波段选择

摘要： 叶面积指数(LAI)是评价作物长势和作物产量的重要参数。为有效利用高光谱信息,优选出最佳波段进而构建新型双波段指数来提高LAI估测精度,以冬小麦为研究对象,获取冬小麦孕穗期无人机高光谱数据和实测地面LAI数据,开展冬小麦LAI反演研究。首先采用连续投影算法(SPA)、最佳指数法(OIF)以及逐波段组合法(E)分别进行无人机高光谱数据最佳波段筛选,进而将所选最佳波段构建新型双波段指数(VI_OIF,VI_SPA,VI_E);然后将构建的新型双波段指数和常规双波段指数(VI_F)与LAI进行相关性对比分析,最后结合支持向量回归(SVR)、偏最小二乘回归(PLSR)和随机森林回归模型(RFR)进行LAI估算,并对比分析常规双波段指数的估算精度,验证最佳波段选择方法构建新型双波段指数的最佳回归模型反演LAI的可行性。结果表明:(1)新构建双波段指数VI_OIF,VI_SPA,VI_E和VI_F与冬小麦LAI的相关性均达到0.05的显著水平,其中VI_SPA和VI_E与LAI的相关系数高于0.65,且RSI_SPA和RSI_E与LAI的相关性较高(r>0.71);(2)对比分析VI_OIF、VI_SPA、VI_E和VI_F构建的SVR模型、PLSR模型和RFR模型的冬小麦LAI估测精度,VI_SPA_PLSR模型估测精度最高,R^(2)和RMSE分别为0.75和0.90。该方法可为无人机高光谱数据波段选择以及冬小麦LAI反演提供技术支持和理论参考。

摘要： 为了减少高光谱图像数据中的冗余信息,优化计算效率,并提升图像数据后续应用的有效性,提出一种基于邻域熵(NE)的高光谱波段选择算法。首先,为了高效计算样本的邻域子集,采用了局部敏感哈希(LSH)作为近似最近邻的搜索策略;然后,引入了NE理论来度量波段和类之间的互信息(MI),并把最小化特征集合与类变量之间的条件熵作为选取有效波段的方法;最后,采用两个数据集,通过支持向量机(SVM)和随机森林(RM)进行分类实验。实验结果表明,相较于四种基于MI的特征选择算法,从总体精度以及Kappa系数上看,所提算法能够在30个波段内较快地选取有效波段子集,并达到局部最优。该算法的部分实验结果的总体精度以及Kappa系数分别达到全局最优的92.99%以及0.8608,表明所提算法能有效地处理高光谱波段选择问题。

摘要： 高光谱成像遥感技术可获取地物的光谱、辐射和空间信息,在国民经济的各个领域得到广泛的应用。但其狭窄的波段间距带来丰富光谱信息的同时,也带来了信息冗余,增加了数据处理的难度。因此,高光谱遥感数据在进行实际应用前,需要进行波段选择并提取光谱特征,降低数据维数。对高光谱遥感图像的波段选择研究进展进行了综述,在分析、归纳波段选择策略的基础上,从评价准则、空谱特征、半监督学习、稀疏表达、智能搜索和深度学习六方面阐述了波段选择方法的最新研究进展,探讨了当前高光谱图像波段选择面临的问题与挑战,对未来发展的趋势进行了预估。

摘要： 为了快速揭露植被伪装,基于Relief-F算法进行了高光谱波段选择,将高光谱研究问题转化为多光谱应用问题。首先以常见植物云杉模拟植被伪装目标,利用HH2地物光谱仪采集实验数据,然后引入Relief-F算法筛选特征波段子集,与其它两种常用算法得到的波段子集进行了分类实验。结果表明,使用Relief-F算法筛选特征波段子集分类精度达96.4%,高于其它两种算法。该研究对于揭露植被伪装问题是有帮助的。

摘要： 该文提出了一种基于可扩展的自表示学习(SOP-SRL)波段选择与偏最小二乘(PLS)建模的定量模型分析方法,以安胎丸指标含量阿魏酸、黄芩苷和汉黄芩苷为研究对象,通过SOP-SRL选取代表性波段,采用PLS建立近红外光谱回归模型,并与相关系数法(CC)、正则化自表示学习算法(RSR)和稀疏子空间聚类法(SSC)3种波段选择算法的建模结果进行对比,以校正决定系数(R_(c)^(2))、校正均方根误差(RMSECV)、预测决定系数(R_(p)^(2))和预测均方根误差(RMSEP)为评价标准,对回归模型的预测性能进行评估。结果显示,SOP-SRL在3种数据集上均取得了较好的结果,建模波段从全波长的800分别减少到70、67、87;RMSEP分别从0.0801、6.3495、0.7425下降到0.0653、3.6208、0.4073,分别下降了18%、43%、45%;相应的R_(p)^(2)分别从0.9119、0.8794、0.9158提高到0.9388、0.9526、0.9701,分别提高了3%、8%、6%。结果表明,经SOP-SRL波长选择后模型的预测能力相比于其他几种算法得到显著提升,基于SOP-SRL的PLS模型可以实现安胎丸指标含量的快速检测。

摘要： 图像中标记样本的缺乏和复杂的噪声使得从高光谱图像(HSI)中选择判别波段成为一项具有挑战性的任务。提出了一种超图自动学习与最优聚类相结合的波段选择方法。将整个频带空间随机划分为几个不同维度的子空间(LV),每个子空间由一组相关频带组成的训练样本的低维表示组成;将所有子空间的样本投影到标签空间后,利用超图自动模型保留这些投影的局部流形结构,保证同一类的样本距离较小,并使用一致性矩阵整合不同子空间对应的波段;通过聚类公式得到排序顺序,选出最优的聚类结果。在3个高光谱图像数据集上的实验表明,此方法与其他方法相比更具有竞争力。

摘要： 针对训练样本量少导致高光谱图像分类精度低的问题,本文提出了一种基于字典优化的联合稀疏表示高光谱图像分类方法.首先,采取基于层次聚类的波段选择方法降低高光谱图像数据维度;其次,结合空间信息将高光谱数据划分为多个子集,利用已知标签信息的训练样本标记各个子集中可能成为训练样本的像元,组成训练样本备选集,根据光谱相似度准则筛选备选集得到优化字典;最后,将优化字典用于联合稀疏表示对高光谱图像进行分类.通过Indian Pines数据集和Pavia University数据集仿真实验表明,本文提出的分类算法能够有效提高高光谱图像分类精度.

摘要： 高光谱图像存在大量冗余信息,波段选择是一种有效的减少冗余、降低光谱维数的方法.提出一种基于上下文多字典学习的高光谱图像波段选择算法.该算法使每个波段的图像都可以通过其他波段图像的线性组合来近似表示,而且能够保证相邻波段图像具有相似的性质.同时通过稀疏求解方法求出每个波段对应整个原始图像的权重,便可按照权重来选择波段.实验结果表明,该算法相对其他波段选择算法具有良好的技术性能.

摘要： 高光谱图像波段选择需考虑波段信息.传统香农信息熵指标仅考虑图像的组分信息(像元的种类和比例),忽略了图像的空间配置信息(像元的空间分布),后者可由玻尔兹曼熵刻画.其中,Wasserstein配置熵删除了连续像元的冗余信息,但局限于四邻域,本文将Wasserstein配置熵拓展至八邻域.以印度松木试验场和意大利帕维亚大学高光谱图像为例,使用Wasserstein配置熵差异值测度波段相关性,通过非监督次优搜索法确定最优波段组合,并用支持向量机分类.比较基于Wasserstein配置熵差异值、互信息、4种标准化互信息和两种相对熵变体的图像分类精度.结果表明,四邻域和八邻域Wasserstein配置熵差异值均可用于高光谱图像波段选择,当选择少量波段时优势尤为明显,且八邻域整体优于四邻域.

摘要： 基于高光谱图像的应用,在不降低性能的前提下,选择具有信息和代表性的波段是大数据环境下一项具有挑战性的任务.许多波段选择方法忽略波段的有序性,只考虑波段的冗余性,这会导致有价值的波段丢失,而保留无用的波段.针对此问题,提出了一种自适应子空间划分和自我表示学习的高光谱波段选择方法(Adaptive subspace partition-Self-representcd learning,ASP-SRL),该方法最大限度地利用类间距离与类内距离之比,将高光谱图像立方体分割为多个子立方体.子立方体采用自表示学习算法处理,在处理完所有子立方体以后,采用记忆向量q进行波段选择.与三个公开高光谱影像数据集和最新的波段选择方法Multi-dictijonary sparse representation(MDSR)、Scalable one-pass self-representation learning(SOP-SRL)、Adaptive subspace partition strategy(ASPS)相比,所提出方法在OA、AA和Kappa三个指标上都优于其他算法.

摘要： 高光谱遥感因为其高光谱分辨率,在遥感成像中占据着十分重要的地位.但是由于波段众多、数据量大、计算量大等原因,使高光谱图像的数据降维十分必要.本文介绍了目前高光谱数据降维的主要方法,重点介绍了波段选择的方法.通过对高光谱图像波段选择方法的分类、归纳和分析,总结其各自的特点,并提出了对高光谱波段选择发展方向的看法.

摘要： 高光谱图像分辨率高,数据量大,信息的冗余程度高,给数据处理带来了很大的困难.本文在子空间划分的基础上充分考虑数据的相关性和信息量,提出了一种改进的线性预测波段选择方法.该方法综合考虑了最小线性预测误差和最大信息量,优化了线性预测误差方法所选波段子集,提高了所选波段的信息量.本文计算误差最小和次小的两个波段,结合它们的标准差,计算出它们的组合因子,通过比较组合因子来决定所要去除的波段.对所选波段使用svm进行分类,实验证明了本方法的有效性.

摘要： 目的：针对现有的高光谱遥感波段选择方法应用于目标检测时效果不高的问题,提出了一种基于粒子群算法的波段选择(Band Selection Based on Particle Swarm Optimization,BS-PSO)新方法.rn 方法：首先,将能够有效衡量目标检测效果的ROC(Receiver Operating Characteristic)曲线下面积(Area Under the Curve,AUC)作为波段选择准则,并将之构造为适应度函数.接下来,利用群智能优化算法粒子群算法对波段选择搜索过程进行优化,最终得到拥有较高检测效果的波段组合.rn 结果：以曲线下面积作为衡量波段的指标,能够有效地选出具有较高目标检测性能的波段组合,与其他几种典型的波段选择方法相比,所选波段的目标检测性能平均提升5％;利用粒子群算法优化波段搜索过程,其波段搜索时间较传统的波段搜索方法缩短了一个数量级.rn 结论：该方法具有较强的针对性,能够在较短的时间内,选出具有较高目标检测性能的波段组合,达到降低数据维数及改善遥感图像目标检测效果的目的.

摘要： 本文针对高光谱遥感图像具有数据量大,波段多,冗余度大等特点,对高光谱图像数据处理中的降维方法中的波段选择的方法进行了综述。分别对光谱图像的波段选择的若干算法进行详细论述,并分析了各种算法的有效性以及存在的不足。最后对波段选择方法的发展进行了讨论,提出了几点自己的看法和建议。

摘要： 高光谱遥感图像由于具有高维性、高度相关性、冗余性等特点，给进一步处理分析带来了挑战。针对这一问题，本文在充分考虑计算复杂度的基础上提出了基于时间序列重要点分析的波段选择方法进行特征降维。该方法将高光谱遥感图像的所有连续波段转换成时间序列进行分析与处理，通过对训练样本进行基于DBI的K-means聚类，再将聚类中心对应的时间序列进行小波滤波，最后提取了重要点作为选择的波段。为了验证本文方法的有效性，对降维后的高光谱图像进行了SVM分类，结果表明基于时间序列重要点分析的波段选择方法能够选择出具有重要信息的波段，降维率高达90％，且基本能够保持原始分类精度甚至更高，同时计算过程简单，计算复杂度较低。

摘要： 利用高光谱遥感数据进行了南京郊外土壤重金属元素铅的含量反演,由于高光谱数据波段众多,波段选择或变换至关重要。本文比较了基于次贪婪的前向选择模型的最小角度拟合和基于遗传算法进行波段选择的最小二乘和偏最小二乘拟合,结果发现基于遗传算法的偏最小二乘反演结果优于全波段的偏最小二乘,说明波段选择在高光谱反演重金属中是有益的。尽管采取了波段选择后的各方法在反演时能达到70％以上的训练精度,然而由于遗传算法搜索的解空间范围更宽广,基于遗传算法的偏最小二乘优于前向选择模型的最小角度拟合。最后本文还比较了基于遗传算法的普通最小二乘和偏最小二乘拟合,结果表明偏最小二乘更优,因此在高光谱反演重金属含量当中,偏最小二乘精度较高,而在波段选择方法中,遗传算法更优。波段838nm、1930nm和2148nm对土壤Pb含量敏感。

摘要： 高光谱图像往往有上百个波段，如何从中选择少数有效波段是高光谱图像分类研究需要解决的关键问题之一。本文针对高光谱图像各波段之间相关性高的特性，提出了一种新的高光谱图像波段选择算法。首先基于波段之间的互信息将原始波段分组，然后采用遗传算法结合支持向量机进行搜索，选择最佳波段组合。该算法显著地降低了运算复杂度，并且使分类的准确率亦有所提高。针对不同类别训练样本分布不平衡问题，提出基于聚类的重采样方法对训练样本进行平衡处理，改善了小类别样本识别精度。基于公共测试数据集Washingcon DC Mall的实验结果证明了本文方法在计算效率和性能上的提升。

摘要： 基于OIF算法利用SFS搜索法进行最佳检测波段选择,并通过目标检测来对比分析该方法的优势,得出基于OIF算法利用SFS搜索法进行最佳检测波段选择的方法在目标检测方面检测效果优于全波段检测的结论;由于经典目标检测算法中存在背景统计性描述的问题,基于光谱角填图(SAM)、正交子空间投影(OSP)、自适应匹配子空间检测(AMSD)准则,提出了一种新的改进算法.通过改进参与背景统计的协方差矩阵,优化了目标检测算子.该方法与经典目标检测算法进行实验对比,通过ROC曲线分析得出基于改进协方差的目标检测方法在小概率目标检测条件下优于经典CEM、ACE算法的结论,检测效果得到明显提升.

摘要： 包络线去除算法将反射率光谱归一到一致的光谱背景上,可以有效突出光谱曲线的吸收特征.但是,传统的包络线去除算法存在小峰值点遗漏问题,无法放大小吸收峰.通过选取局域最大值点,对传统包络线去除算法进行了改进,并用此算法放大了反射特征.通过比较4种不同种类植物的包络线去除光谱,选择差异较大的波段,用于区分识别这4种植物,并用欧氏距离法检验了所选波段的区分效果.实验证明,改进后的包络线去除法能有效避免小峰值点遗漏问题,并且能更好地区分不同种类的植物.

摘要： 为实现温室环境下近色系果蔬的采摘识别，提出了一种基于统计方差结合人工神经网络的光谱选择方法对黄瓜敏感波段进行分析验证。并将选定的光谱组合作为温室黄瓜识别中光谱图像获取的参考依据。结果表明,利用所摄敏感波段的图像信息可有效地解决黄瓜目标与背景的区分问题。综合比较黄瓜作物(果实、叶、花)在不同光谱域的分光反射特性差异，利用方差分解方法获取果实信息的敏感波段，在敏感区域内进行主成分分析，将前4个主成分作为网络输入、作物器官类别作为输出，建立3层BP-ANN验证模型.将160个样本数据按比例分为建模集和预测集，模型对建模集120个样本的正确判别率为100％，对预测集40个样本的正确判别率为95％。说明敏感波段的选择能较好地反映黄瓜作物不同器官间的特性差异。

摘要： 本发明涉及高光谱遥感图像处理领域，公开了基于波段注意力重建网络的高光谱波段选择方法及装置。包括：(1)构建高效的波段注意力重建网络，计算波段代表性；(2)选择代表性度量值最高的波段，构建初始已选波段子集；(3)计算波段之间的冗余度；(4)计算波段代表性和冗余度综合分值；(5)选择得分最高的波段，更新波段子集。重复过程(3)‑(5)，直到已选择波段的数量达到预先设定的波段数。本发明从高光谱图像特性出发，利用了波段之间复杂的非线性关系，结合了先进的深度学习知识，提出了兼顾波段代表性和冗余度的波段选择方法，能够提升高光谱图像像素分类的精度。

摘要： 本发明提供的一种基于序列信息与波段质量的高光谱图像波段选择方法，包括以下步骤：对高光谱图像空间平面分割成具有序列关系的序列子块；将每一个序列子块的每一层波段表示为一个列向量，对列向量进行标准化处理；构建光谱波段质量评价搜索准则；将每一个序列子块与搜索准则进行融合，构建子块度量矩阵；将子块度量矩阵与行列式点过程进行融合，选择出冗余性低，可分性好的光谱波段子集；输出选择得到的光谱波段子集的索引。本发明提供的一种基于序列信息与波段质量的高光谱图像波段选择方法，从不同空间域度量光谱波段的冗余度，提高了度量准确度；通过构建搜索准则，有效评价光谱波段的质量，提高选择光谱波段的质量。

摘要： 本发明公开了一种基于关键波段提取的高光谱图像波段选择方法及装置。本发具体实现如下：对高光谱图像确定端元个数并提取端元光谱；对每个端元光谱利用基于三点矢量夹角和变化幅度分析的方法提取关键点子集，合并所有关键点子集构造侯选波段子集；根据波段间相似性具有块状分布的特点，构造局部信息散度矩阵的可视图，确定最佳波段数范围；最后，通过信息量度量法和最优子集选择准则法两类方法中的一种方法优中选优，确定最优波段子集。本发明中的端元光谱的关键波段是不同地物间最具区分性的特征波段，并从关键波段子集中选取最优波段，能缩短后续波段选择的时间，因此，本发明提出的波段选择方法能够提高波段选择的效率。

摘要： 本发明公开一种基于波段不相似性的高光谱数据波段表征选择方法，主要解决现有高光谱波段选择时结构信息不能有效利用的问题。其步骤为：将输入的高光谱图像预处理为可操作的高光谱数据；构建高光谱波段之间的不相似矩阵；初始化概率表征矩阵；生成高光谱像元之间的相似度矩阵；计算高光谱波段的表征代价；构建高光谱像元的图保持正则项；构建目标函数；构造约束条件；通过交替方向多乘子方法求解概率表征矩阵；波段子集选择。本发明通过表征学习和图正则来进行高光谱数据的波段选择，使得选择后的高光谱波段能保持与输入高光谱数据相似的结构，提高了波段选择后高光谱数据的表征性，可用于高光谱数据的维数约简、分类识别。

摘要： 本发明涉及一种基于波段注意力机制的高光谱图像特征波段选择方法，包括步骤：高光谱图像数据集采集与预处理；利用注意力模块提取原始高光谱图像的光谱特征信息，生成包含波段注意力信息的光谱数据块；将包含波段注意力信息的数据块输入基于三维残差网络的神经网络进行预测分析。本发明的有益效果是：本发明利用波段注意力模块生成波段注意力图；通过元素乘法对原始数据加权，本发明基于注意力模块挑选的特征波段具有代表性，并且总体神经网络模型连接三维残差网络进行预测分析，具有良好性能；本发明面向对象级别进行样本分析，将整个原始数据块作为输入，将特征波段选择与预测任务相结合，是一种高有效性、高普适性的方法。

摘要： 本发明公开了一种多波段复用QKD最佳波段选择方法、系统、装置及存储介质，其方法包括：根据经典信道数量从所有信道中选取经典信道组合，并根据量子信道数量从选取经典信道组合后的所有信道中选取量子信道组合；根据所有经典信道组合和与其对应的每个量子信道组合生成经典‑量子信道组合；获取每个经典‑量子信道组合中的每个经典信道和量子信道的拉曼噪声；选取拉曼噪声均小于预设的串扰光子数的临界值且拉曼噪声之和最小的经典‑量子信道组合；获取经典通道组合和量子通道组合，并确定每个经典通道和量子通道的波长；根据通道的波长所处的波段确定波段选择；本发明能够有效降低不同频段间经典光对量子光的干扰，提高信道传输的密钥率。

摘要： 本发明公开了基于最佳指数波段组合的高光谱图像波段选择方法，其包括以下步骤：(1)对高光谱影像进行预处理；(2)对高光谱影像计算各波段的标准差、相关系数矩阵；计算波段标准差、相关系数矩阵；(3)计算高光谱图像波段中任意3个波段组合的最佳指数；第一，利用步骤(2)中的标准差和相关系数矩阵计算高光谱图像波段中任意3个波段组合的最佳指数值，第二，将所有波段组合中的最佳指数值进行降序排列，选择最大值对应的波段组成图像最终的最佳波段。本发明通过最佳指数法进行波段选择，得出最佳波段组合结果更加快速准确，降低了因相关性造成的影像监测精度低的问题。

摘要： 本发明涉及高光谱遥感图像处理领域，公开了基于波段注意力重建网络的高光谱波段选择方法及装置。包括：(1)构建高效的波段注意力重建网络，计算波段代表性；(2)选择代表性度量值最高的波段，构建初始已选波段子集；(3)计算波段之间的冗余度；(4)计算波段代表性和冗余度综合分值；(5)选择得分最高的波段，更新波段子集。重复过程(3)‑(5)，直到已选择波段的数量达到预先设定的波段数。本发明从高光谱图像特性出发，利用了波段之间复杂的非线性关系，结合了先进的深度学习知识，提出了兼顾波段代表性和冗余度的波段选择方法，能够提升高光谱图像像素分类的精度。

摘要： 本发明公开一种基于波段质量分析的无监督波段选择算法，属于遥感图像处理技术领域。实施过程包括：1)构建初始波段质量参考图，利用改进的结构相似度指标(SSIM)对各个波段的质量进行评估，得出各波段初始质量得分；2)利用初始质量得分更新质量参考图，并计算出各波段最终质量得分；3)将波段质量分析的结果用以指导列子集波段选择算法，从而选择出冗余度低，信息量大，波段质量优的波段子集。本发明通过对波段质量的分析，在无监督的条件下获得了波段的质量得分，能够改善传统无监督波段选择方法易受噪声影响这一缺点，可用于遥感图像降维，分类等领域。

摘要： 本发明提供的一种基于序列信息与波段质量的高光谱图像波段选择方法，包括以下步骤：对高光谱图像空间平面分割成具有序列关系的序列子块；将每一个序列子块的每一层波段表示为一个列向量，对列向量进行标准化处理；构建光谱波段质量评价搜索准则；将每一个序列子块与搜索准则进行融合，构建子块度量矩阵；将子块度量矩阵与行列式点过程进行融合，选择出冗余性低，可分性好的光谱波段子集；输出选择得到的光谱波段子集的索引。本发明提供的一种基于序列信息与波段质量的高光谱图像波段选择方法，从不同空间域度量光谱波段的冗余度，提高了度量准确度；通过构建搜索准则，有效评价光谱波段的质量，提高选择光谱波段的质量。