第35卷，第5期 2015年5月
光谱学与光谱分析 Spectroscopy and Spectral Analysis
Vol. 35,No. 5 -pp1357-1364
May,2015
基于谱聚类与类间可分性因子的高光谱波段选择秦方普1,2，张爱武1,2*，王书民3，孟宪刚1.2，胡少兴1，孙卫东”
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申心，北京100048 3，中国地震局地震预测研究所，北京100036
4：北京航空航天大学机械及自动化学院，北京100083 5.清华大学电子工程系，北京100084
摘要随着遥感技术和成像光谱仪的发展，高光谱遥感图像的分辨率不断提高，其庞大的数据量在提高其遥感探测能力的同时，也给分析和处理带来广很大的困难。高光谱波段选择可以有效减少数据几余，提高分类识别精度和处理效率。因此如何从多达数百个波段的高光谱图像中选择出具有较好分类识别能力的波段组合是呕待解决的间题。针对上述间题，采用基于图论的谱聚类算法，将原始高光谱图像中的波段作为待聚类的数据点，利用互信息描述两两波段间的相似度，生成相似度矩阵。再根据图谱划分理论，将相似度矩阵生成的非规范化图拉普拉斯矩阵进行谱分解，得到类间相似度小且类内相似度大的类族：然后根据地物类型计算各波段的类间可分性因子，将其作为类簇内进一步选择代表性波段的参考指标，达到降维的目的；最后通过支持向量机与最小距离分类方法对波段选择后的图像分类。该方法区别于传统的无监督聚类方法，采用基于图论的谱聚类算法，并根据先验知识计算类间可分性因子来选择波段。通过与自适应波段选择算法和基于自动子空间划分的波段指数算法的对比实验，结果表明：两组实验当聚类数目达到相对最佳时，该波段选择方法支持向量机图像总分类精度达到94.08%和94.24%以上，最小距离分类图像息分类精度达到
87.98%和89.09%以上，有效保留了光谱信息，提高了分类精度。关键词高光谱：谱聚类；波段选择：类间可分性
文献标识码：A
中图分类号：TP79
引言
DOI: 10. 3964/j. issn. 1000-0593 (2015 )05-1357-08
择3和自适应波段选择3，这类算法一般先对各波段的信息进行排序，选取排序靠前的若干波段，简单易行，但容易选出连续波段。基于搜索技术的波段选择算法，例如结合遗传
随着遥感技术和成像光谱仪的发展，高光谱遥感实现了图谱合一的数据获取。由于高光谱图像维数较高，如何既充分利用其数据又可提高处理效率，使得高光谱图像降维成为研究的热点。特征提取和波段选择是高光谱数据降维的两种主要途径。基于特征提取的降维方法往往算法复杂、计算量较大，且是通过一定的数学变换来达到降维目的，不利于图像解译降。相比之下，波段选择是寻找与强化最具可分性的光谱波段的过程"），既能减少与优化特征空间，又能比较完整地保留光谱信息。关于高光谱图像的波段选择，常见的算法有：基于信息量的波段选择算法，如基于互信息的波段选
收稿日期：2014-04-13，修订日期：2014-07-18
算法与蚁群算法}，可以较好地解决波段选择过程中波段组合数目多、难遍历的问题，但算法相对复杂，一般需较长的搜索时间，而且存在收敛速度间题。基于类间可分性的波段选择算法，如基于Jeffries-Matusita距离5}或基于加权Bhat-tacharyya距离的波段选择，主要计算各类地物光谱在波段上的统计距离，虽然更加关注类间可分性，但忽略了光谱维即波段间的相关性。
针对上述间题，同时鉴于波段选择可以看作是特征构建间题，采用谱聚类算法进行波段选择，即首先将波段作为待聚类的数据点，生成描述两两数据点之间相似性程度的亲和
基金项目：国家科技支撑计划项目（N2012BAH31B01），北京市自然科学基金重点项目（B类）（KZ201310028035），教育部博士点基金项目
作者简介：秦方普，女，1990年生，首都师范大学三维信息获取与应用教育部重点实验室硕士研究生
*通讯联系人e-mail：zhangaw98@163.com
e-mail : qinfp2013@ 126. com