留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

一种基于改进子空间划分的波段选择方法

赵慧洁 李明康 李娜 丁昊 蔡辉

赵慧洁, 李明康, 李娜, 丁昊, 蔡辉. 一种基于改进子空间划分的波段选择方法[J]. 红外与激光工程, 2015, 44(10): 3155-3160.
引用本文: 赵慧洁, 李明康, 李娜, 丁昊, 蔡辉. 一种基于改进子空间划分的波段选择方法[J]. 红外与激光工程, 2015, 44(10): 3155-3160.
Zhao Huijie, Li Mingkang, Li Na, Ding Hao, Cai Hui. A band selection method based on improved subspace partition[J]. Infrared and Laser Engineering, 2015, 44(10): 3155-3160.
Citation: Zhao Huijie, Li Mingkang, Li Na, Ding Hao, Cai Hui. A band selection method based on improved subspace partition[J]. Infrared and Laser Engineering, 2015, 44(10): 3155-3160.

一种基于改进子空间划分的波段选择方法

详细信息
    作者简介:

    赵慧洁(1966-),女,教授,博士生导师,博士,主要从事高光谱数据建模与处理方面的研究。Email:hjzhao@buaa.edu.cn

  • 中图分类号: TP75

A band selection method based on improved subspace partition

  • 摘要: 高光谱图像具有光谱分辨率高、波段连续、数据量大、图谱合一等特点。然而较高的光谱分辨率会造成波段间相关性强,信息冗余多。所以如何从数百个高光谱波段中选出有利于识别或分类的波段组合成为了高光谱应用需要解决的问题。文章针对相邻波段间相关性较大的特点,提出一种改进的对波段相关矩阵进行全局搜索的子空间划分的波段选择方法。该方法克服了传统只利用相关向量对波段进行划分的缺陷,利用整个相关矩阵进行全局搜索划分,再在划分后的子空间内进行波段选择,从而降低了波段之间的相关性。文章最后使用上述方法对AVIRIS数据进行波段选择,并通过SVM方法对其进行地物分类,结果表明该方法较不进行子空间划分的波段选择方法有较高的分类精度。
  • [1] Wang Jingli. Maximum band screening and its application to hyperspectral target detection[J]. Infrared and Laser Engineering, 2012, 41(6):1514-1519.(in Chinese) 王静荔.波段最大筛选法及其在高光谱目标探测中的应用[J]. 红外与激光工程, 2012, 41(6):1514-1519.
    [2]
    [3] Wang Yiting, Huang Shiqi, Liu Daizhi, et al. Novel band selection method based on target detection[J]. Infrared and Laser Engineering, 2013, 42(8):2294-2298.(in Chinese) 王艺婷,黄世奇,刘代志,等.一种新的基于目标检测的波段选择方法[J]. 红外与激光工程, 2013, 42(8):2294-2298.
    [4]
    [5]
    [6] Bajcsy P, Groves P. Methodology for hyper spectral band selection photogram metric engineering and remote sensing[J]. Photogrammetric Engineering and Remote Sensing Journal, 2004, 70(7):793-802.
    [7] Liu Jianping, Zhao Yingshi, Sun Shuling. Experimental studies about methods on optimal bands selection of hyperspectral remote sensing datasets[J]. Remote Sensing Technology and Application, 2001, 16(1):7-13.(in Chinese) 刘建平,赵英时,孙淑玲.高光谱遥感数据最佳波段选择方法试验研究[J]. 遥感技术与应用, 2001, 16(1):7-13.
    [8]
    [9] Yang Jinhong. Optimal band selection methods of hypersepctral remote sensing data[D]. Nanjing:Nanjing University of Information ScienceTechnology, 2005.(in Chinese) 杨金红.高光谱遥感数据最佳波段选择方法研究[D]. 南京:南京信息工程大学, 2005.
    [10]
    [11]
    [12] Liu Chunhong, Zhao Chunhui, Zhang Lingyan. A new method of hyperspectral remote sensing image dimensional reduction[J]. Journal of Image and Graphics, 2005, 10(2) :218-222.(in Chinese) 刘春红,赵春晖,张凌雁.一种新的高光谱遥感图像降维方法[J]. 中国图象图形学报, 2005, 10(2):218-222.
    [13] Gu Yanfeng, Zhang Ye. Feature extraction based on automatic subspace partition for hypersepctral images[J]. Remote Sensing Technology and Application, 2003, 18(6):32-35.(in Chinese) 谷延锋,张晔.基于自动子空间划分的高光谱数据特征提取[J]. 遥感技术与应用, 2003, 18(6):32-35.
    [14]
    [15] Dong Yanhua. Research on key technology of hyperspectral remote sensing image processing[D]. Harbin:Harbin University of Science and Technology, 2006.(in Chinese) 董延华.超光谱遥感图像处理关键技术研究[D]. 哈尔滨:哈尔滨理工大学, 2006.
    [16]
    [17] Han Ruimei, Yang Minhua. Study on an improved method of band selection of hypersepctral remote sensing data[J]. Geomatics Spatial Information Technology, 2010, 33(3):137-139.(in Chinese) 韩瑞梅,杨敏华.一种改进的高光谱遥感数据波段选择方法的研究[J]. 测绘与空间地理信息, 2010, 33(3):137-139.
    [18]
    [19] Guo Baofeng, Gunn Steve R, Damper R I. Band selection for hyperspectral image classification using mutual information[J]. IEEE Geoscience and Remote Sensing Letters, 2006, 3(4):522-526.
    [20]
    [21] Wang Liguo, Wei Fangjie. Band selection for hypersepctral imagery based on combination of genetic algorithm and ant colony algorithm[J]. Journal of Image and Graphics, 2013, 18(2):235-242.(in Chinese) 王立国,魏芳洁.结合遗传算法和蚁群算法的高光谱图像波段选择[J]. 中国图象图形学报, 2013, 18(2):235-242.
  • [1] 刘蒙, 张伟科, 黄立, 胡磊, 苏伟, 许单洁, 李勋龙.  高超声速飞行器红外波段及窗口选择(特邀) . 红外与激光工程, 2022, 51(4): 20220161-1-20220161-7. doi: 10.3788/IRLA20220161
    [2] 甘士忠, 肖志涛, 陈雷, 南瑞杰.  基于高阶非线性模型的多目标高光谱图像解混算法 . 红外与激光工程, 2019, 48(10): 1026002-1026002(7). doi: 10.3788/IRLA201948.1026002
    [3] 刘永峰, 王年, 王峰, 李从利, 刘晓, 徐国明.  基于谱间相似性的高光谱图像稀疏超分辨率算法 . 红外与激光工程, 2019, 48(S1): 181-192. doi: 10.3788/IRLA201948.S128003
    [4] 潘斌, 张宁, 史振威, 谢少彪.  基于高光谱图像解混的海洋绿藻检测算法 . 红外与激光工程, 2018, 47(8): 823001-0823001(5). doi: 10.3788/IRLA201847.0823001
    [5] 徐夏, 张宁, 史振威, 谢少彪, 齐乃明.  高光谱图像Pareto优化稀疏解混 . 红外与激光工程, 2018, 47(2): 226002-0226002(5). doi: 10.3788/IRLA201847.0226002
    [6] 王忠良, 冯文田, 粘永健.  结合光谱解混与压缩感知的高光谱图像有损压缩 . 红外与激光工程, 2018, 47(S1): 189-196. doi: 10.3788/IRLA201847.S126003
    [7] 黄达, 黄树彩, 赵炜, 陆屹.  天基光谱探测特征波段的选择 . 红外与激光工程, 2018, 47(S1): 166-171. doi: 10.3788/IRLA201847.S117005
    [8] 陈雷, 甘士忠, 孙茜.  基于回溯优化的非线性高光谱图像解混 . 红外与激光工程, 2017, 46(6): 638001-0638001(8). doi: 10.3788/IRLA201746.0638001
    [9] 张爱武, 杜楠, 康孝岩, 郭超凡.  非线性变换和信息相邻相关的高光谱自适应波段选择 . 红外与激光工程, 2017, 46(5): 538001-0538001(9). doi: 10.3788/IRLA201746.0538001
    [10] 韦道知, 黄树彩, 赵岩, 庞策.  非负谱稀疏表示的高光谱成像中的异常检测 . 红外与激光工程, 2016, 45(S2): 120-125. doi: 10.3788/IRLA201645.S223001
    [11] 吴静珠, 刘倩, 陈岩, 刘翠玲.  高光谱技术检测单籽粒小麦粗蛋白含量探索 . 红外与激光工程, 2016, 45(S1): 127-131. doi: 10.3788/IRLA201645.S123002
    [12] 陈善静, 康青, 顾忠征, 王正刚, 沈志强, 蒲欢, 辛颖.  基于三维GMRF的高光谱图像空天融合目标检测 . 红外与激光工程, 2016, 45(S2): 132-139. doi: 10.3788/IRLA201645.S223003
    [13] 杨新锋, 胡旭诺, 粘永健.  基于分类的高光谱图像压缩算法 . 红外与激光工程, 2016, 45(2): 228003-0228003(4). doi: 10.3788/IRLA201645.0228003
    [14] 刘畅, 李军伟.  基于扩展数学形态学的高光谱亚像元目标检测 . 红外与激光工程, 2015, 44(10): 3141-3147.
    [15] 王晓飞, 王霄衣, 史翔宇, 阎秋静, 陈向南.  基于空间上下文单类分类器的目标检测算法 . 红外与激光工程, 2015, 44(S1): 236-240.
    [16] 普晗晔, 王斌, 张立明.  基于流形学习的新高光谱图像降维算法 . 红外与激光工程, 2014, 43(1): 232-237.
    [17] 魏一苇, 黄世奇, 王艺婷, 卢云龙, 刘代志.  基于体积和稀疏约束的高光谱混合像元分解算法 . 红外与激光工程, 2014, 43(4): 1247-1254.
    [18] 尹继豪, 孙建颖.  基于压缩感知理论的波段重构方法 . 红外与激光工程, 2014, 43(4): 1260-1264.
    [19] 许元男, 李军伟, 吴开峰, 毛宏霞, 董雁冰.  采用综合信噪比的中波光谱探测波段选择 . 红外与激光工程, 2014, 43(7): 2126-2131.
    [20] 王艺婷, 黄世奇, 刘代志, 王百合.  一种新的基于目标检测的波段选择方法 . 红外与激光工程, 2013, 42(8): 2294-2298.
  • 加载中
计量
  • 文章访问数:  289
  • HTML全文浏览量:  53
  • PDF下载量:  209
  • 被引次数: 0
出版历程
  • 收稿日期:  2015-02-05
  • 修回日期:  2015-03-03
  • 刊出日期:  2015-10-25

一种基于改进子空间划分的波段选择方法

    作者简介:

    赵慧洁(1966-),女,教授,博士生导师,博士,主要从事高光谱数据建模与处理方面的研究。Email:hjzhao@buaa.edu.cn

  • 中图分类号: TP75

摘要: 高光谱图像具有光谱分辨率高、波段连续、数据量大、图谱合一等特点。然而较高的光谱分辨率会造成波段间相关性强,信息冗余多。所以如何从数百个高光谱波段中选出有利于识别或分类的波段组合成为了高光谱应用需要解决的问题。文章针对相邻波段间相关性较大的特点,提出一种改进的对波段相关矩阵进行全局搜索的子空间划分的波段选择方法。该方法克服了传统只利用相关向量对波段进行划分的缺陷,利用整个相关矩阵进行全局搜索划分,再在划分后的子空间内进行波段选择,从而降低了波段之间的相关性。文章最后使用上述方法对AVIRIS数据进行波段选择,并通过SVM方法对其进行地物分类,结果表明该方法较不进行子空间划分的波段选择方法有较高的分类精度。

English Abstract

参考文献 (21)

目录

    /

    返回文章
    返回