一种高光谱图像波段选择方法、系统、设备及介质

本发明属于光谱数据分类，特别涉及一种高光谱图像波段选择方法、系统、设备及介质。

背景技术：

1、高光谱图像，即具有高光谱分辨率的遥感图像，其利用数百个波段提供丰富的光谱信息，可提高对地表地物材料和结构的识别能力，被广泛应用在国防军事、资源勘测等领域；进一步解释性的，高光谱图像的高冗余性导致了高光谱图像分类精度的降低与算法复杂度的增加，能够简化特征并保留原始光谱信息以及降低算法复杂度的波段选择成为了目前高光谱图像处理研究中的热点。

2、现有技术中，通常基于边缘图自表示模型(marginalized graph self-representation，mgsr)进行高光谱图像波段选择。具体解释性的，mgsr是利用图卷积神经网络中的图结构，通过超像素分割来构建相似图记录相邻像素的空间关系，来探索不同同质区域的空间信息，并引入边缘损坏来增强数据，提高模型的泛化能力与鲁棒性；但是，mgsr模型并未考虑到单个相似图结构提取空谱信息的能力有限，对相似图结构中的权重矩阵也没有进行过多的研究，没有考虑超像素的外部差异性，导致模型的泛化能力有限；上述缺陷会导致波段选择时的波段选择错误问题以及波段选择后的波段组合表征能力不强的问题。

技术实现思路

1、本发明的目的在于提供一种高光谱图像波段选择方法、系统、设备及介质，以解决上述存在的一个或多个技术问题。本发明提供的技术方案，可有效提高高光谱图像波段选择准确性、鲁棒性和泛化性能，能够减少错误选择波段的情况，提高选择波段后的波段表征能力。

2、为达到上述目的，本发明采用以下技术方案：

3、本发明第一方面提供的一种高光谱图像波段选择方法，包括以下步骤：

4、基于待波段选择的高光谱图像，获取多尺度相似图矩阵；

5、将获得的所述多尺度相似图矩阵进行融合，获得融合相似图矩阵；

6、将获得的所述融合相似图矩阵代入边缘图自表示模型，获得多尺度边缘加强图自表示模型；求解获得的所述多尺度边缘加强图自表示模型，获得基于重要性的波段排序；基于所述波段排序，获得高光谱图像波段选择结果。

7、本发明的进一步改进在于，所述多尺度相似图矩阵中，第y个尺度下得到的相似图矩阵ay中，

8、

9、

10、式中，nk为超像素比例，nk为第k个超像素块中的像素数量，n为高光谱图像像素总数；hk和hl分别为第k个和第l个超像素块；

11、其中，像素点i、j分配到不同的超像素块中，则相似度权重值为0；如果像素点i、j在同一超像素块内，则对两个像素点进行空谱信息提取得到相似度权重值。

12、本发明的进一步改进在于，所述融合相似图矩阵表示为，

13、

14、式中，as为融合相似图矩阵；y为总尺度个数。

15、本发明的进一步改进在于，所述多尺度边缘加强图自表示模型表示为，

16、

17、式中，m表示数据经过破坏重建的总次数，m→∞；x为输入的高光谱数据；为归一化融合相似图矩阵；为第m次破坏重建数据；w为需要得到的自表示矩阵；λ为正则项系数；||w||2,1为对矩阵w的2,1范数，表示对该式求f2范数；

18、其中，式中，是具有自循环的融合相似图矩阵，in是n×n的单位矩阵；是度矩阵，对角元素为表示度矩阵的第i行第j列，表示具有自循环的融合相似图矩阵的第i行第j列。

19、本发明第二方面提供的一种高光谱图像波段选择系统，包括：

20、多尺度相似图矩阵获取模块，用于基于待波段选择的高光谱图像，获取多尺度相似图矩阵；

21、融合模块，用于将获得的所述多尺度相似图矩阵进行融合，获得融合相似图矩阵；

22、求解排序模块，用于将获得的所述融合相似图矩阵代入边缘图自表示模型，获得多尺度边缘加强图自表示模型；求解获得的所述多尺度边缘加强图自表示模型，获得基于重要性的波段排序；基于所述波段排序，获得高光谱图像波段选择结果。

23、本发明的进一步改进在于，所述多尺度相似图矩阵中，第y个尺度下得到的相似图矩阵ay中，

24、

25、

26、式中，nk为超像素比例，nk为第k个超像素块中的像素数量，n为高光谱图像像素总数；hk和hl分别为第k个和第l个超像素块；

27、其中，像素点i、j分配到不同的超像素块中，则相似度权重值为0；如果像素点i、j在同一超像素块内，则对两个像素点进行空谱信息提取得到相似度权重值。

28、本发明的进一步改进在于，所述融合相似图矩阵表示为，

29、

30、式中，as为融合相似图矩阵；y为总尺度个数。

31、本发明的进一步改进在于，所述多尺度边缘加强图自表示模型表示为，

32、

33、式中，m表示数据经过破坏重建的总次数，m→∞；x为输入的高光谱数据；为归一化融合相似图矩阵；为第m次破坏重建数据；w为需要得到的自表示矩阵；λ为正则项系数；||w||2,1为对矩阵w的2,1范数，表示对该式求f2范数；

34、其中，式中，是具有自循环的融合相似图矩阵，in是n×n的单位矩阵；是度矩阵，对角元素为表示度矩阵的第i行第j列，表示具有自循环的融合相似图矩阵的第i行第j列。

35、本发明第三方面提供的一种电子设备，包括：

36、至少一个处理器；以及，

37、与所述至少一个处理器通信连接的存储器；其中，

38、所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如本发明第一方面任一项所述的高光谱图像波段选择方法。

39、本发明第四方面提供的一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现本发明第一方面中任一项所述的高光谱图像波段选择方法。

40、与现有技术相比，本发明具有以下有益效果：

41、本发明提供的技术方案，可有效提高高光谱图像波段选择准确性、鲁棒性和泛化性能，能够减少错误选择波段的情况，提高选择波段后的波段表征能力。

42、针对mgsr模型提取空谱信息不足的问题，本发明具体设计了一种多尺度相似图结构，能够获得充分挖掘空谱信息的效果；解释性的，在图像处理过程中，微小物体和超大物体的表示都会严重影响模型的性能，因此本发明对图像进行不同粒度的采样，在不同的尺度下可以观察到不同的特征，从而获得更强大的特征表达能力。

43、针对mgsr模型泛化能力有限的问题，本发明具体公开了多尺度相似图结构的融合与超像素分割的设计，通过多个尺度下的相似图融合，增强模型的特征表达能力，这样能有鲁棒性强的特点，能增强模型的泛化能力；另外，本发明设计了相似图结构形式超像素分割，相比于mgsr的相似图结构，表示特征能力更具鲁棒性。

技术特征：

1.一种高光谱图像波段选择方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种高光谱图像波段选择方法，其特征在于，所述多尺度相似图矩阵中，第y个尺度下得到的相似图矩阵ay中，

3.根据权利要求2所述的一种高光谱图像波段选择方法，其特征在于，所述融合相似图矩阵表示为，

4.根据权利要求3所述的一种高光谱图像波段选择方法，其特征在于，所述多尺度边缘加强图自表示模型表示为，

5.一种高光谱图像波段选择系统，其特征在于，包括：

6.根据权利要求5所述的一种高光谱图像波段选择系统，其特征在于，所述多尺度相似图矩阵中，第y个尺度下得到的相似图矩阵ay中，

7.根据权利要求6所述的一种高光谱图像波段选择系统，其特征在于，所述融合相似图矩阵表示为，

8.根据权利要求7所述的一种高光谱图像波段选择系统，其特征在于，所述多尺度边缘加强图自表示模型表示为，

9.一种电子设备，其特征在于，包括：

10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的高光谱图像波段选择方法。

技术总结
本发明属于光谱数据分类技术领域，公开了一种高光谱图像波段选择方法、系统、设备及介质；所述高光谱图像波段选择方法包括：基于待波段选择的高光谱图像，获取多尺度相似图矩阵；将获得的所述多尺度相似图矩阵进行融合，获得融合相似图矩阵；将获得的所述融合相似图矩阵代入边缘图自表示模型，获得多尺度边缘加强图自表示模型；求解获得的所述多尺度边缘加强图自表示模型，获得基于重要性的波段排序；基于所述波段排序，获得高光谱图像波段选择结果。本发明可有效提高高光谱图像波段选择准确性、鲁棒性和泛化性能，能够减少错误选择波段的情况，提高选择波段后的波段表征能力。

技术研发人员：李文彪,杨艺,张猛,米鹏博,张尔琦,张思贤,王维,肖卓,向金城,鲍芃荣
受保护的技术使用者：西安交通大学
技术研发日：
技术公布日：2024/2/8