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

非线性变换和信息相邻相关的高光谱自适应波段选择

张爱武 杜楠 康孝岩 郭超凡

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[J]. 红外与激光工程, 2017, 46(5): 538001-0538001(9). doi: 10.3788/IRLA201746.0538001
引用本文: 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[J]. 红外与激光工程, 2017, 46(5): 538001-0538001(9). doi: 10.3788/IRLA201746.0538001
Zhang Aiwu, Du Nan, Kang Xiaoyan, Guo Chaofan. Hyperspectral adaptive band selection method through nonlinear transform and information adjacency correlation[J]. Infrared and Laser Engineering, 2017, 46(5): 538001-0538001(9). doi: 10.3788/IRLA201746.0538001
Citation: Zhang Aiwu, Du Nan, Kang Xiaoyan, Guo Chaofan. Hyperspectral adaptive band selection method through nonlinear transform and information adjacency correlation[J]. Infrared and Laser Engineering, 2017, 46(5): 538001-0538001(9). doi: 10.3788/IRLA201746.0538001

非线性变换和信息相邻相关的高光谱自适应波段选择

doi: 10.3788/IRLA201746.0538001
基金项目: 

国家自然科学基金(41571369);教育部博士点基金(20131108110005);北京市长城学者(20150323)

详细信息
    作者简介:

    张爱武(1972-),女,教授,博士生导师,博士,主要从事空间信息获取与处理、三维激光成像、高光谱成像等方面的研究。Email:zhangaw98@163.com

  • 中图分类号: TP753

Hyperspectral adaptive band selection method through nonlinear transform and information adjacency correlation

  • 摘要: 通过非线性函数变换改进后的谱间Pearson相关分析可同时获取高光谱影像光谱间的综合相关系数(rcl)、相关类型和统计显著性水平;研究发现,非线性是高光谱影像的谱间相关性的主要类型。基于相关系数的波段相邻相关系数(rac)在自适应波段选择算法(ABS)中是为了表达波段的独立性,然而发现ABS算法中rac并不能有效表达波段独立性。鉴于此,提出了一种信息相邻相关系数(riac)和基于此指数改进的自适应波段选择算法(MABS)。使用公共数据和实验室采集数据,对ABS、基于线性相关系数(rl)的MABS(rl)和基于rcl的MABS(rcl)等三种算法进行实验。结果表明:在波谱范围和算法有效性及精度方面,MABS均优于ABS;MABS较好地兼顾了大信息量和强独立性原则,其波段选择结果的光谱范围明显大于ABS;MABS(rcl)的光谱范围略大于MABS(rl);三种算法的总体分类精度(OA)和Kappa系数的大小顺序均为:MABS(rcl) MABS(rl) ABS。
  • [1] Zhao Huijie, Li Mingkang, Li Na, et al. A band selection method based on improved subspace partition[J]. Infrared and Laser Engineering, 2015, 44(10):3155-3160. (in Chinese)赵慧洁, 李明康, 李娜, 等. 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.
    [2] 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.
    [3] Fan Xueli, Feng Haihong, Yuan Meng. PCA based on mutual information for feature selection[J]. Control and Decision, 2013, 28(6):915-919. (in Chinese)范雪莉, 冯海泓, 原猛. 基于互信息的主成分分析特征选择算法[J]. 控制与决策, 2013, 28(6):915-919.
    [4] Martinez-Uso A, Pla F, Sotoca J M, et al. Clustering-based hyperspectral band selection using information measures[J]. IEEE Transactions on Geoscience Remote Sensing, 2008, 45(12):4158-4171.
    [5] Zhao Chunhui, Chen Wanhai, Yang Lei. Research advances and analysis of hyperspectral remote sensing image band selection[J]. Journal of Natural Science of Heilongjiang University, 2007, 24(5):592-602. (in Chinese)赵春晖, 陈万海, 杨雷. 高光谱遥感图像最优波段选择方法的研究进展与分析[J]. 黑龙江大学自然科学学报, 2007, 24(5):592-602.
    [6] Qin Fangpu, Zhang Aiwu, Wang Shumin, et al. Hyperspectral band selection based on spectral clustering and inter-class separability factor[J]. Spectroscopy and Spectral Analysis, 2015, 35(5):1357-1364. (in Chinese)秦方普, 张爱武, 王书民, 等. 基于谱聚类与类间可分性因子的高光谱波段选择[J]. 光谱学与光谱分析, 2015, 35(5):1357-1364.
    [7] Bajwa S G, Bajcsy P, Groves P, et al. Hyperspectral image data mining for band selection in agricultural applications[J]. Transactions-American Society of Agricultural Engineers, 2004, 47(3):895-908.
    [8] Serpico S B, Bruzzone L. A new search algorithm for feature selection in hyperspectral remote sensing images[J]. IEEE Transactions on Geoscience Remote Sensing, 2001, 39(7):1360-1367.
    [9] Wei Fangjie. Research on band selection for hyperspectral imagery[D]. Harbin:Harbin Engineering University, 2013. (in Chinese)魏芳洁. 高光谱图像波段选择方法的研究[D]. 哈尔滨:哈尔滨工程大学, 2013.
    [10] Liu Chunhong, Zhao Chunhui, Zhang Lingyan. A new method of hyperspectral remote sensing image dimensional reduction[J]. Journal of Image and Graphics, 2005, 21(6):676-680. (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, 21(6):676-680.
    [11] Fan Xiubin, Li Shiqu. Relationship between the mutual information and the correlation[J]. Journal of Information Engineering University, 1999, 18(2):45-48. (in Chinese)范修斌, 李世取. 互信息与相关性之间的关系[J]. 信息工程学院学报, 1999, 18(2):45-48.
  • [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] 曾祥伟, 褚金奎, 康维东.  红外圆偏振光透雾性能分析 . 红外与激光工程, 2017, 46(12): 1204002-1204002(6). doi: 10.3788/IRLA201746.1204002
    [9] 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
    [10] 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
    [11] 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
    [12] 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
    [13] 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
    [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] 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 . 红外与激光工程, 2015, 44(10): 3155-3160.
    [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:  312
  • HTML全文浏览量:  37
  • PDF下载量:  87
  • 被引次数: 0
出版历程
  • 收稿日期:  2016-09-05
  • 修回日期:  2016-10-15
  • 刊出日期:  2017-05-25

非线性变换和信息相邻相关的高光谱自适应波段选择

doi: 10.3788/IRLA201746.0538001
    作者简介:

    张爱武(1972-),女,教授,博士生导师,博士,主要从事空间信息获取与处理、三维激光成像、高光谱成像等方面的研究。Email:zhangaw98@163.com

基金项目:

国家自然科学基金(41571369);教育部博士点基金(20131108110005);北京市长城学者(20150323)

  • 中图分类号: TP753

摘要: 通过非线性函数变换改进后的谱间Pearson相关分析可同时获取高光谱影像光谱间的综合相关系数(rcl)、相关类型和统计显著性水平;研究发现,非线性是高光谱影像的谱间相关性的主要类型。基于相关系数的波段相邻相关系数(rac)在自适应波段选择算法(ABS)中是为了表达波段的独立性,然而发现ABS算法中rac并不能有效表达波段独立性。鉴于此,提出了一种信息相邻相关系数(riac)和基于此指数改进的自适应波段选择算法(MABS)。使用公共数据和实验室采集数据,对ABS、基于线性相关系数(rl)的MABS(rl)和基于rcl的MABS(rcl)等三种算法进行实验。结果表明:在波谱范围和算法有效性及精度方面,MABS均优于ABS;MABS较好地兼顾了大信息量和强独立性原则,其波段选择结果的光谱范围明显大于ABS;MABS(rcl)的光谱范围略大于MABS(rl);三种算法的总体分类精度(OA)和Kappa系数的大小顺序均为:MABS(rcl) MABS(rl) ABS。

English Abstract

参考文献 (11)

目录

    /

    返回文章
    返回