基于空间域目标显著性分析的波段选择方法.pdfVIP

第43卷，第9期光谱学与光谱分析Vol43,No.9,pp2952-2959

2023年9月SpectroscopyandSpectralAnalysisSeptember,2023

基于空间域目标显著性分析的波段选择方法

金椿柏1，杨1*，卢珊2*，刘文婧1，李德军1，郑南1

1.空军航空大学，吉林长春130022

2.东北师范大学地理科学学院，吉林长春130024

摘要作为遥感领域的新兴技术，高光谱成像为遥感影像处理分析和计算机视觉提供了海量内容。高光

谱图像的优势在于电磁波谱的范围广度与高分辨率，能够将地物目标的光谱反射特性和差异特征更全面地

表现出来，广泛地应用于地物分类、目标识别、异常检测等领域。但是，高光谱图像由于数据量繁重、信息

重叠杂等问题，给图像处理、存储和传输带来一定挑战。选择合适的光谱波段可以在不改变原图像物理信

息的情况下，达到较好的图像处理成果。为设计适合数据降维和目标地物分类的波段选择方法，提出将视觉

显著性模型应用到波段选择方法中。首先引入基于图像空间分布的目标显著性算法进行波段图像处理得到

目标显著图；其次，利用目标显著图分析地物之间在每一波段图像中的可分离程度定义为波段显著性。为避

免波段信息重叠，在波段选择之前利用谱聚类算法将波段划分为若干子空间。然后在子空间内依据波段显

著性降序排列，选择各子空间中目标显著性表现较好的波段组成波段子集；最后，在GF-5采集的高光谱图

像数据进行方法验证，筛选有效的目标显著性算法，与常用的波段选择算法进行分类精度比较。结果表明，

基于LC目标显著性算法的波段选择子集，在SVM分类器中具有优异分类结果，总体分类精度和Kappa系

数达87.7800%和0.8053，优于应用全波段和其他三种波段选择方法的结果子集。

关键词高光谱遥感；数据降维；目标显著性；波段选择；地物分类

中图分类号：TP751.1文献标识码：AD0I:10.3964/j.issn.1000-0593(2023)09-2952-08

空间转变为低维度的特征空间，在此过程中，原始高维特征

引言空间中信息量最大的内容被保留下来，但是空间变换会导致

原始高光谱数据的物理信息发生改变，容易出现一些关键信

高光谱图像因其包含丰富的光谱、空间信息，广泛地用息丢失的现象。相反，波段选择从原始光谱数据集中选择最

于遥感地物分类和目标识别。随着高光谱遥感技术的进步，具代表性的波段进行组合，波段子集不会失真。这一特征对

成像光谱仪的各种性能指标不断优化，高光谱图像的光谱分于表示高光谱图像的重要信息至关重要，因此成为高光谱图

辨率得到大幅度提高，覆盖的波段范围更广，导致了数据量像处理领域的热点问题。波段选择可以按照几种模式实现，

呈现快速增长的趋势。高光谱图像所蕴含的海量信息，虽然即基于波段优先级的方法[2-3]、基于聚类的方法[4]和基于深

为相关实际应用提供了充足的数据支撑，但增加了高光谱图度学习的方法[5-6]，还有少部分方法的提出是基于波段的低

像的处理难度和维度灾难，为数据的运用、存储和传输等带秩性和稀疏性7-8]。波段优先级，即利用一种有效的指标来

来了诸多困难与挑战[1]。高光谱图像包含多达数百个波段，衡量波段重要性并进行排序、选择，或采用与目标函数相结

其中邻近的波段包含的信息通常存在一定程度的信息重复，合的有哪些信誉好的足球投注网站方法，对波段执行遍历添加与移除得到最优化的波

导致了整个图像数据的余，已成为阻碍高光谱遥感技术应段选择子集，缺点是评估波段优先级时波段的独立性较强，

用继续发展的主要问题之一。高光谱数据降维也已成为众多没有考虑波段之间的相关性，得到的波段子集仍存在信息重

学者研究重要方向。叠、波段穴余的现象。聚类是将高度相关的波段划分到同一

降低高光谱