地物種類，即端元個數(shù)p；

所述的端元提取模塊，用于對高光譜圖像提取p個端元光譜；

所述的關(guān)鍵波段子集構(gòu)造模塊，用于對每個端元光譜利用基于三點矢量夾角分析的方法提取關(guān)鍵點子集，合并所有關(guān)鍵點子集構(gòu)造侯選波段子集；

所述的相似性度量矩陣可視圖繪制模塊，用于根據(jù)波段間相似性具有塊狀分布的特點，構(gòu)造波段間局部信息散度矩陣的可視圖，確定最佳波段數(shù)范圍；

所述的最優(yōu)波段子集確定模塊，根據(jù)所述最佳波段數(shù)范圍設(shè)定待選擇的波段數(shù)，采用信息量度量法中的任意一種方法或最優(yōu)子集選擇準則法中的任意一種方法，確定最優(yōu)波段子集。

進一步地，所述高光譜圖像波段選擇裝置還包括應用模塊，所述應用模塊使用波段選擇結(jié)果來進行高光譜圖像目標檢測或分類。

進一步地，所述關(guān)鍵波段子集構(gòu)造模塊構(gòu)造侯選波段子集的具體步驟包括：

(1)獲取第i條端元光譜曲線上第q-1、q、q+1三點的光譜值，即曲線縱坐標值z_q-1、z_q、z_q+1，其中q＝2,3,...,L-1；其中L為波段數(shù)；

(2)計算q-1、q、q+1三點形成的夾角θ，其中0<θ≤π；計算方法為：

(3)根據(jù)判斷準則判斷第q點是否為關(guān)鍵點，若是，添加到當前第i個關(guān)鍵波段集合KeyBand_i中；所述的判斷準則如下：

當所述q-1、q、q+1三點的縱坐標值z_q-1、z_q、z_q+1滿足{(((z_q-1<z_q)∩(z_q+1<z_q))∪((z_q-1>z_q)∩(z_q+1>z_q)))∩(θ>α)}∪(θ>β)，并且abs(z_q+1-z_q)+abs(z_q+1-z_q)>τ，則q點為關(guān)鍵點，其中，夾角θ由所述q-1、q、q+1三點形成，α、β為決定提取出的關(guān)鍵點個數(shù)的預設(shè)參數(shù)，且滿足0<α<β≤π，τ為反映變化幅度的參數(shù)。

(4)利用每一條光譜曲線的關(guān)鍵波段集合KeyBand₁,KeyBand₂,...,KeyBand_p構(gòu)造候選波段集合KeySet，所述候選波段集合滿足KeySet＝KeyBand₁∪KeyBand₂∪KeyBand₃∪...∪KeyBand_p。

本發(fā)明的有益效果在于：

(1)針對現(xiàn)有技術(shù)中直接對原始圖像的所有波段中選取最優(yōu)波段子集，導致波段選擇效率不高的問題，本發(fā)明采用先對高光譜圖像的原始數(shù)據(jù)進行關(guān)鍵波段提取，在此基礎(chǔ)上再應用信息度量方法或最優(yōu)子集選擇準則方法，優(yōu)中選優(yōu)，從而提高了波段選擇效率；

(2)本發(fā)明提出基于三點矢量夾角分析的關(guān)鍵波段提取新方法，能夠盡可能地提取所有明顯的關(guān)鍵點，同時避免提取出噪聲引起的關(guān)鍵點或不明顯的關(guān)鍵點，得到的結(jié)果更好。

(3)本發(fā)明提出對端元光譜曲線提取關(guān)鍵波段子集，減少了高光譜圖像混合像元的普遍存在對關(guān)鍵波段提取效果的影響。

(4)本發(fā)明提出基于波段相似性度量矩陣可視圖的最佳波段數(shù)范圍確定新方法，并且只需計算各波段與左右相鄰三分之一波段數(shù)范圍內(nèi)的波段間的相似性度量值，減少了計算量。

附圖說明

圖1為本發(fā)明高光譜圖像波段選擇方法實施例的基本步驟流程圖。

圖2為本發(fā)明高光譜圖像波段選擇裝置的結(jié)構(gòu)示意圖。

圖3為某海軍機場AVIRIS高光譜圖像

圖4中，(a)為圖3截取的100×100子圖的第72波段，(b)為改子圖中38個飛機目標的真實位置分布。

圖5為從圖4(a)中提取的7條端元光譜曲線及關(guān)鍵波段示意圖。

圖6中，(a)為關(guān)鍵波段間相似性可視圖，(b)原始波段間相似性可視圖。

圖7中，(a)-(d)分別為SFS_MNBS、Key_SFS_MNBS、MI和Key_MI四種方法結(jié)合RX異常檢測的二值化檢測結(jié)果。

圖8為MI波段選擇+RX異常檢測所得結(jié)果的ROC曲線。

圖9為Key_MI波段選擇+RX異常檢測所得結(jié)果的ROC曲線。

圖10為SFS_MNBS波段選擇+RX異常檢測所得結(jié)果的ROC曲線。

圖11為Key_SFS_MNBS波段選擇+RX異常檢測所得結(jié)果的ROC曲線。

具體實施方式

為了使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚，下面結(jié)合具體的實施例詳細說明本發(fā)明。下面描述了具體實施例以簡化本發(fā)明。但是需要認識到，本發(fā)明不局限于所說明的實施例，并且在不脫離基本原理的前提下，本發(fā)明的各種修改是可能的，這些等價形式同樣落于本申請所附權(quán)利要求書所限定的范圍。

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?；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，為所發(fā)明的高光譜圖像波段選擇方法實施例的基本步驟流程圖。如圖2所示，為所發(fā)明的高光譜圖像波段選擇裝置的結(jié)構(gòu)示意圖。

實施例一

步驟一：使用HFC(Harsanyi-Farrand-Chang)方法確定端元個數(shù)。

(1)計算得到圖像數(shù)據(jù)的協(xié)方差矩陣K_L×L和自相關(guān)矩陣R_L×L。

(2)分別求出協(xié)方差矩陣和自相關(guān)矩陣的特征值集合，記為{λ₁≥λ₂≥…λ_L}和其中L為光譜波段數(shù)。

(3)求得光譜圖像的第第l個波段的近似噪聲方差值其中M×N表示圖像中元素的個數(shù)。

(4)計算概率密度函數(shù)

(5)給定虛警概率P_F，根據(jù)和求得τ_l值

(6)滿足的特征值個數(shù)，就是所求的波段數(shù)。

步驟二：使用FNSGA(Fast NewSimplexGrowingAlgorithm)單形體增長算法實現(xiàn)端元提取，得到端元光譜曲線。

(1)對圖像中每個像元r_i(i＝1,2,3,...,M×N)，計算其空間像素純度指數(shù)(spatialpixelpurityindex，SPPI)，且像元r_i的空間像素純度指數(shù)用P_i表示，那么將具有最小值的P_i所對應的像元作為第一個端元，即e₁＝r_id(1)，其中此時計數(shù)器n＝1；

(2)對圖像中每一個像元r_i(i＝1,2,...,M×N)，計算其得到的單形體體積將得到最大單形體體積V的像元作為第二個端元e₂，即：e₂＝r_id(2)，此時n＝2；

(3)循環(huán)步驟：當n≥2時，每增加一個像元r_i，構(gòu)造矩陣A_n-1＝[e₂-e₁,e₃-e₁,...,e_n-e₁]及A_n⁽ⁱ⁾＝[A_n-1 r_i-e₁]，并且計算體積其中，det(A^TA)根據(jù)下式計算：

尋找具有最大單形體體積V的像元作為第n個端元，即，e_n＝r_id(n)，

(4)若n<p，則n＝n+1，跳至循環(huán)(3)，否則終止循環(huán)，得到最終目標端元{e₁,e₂,e₃,..,e_p}。

步驟三：對每個端元的光譜曲線使用提出的基于三點的關(guān)鍵點提取算法，提取關(guān)鍵波段，構(gòu)造關(guān)鍵波段集合。

光譜曲線個數(shù)為p，每條曲線具有L個數(shù)據(jù)點，關(guān)鍵波段的下標集合為

(1)計數(shù)器i＝1；

(2)輸入第i條光譜曲線(實際為一維行向量)，e_n＝[d₁,d₂,d₃,..,d_L],d_j為光譜曲線上第j個數(shù)據(jù)點，令計數(shù)器j＝1；

(3)取d_j、d_j+1、d_j+2的數(shù)據(jù)存入z_q-1、z_q、z_q+1，計算三點所成的夾角θ，計算表達式如下：

(4)根據(jù)下述判斷準則判斷第j點是否為關(guān)鍵點，若是則KeyS＝KeyS∪{j}，若否，則不做改變；

{(((z_q-1<z_q)∩(z_q+1<z_q))∪((z_q-1>z_q)∩(z_q+1>z_q)))∩(θ>α)}∪(θ>β)，并且abs(z_q+1-z_q)+abs(z_q+1-z_q)>τ，其中，θ為所述q-1、q、q+1三點形成的夾角，α、β為決定提取出的關(guān)鍵點個數(shù)的預設(shè)參數(shù)，且滿足0<α<β≤π，τ為反映變化幅度的參數(shù)。

(5)若j<L，則j＝j(luò)+1，跳至第(3)步，否則進入第(6)步

(6)若i<p，則i＝i+1，跳至第(2)步，否則終止循環(huán)；

(7)合并各條端元曲線提取的關(guān)鍵點，得到最終關(guān)鍵波段號集合KeyS。

步驟四：根據(jù)關(guān)鍵波段子集中各波段間的相似性度量可視圖，確定最佳波段數(shù)范圍。

假設(shè)關(guān)鍵波下標集合KeyS的大小為k，關(guān)鍵波段集合記作Φ_2d＝{B₁,B₂,…,B_k}∈R^MN×k，其中MN＝M×N。

(1)將波段B_i歸一化后得到，

(2)t＝k/3，并取整，初始化信息散度矩陣C為k×k的全0矩陣。

(3)計算

(4)計算

(5)畫C矩陣的值對應的二維圖像，根據(jù)圖像對角線為中心的大小方塊數(shù)確定最佳波段數(shù)范圍。

步驟五：對關(guān)鍵波段子集KeyS對應的數(shù)據(jù)，使用基于MNBS準則的SFS波段選擇方法，進行波段選擇。

假設(shè)關(guān)鍵波段子集中有k個波段，k個波段數(shù)據(jù)記作Φ＝{D₁,D₂,…,D_k}∈R^M×N×k，任意設(shè)定要選擇的波段數(shù)，使其屬于步驟四的波段數(shù)范圍，記為num(num<k)。

(1)計算Φ對應的噪聲矩陣N，對于Φ中每個波段D_i∈R^M×N×1，其對應噪聲矩陣為noise_i∈R^M*N*1，noise_i中各項通過下式計算：

其中D_i(m,n)和noise_i(m,n)分別代表第i波段圖像和對應的噪聲圖像中第m行第n列的元素，有m＝1,2,3...,M，n＝1,2,3,...,N。

(2)得到Φ和N的二維形式，即將一副M×N的圖像矩陣存入MN×1的一維向量中，得到新的數(shù)據(jù)Φ_2d＝[B₁,B₂,…,B_k]∈R^MN×k和N_2d＝[n₁,n₂,…,n_k]∈R^MN×k，計算原數(shù)據(jù)Φ和噪聲數(shù)據(jù)N的協(xié)方差矩陣Σ_Φ∈R^k×k和Σ_N∈R^k×k，即Σ_Φ＝Φ_2d^T*Φ_2d，Σ_N＝N_2d^T*N_2d。設(shè)初始已選波段為令計數(shù)器j＝1。

(3)對于所有k個波段，計算每個波段的圖像質(zhì)量指數(shù)Q，第i個波段band_i的圖像質(zhì)量指數(shù)其中將具有最大圖像質(zhì)量指數(shù)的波段作為最優(yōu)波段，對應波段號加入已選波段集合S，即：S＝S∪{id(1)}，令j＝2。

(4)當j≥2時，計算所有k個波段的圖像質(zhì)量指數(shù)Q。對于第i個波段band_i的圖像質(zhì)量指數(shù)Q_i，根據(jù)下式計算：

其中，

將具有最大圖像質(zhì)量指數(shù)的波段作為最優(yōu)波段，對應波段號加入已選波段集合S，即：S＝S∪{id(j)}，

(5)若j<n，j＝j(luò)+1，并且跳至第(4)步。否則，終止循環(huán)，得到最終選擇出的波段集合KeyS(S)。

實施例二

實施例二的步驟一至四與實施例一完全相同。

步驟五：對關(guān)鍵波段子集對應的數(shù)據(jù)，使用基于最大信息量的波段選擇方法，進行波段選擇。

假設(shè)關(guān)鍵波段集合中有k個波段，k個波段數(shù)據(jù)記作Φ_2d＝{B₁,B₂,…,B_k}∈R^MN×k，其中MN＝M×N。波段選擇所需波段數(shù)量設(shè)為num(num<k)。

對步驟四得到的C矩陣

(1)計算maxC＝max(C)，定義集合

(2)計算C矩陣每一行元素的最小值，記為minR_i，(i＝1,2,3,...,k)；

(3)計算并調(diào)整SET＝SET∪g；

(4)修改C矩陣的元素使C(g,i)＝C(g,i)＝maxC；

(5)如果SET中元素數(shù)目少于k-num，跳至第(3)步，否則跳至第(6)步；

(6)從關(guān)鍵波段子集KeySet中移除SET中的元素，剩余的即為最后選擇的波段。

下面以真實高光譜圖像為例說明具體的實施方式。

采用的圖像是加利福尼亞州-圣地亞哥地區(qū)某海軍機場的AVIRIS高光譜圖像，如圖3所示，大小是400×400像元,空間分辨率3.5m,除去水汽吸收波段，保留189個波段。用ENVI軟件對原圖像進行截取，選取100×100的子圖，其第72個波段的灰度圖如圖4(a)所示，選取后的區(qū)域中包含了38個待檢測目標，圖4(b)為目標的真實位置分布。

根據(jù)實施例步驟一，得到100×100子圖中端元個數(shù)為7，圖5為經(jīng)過實施例步驟二和三得到的端元光譜曲線和關(guān)鍵波段示意圖，其中曲線上標記‘o’的點橫坐標值為關(guān)鍵波段號。

圖6為實施例步驟四得到的波段相似性度量矩陣的可視圖，其中圖6(a)由關(guān)鍵波段子集計算得到，圖6(b)為189個原始波段計算所得。從圖6可以看出波段間的相似性具有塊狀分布的特點，統(tǒng)計對角線上的典型方塊數(shù)目，可以確定最佳的波段數(shù)范圍為4-14。

為便于描述，下面先給出各種算法的簡稱。基于MNBS準則的前向搜索算法用于原始波段進行波段選擇，對應算法簡稱為SFS_MNBS，實施例一所描述的完整算法簡稱為Key_SFS_MNBS。基于最大信息量的波段選擇算法用于原始波段進行波段選擇，對應算法簡稱為MI，實施例二所描述的完整算法簡稱為Key_MI。用SFS_MNBS、Key_SFS_MNBS、MI和Key_MI四種算法對100×100子圖進行波段選擇后，再進行RX異常檢測。

圖7給出了四種波段選擇方法結(jié)合RX異常檢測的二值化結(jié)果圖，其中(a)-(d)分別對應SFS_MNBS、Key_SFS_MNBS、MI和Key_MI方法。圖7結(jié)果表明Key_SFS_MNBS的結(jié)果比SFS_MNBS的結(jié)果稍微好一點，同樣Key_MI的結(jié)果也略優(yōu)于MI的結(jié)果。

為了更加直觀的比較各種波段選擇對RX異常檢測結(jié)果的改進，接下來采用接收者操作特性曲線(Receiver Operating Characteristic Curve，簡稱ROC曲線)來比較它們的檢測性能。ROC曲線是由很多檢測概率和虛警概率對應點所構(gòu)成的曲線，它反映了檢測概率(Pd)隨虛警概率(Pf)變化而變化的關(guān)系，能夠提供對算法檢測性能的定量分析。ROC曲線中兩個衡量算法總體檢測性能的重要參數(shù)：ROC曲線下面積(area under the ROC curve,AUC)和ROC曲線上距離理想點(0,1)最小距離的平方Δγ，它們反映了檢測算法的魯棒性和平均靈敏性。圖8-11分別給出了所選波段數(shù)分別為2，4，6，8，10，12，14，20和30時，SFS_MNBS、Key_SFS_MNBS、MI和Key_MI四種算法結(jié)合RX異常檢測所得結(jié)果的ROC曲線。表1給出了對應ROC曲線的AUC和指標比較。圖8-11和表1的結(jié)果表明：(1)關(guān)鍵波段提取能提升波段選擇的效果；(2)波段間相似性度量的可視圖可以比較準確地確定最佳波段數(shù)范圍。

表1不同波段選擇方法的RX檢測性能比較