２０１５年第８期 文章编号：１００９—２５５２（２０１５ｌ０８—０２１１—０３ ＤＯＩ：１０．１３２７４／ｊ．ｅｎｋｉ．ｈｄｚｊ．２０１５．０８．０５７ 一种针对高光谱遥感影像的波段选择方法 李 亮 （淮安市水利勘测设计研究院有限公司，江苏淮安２２３３００） 摘要：随着传感器技术的不断发展，高光谱遥感影像已经广泛应用于土地覆盖监测等诸多领 域。高光谱遥感影像具有波段数目多、波段阃相关性强等特点，因此在图像分类时需要有效的 波段选择方法以提高遥感影像的使用效率。文中提出了一种针对高光谱遥感影像的波段选择方 法，该方法首先使用信息散度描述波段间的相关性，通过构造信息散度矩阵对子空间进行划分。 然后使用波段的信息量和Ｂｈａｔｔａｃｈａｒｙｙａ距离构建适应度函数，并对粒子群算法中的惯性权值更 新方式进行改进。通过对ＡＶＩＲＩＳ高光谱遥感图像进行实验证明，与现有算法相比文中算法具有 更高的分类精度及更快的收敛速度。 关键词：高光谱遥感图像；图像分类；信息散度；粒子群优化算法；波段选择 中图分类号：ＴＰ７５２ 文献标识码：Ａ Ａ ｍｅｔｈｏｄ ｏｆ ｂａｎｄ ｓｅｌｅｃｔｉｏｎ ｓｐｅｃｉａｌ ｆｏｒ ｔｈｅ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅ ＬＩ Ｌｉａｎｇ （Ｈｕｕｌａｎ Ｈｙｄｒａｕｌｉｃ Ｐｒｏｊｅｃｔ Ｓｕｒｖｅｙ Ｄｅｓｉｇｎ ａｎｄ Ｒｅｓｅａｒｃｈ Ｉｎｓｔｉｔｕｔｅ Ｃｏ．，Ｌｔｄ．，Ｈｕａｉａｎ ２３３３００，Ｊｉａｎｇｓｕ ｒＰｏｖｉｎｃｅ，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｗｉｔｈ ｔｈｅ ｃｏｎｓｔａｎｔ ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ ｓｅｎｓｏｒ ｔｅｃｈｎｏｌｏｇｙ，ｔｈｅ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅ ｉｓ ｗｉｄｅｌｙ ａｐｐｌｉｅｄ ｉｎ ｍａｎｙ ｆｉｅｌｄｓ ｓｕｃｈ ａｓ ｔｈｅ ｌａｎｄ ｃｏｖｅｒ ｍｏｎｉｔｏｒｉｎｇ．Ｔｈｅ ｈｙｐｅｒｓｐｅｃｔｒｌａ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅ ｉｓ ｃｈａｒａｃｔｅｒｉｚｅｄ ｂｙ ｔｈｅ ａｄｅｑｕａｔｅ ｎｕｍｂｅｒ ｏｆ ｂａｎｄｓ ａｎｄ ｓｔｒｏｎｇ ｃｏｒｒｅｌａｔｉｏｎ ｂｅｔｗｅｅｎ ｂａｎｄｓ．Ｔｈｕｓ ｉｔ ｒｅｑｕｉｒｅｓ ｔｈｅ ｅｆｆｅｃｔｉｖｅ ｓｅｌｅｃｔｉｏｎ ｏｆ ｂａｎｄｓ ｗｈｅｎ ｈａｎｄｌｉｎｇ ｔｈｅ ｉｍａｇｅ ｃｌａｓｓｉｉｆｃａｔｉｏｎ，ｗｈｉｃｈ ｃａｎ ｉｎｃｒｅａｓｅ ｔｈｅ ｏｐｅｒａｔｉｏｎ ｅｆｉｆｃｉｅｎｃｙ ｏｆ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅ．Ｔｈｉｓ ｐａｐｅｒ ｐｒｏｐｏｓｅｄ ａ ｍｅｔｈｏｄ ｏｆ ｂａｎｄ ｓｅｌｅｃｔｉｏｎ ｓｐｅｃｉａｌ ｆｏｒ ｔｈｅ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅ．Ｆｉｒｓｔｌｙ，ｉｔ ｍａｄｅ ｕｓｅ ｏｆ ｔｈｅ ｃｏｒｒｅｌａｔｉｏｎ ｂｅｔｗｅｅｎ ｂａｎｄｓ ｄｅｓｃｒｉｂｅｄ ｂｙ ｔｈｅ ｉｎｆｏｒｍａｔｉｏｎ ｄｉｖｅｒｇｅｎｃｅ ｔｏ ｄｉｖｉｄｅ ｔｈｅ ｓｕｂ—ｓｐａｃｅ ｕｓｉｎｇ ｔｈｅ ｍａｔｒｉｘ ｏｆ ｉｎｆｏｒｍａｔｉｏｎ ｄｉｖｅｒｇｅｎｃｅ．Ｔｈｅｎ ｉｔ ｃｏｎｓｔｒｕｃｔｅｄ ｔｈｅ ｆｉｔｎｅｓｓ ｆｕｎｃｔｉｏｎ ｒｅｌｙｉｎｇ ｏｎ ｔｈｅ ｉｎｆｏｒｍａｔｉｏｎ ｃｏｎｔｅｎｔ ａｎｄ Ｂｈａｔｔａｃｈａｒｙｙａ ｄｉｓｔａｎｃｅ．Ｉｔ ａｌｓｏ ｉｍｐｒｏｖｅｄ ｔｈｅ ｕｐｄａｔｅ ｍｅｔｈｏｄ ｏｆ ｉｎｅｒｔｉａ ｗｅｉｇｈｔ ｉｎ ｔｈｅ ｐａｒｔｉｃｌｅ ｓｗａｒｍ ｏｐｔｉｍｉｚａｔｉｏｎ ａｌｇｏｒｉｔｈｍ．Ｃｏｍｐａｒｅｄ ｗｉｔｈ ｔｈｅ ｅｘｉｓｔｉｎｇ ａｌｇｏｒｉｔｈｍｓ，ｔｈｅ ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｏｆ ＡＶＩＲＩＳ ｈｙｐｅｒｓｐｅｃｔｒｌａ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅ ｓｈｏｗｅｄ ｔｈｅ ｈｉｇｈｅｒ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ａｃｃｕｒａｃｙ ａｎｄ ｆａｓｔｅｒ ｓｐｅｅｄ ｏｆ ｃｏｎｖｅｒｇｅｎｃｅ． Ｋｅｙ ｗｏｒｄｓ：ｈｙｐｅｒｓｐｅｃｔｒａｌ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅ；ｉｍａｇｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ；ｉｎｆｏｒｍａｔｉｏｎ ｄｉｖｅｒｇｅｎｃｅ；ｐａｒｔｉｃｌｅ ｓｗａｒｌｎ ｏｐｔｉｍｉｚａｔｉｏｎ ａｌｇｏｒｉｔｈｍ；ｂａｎｄ ｓｅｌｅｃｔｉｏｎ ０ 引言 量。目前常见的波段选择方法主要包括基于信息量 高光谱遥感影像能够提供丰富的光谱与空间信 准则和基于类间可分性准则的方法等。本文将结合 息，已广泛应用于城市规划、植被覆盖监测等诸多领 这两种波段选择准则，使用信息散度表征波段间的 域。另一方面，由于高光谱遥感影像各波段间包含 了大量的冗余信息，因此在实际使用中需要有效的 收稿日期：２０１４—０６—１７ 作者简介：李亮（１９８３一），男，本科，工程师，研究方向为摄影测量 波段选择方法以提取其中的有效信息并减少运算 与遥感。 一２１１— 相关性，对高光谱遥感图像进行子空间分解。 粒子群优化（Ｐａｒｔｉｃｌｅ Ｓｗａｒｍ Ｏｐｔｉｍｉｚａｔｉｏｎ，ＰＳＯ） 算法是一种群智能算法。该算法中粒子的移动速度 由自身惯性、自身最佳位置和群体最佳位置这三部 分组成。算法中惯性权值的大小决定自身惯性速 度，惯性权值同时影响算法的局部搜索能力和全局 搜素能力。为了平衡算法的全局搜索能力和局部搜 索能力，加快算法的收敛速度，本文算法中的惯性权 重值随迭代过程线性变化。本文使用基于信息散度 的子空间划分方法将高光谱遥感图像进行子空间划 分后，把波段熵之和及熵的方差作为信息量标准，把 Ｂｈａｔｔａｃｈａｒｙｙａ距离作为类间可分性标准，构造适应 度方程，使用改进粒子群算法进行波段组合优化 选择。 １ 波段选择方法及流程 根据高光谱遥感影像波段数目多、数据量大、波 段之间相关性强、数据冗余度高等特点，本文把处理 流程分为四个阶段：图像预处理阶段、子空间划分阶 段、波段优化组合阶段、分类验证阶段。本文着重介 图１本文算法流程 （ｔＯｍ。 一ｃ￡， ｉ ）×ｉｔｅｒ ； “一—＿ ＿ 其中， 表示惯性权值， …、 分别表示惯性权值 绍波段去相关子空间划分和波段优选两部分，为了 验证波段选择方法的有效性和可行性使用最小距离 分类法对选出的波段组合进行分类验证。 的最大值和最小值，ｉｔｅｒ， ｉｔｅｒ…分别表示当前迭代次 数和最大迭代次数假设惯性权重最大值、最小值分 别为１．２、０．１，最大迭代次数为５００，惯性权重值线 性递减，逐渐从搜索开始时的最大值递减到最小值。 ２．２．。２ 基于改进粒子群算法的高光谱波段 选择方法 ２．１子空间划分 ２算法适应度方程 算法中粒子被选中的概率由适应度值决定，本 文将波段组合的信息熵之和、波段信息熵方差、类别 之间的Ｂｈａｔｔａｃｈａｒｙｙａ距离作为适应度函数，克服了 使用单一准则带来的片面性。 在高光谱遥感图像处理中，虽然相关系数和信 息散度都可用于表示两个波段之间的相关性，但也 存在一些差别。相关系数作为常用的波段间相似性 度量，为波段灰度向量与均值之差的积，其将波段作 为一个向量，表示两个向量之间的夹角，为一种线性 ①高光谱遥感图像中第ｉ波段的信息熵表 示为： （ ）；一∑ ｌｏｇ： 波段中光谱亮度级数。 ②波段熵的方差可表示为： （２） 关系，当两个波段完全相同或为线性表达关系时，他 们的相关性最大。信息散度也被称为ＫＬ距离或相 对熵，是统计独立性的最佳测度。能够描述两个概 率分布的距离，表征两个概率分布之间的差别。 本文的子空问划分方法依照的准则为：将波段 序号连续的波段划分为一组，划分的界限为相邻波 段间信息散度较附近其他波段间大的波段。 ２．２波段选择方法 本文提出的算法流程如图１所示。 其中，Ｐ 表示波段中光谱亮度值为．『的概率，ｎ表示 ｓ２；÷∑（ （ ）一日（ ）） （３） 其中，ｎ为波段组合的数量， （ ）为第 波段的信 息熵，日（ ）为 个波段信息熵的平均值。 （￣）Ｂｈａｔｔａｃｈａｒｙｙａ距离由于在进行计算时，同时 兼顾了一次统计量和二次统计量，可作为两类别在 高维空间上的最佳距离测度，两个类别之间的Ｂ距 离越大，表示两个类别之间的可分性越好，两类别 口、ｂ的Ｂ距离的表达式可表示为： ． ２．２．１粒子群算法的改进 如图１所示，为了让算法在搜索开始时具有较 好的全局搜索能力，在搜索后期具有较好的局部搜 索能力，本文使用变惯性权重的方法进行搜索。惯 性权重 的变换公式为： 一Ｄ。 ；； ｝ｃ 。．．。 ，Ｔ（ ）一‘ｃ 。 ＋ ２１２一