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

downloadPDF
文章导航 > 红外与激光工程  > 2017 >  46(5): 538001-0538001(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[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
shu
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
shu

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
  • 1.

    首都师范大学 三维信息获取与应用教育部重点实验室,北京 100048;

  • 2.

    首都师范大学 空间信息技术教育部工程研究中心,北京 100048

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

  • 1.

    Key Laboratory of 3 D Information Acquisition and Application,Ministry of Education,Capital Normal University,Beijing 100048,China;

  • 2.

    Engineering Research Center of Spatial Information Technology,Ministry of Education,Capital Normal University,Beijing 100048,China

  • 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。
    Abstract: Through nonlinear functional transform of hyperspectral remote sensing data, the modified Pearson correlation analysis can effectively identify comprehensive correlation coefficient (rcl), correlation type, and statistical significance level between spectrums. In this paper, nonlinear correlation the main correlation relationship type between hyperspectral bands was proved. Based on correlation coefficient, the adjacent bands' correlation coefficient (rac) of adaptive band selection (ABS) is to express band independence, but rac of ABS algorithm cannot effectively express such independence. Herein, a kind of information adjacency/equivalent bands' correlation coefficient (riac), and via this index, the modified ABS (MABS) were proposed. Using public data and collected private data, the experiments of ABS, MABS(rl) based on linear correlation coefficient(rl), and MABS(rcl) based on rcl were carried out. These two case studies demonstrate that MABS is superior to ABS on spectral range, algorithm validity and accuracy. MABS can take both large amount of information and strong independence into consideration effectively. The spectral range of MABS's bands selection result is more than ABS's obviously, and MABS (rcl)'s is a little more than MABS (rl)'s. The ranking both overall classification accuracy and Kappa coefficient of those three kinds of algorithms are 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
WeChat 点击查看大图
计量
  • 文章访问数:  396
  • HTML全文浏览量:  52
  • PDF下载量:  91
  • 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
  • 1. 首都师范大学 三维信息获取与应用教育部重点实验室,北京 100048;
  • 2. 首都师范大学 空间信息技术教育部工程研究中心,北京 100048
    • 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

  • 收稿日期: 2016-09-05
  • 修回日期: 2016-10-15
  • 刊出日期: 2017-05-25
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

    全文HTML

参考文献 (11)

目录

    /

    返回文章
    返回

    版权所有 © 2019 《红外与激光工程》编辑部｜ 地址: 天津市空港经济区中环西路58号｜ 邮政编码: 300308

    津ICP备19007885号-1

    本系统由 北京仁和汇智信息技术有限公司 开发    百度统计