互信息量与遗传算法结合的高光谱图像波段选择策略

该论文研究了一种针对高光谱遥感图像波段选择的问题，提出了一种创新性的算法，即结合互信息量分组与遗传算法。高光谱遥感图像通常包含众多波段，这在进行图像分类时带来了挑战，因为过多的波段会增加计算负担，同时存在波段间的冗余信息，可能导致分类准确率下降。传统的多光谱图像处理方法已无法适应这种复杂性。 论文作者林林，来自河海大学计算机及信息工程学院，指出为了有效利用高光谱数据的丰富信息并降低维数，降低算法复杂度和提高分类准确性，需要采用一种既能保持物理意义又能精简特征的方法。传统的方法包括特征提取，如主成分分析和小波变换，虽然能将数据降维，但可能丢失物理含义，不利于理解和优化分类过程。 本文新提出的算法则是采用了互信息量分组，这是一种衡量两个变量之间信息关联度的技术，能够识别出对分类有用的波段。同时，通过与遗传算法相结合，进一步优化了波段选择过程，减少了计算需求，提升了分类效率。这种方法确保了选择的波段具有实际的物理意义，使得分类结果更具可解释性，并为后续的算法优化提供了清晰的依据。 作者通过实验验证，使用华盛顿DC Mall的公共测试数据集，证明了这一算法在计算效率和性能上都有显著提升。该研究对于高光谱遥感图像处理领域具有重要的理论和实践价值，为解决高光谱数据处理中的关键问题提供了一种新颖且高效的解决方案。该研究的关键词包括高光谱遥感、图像分类、互信息量和遗传算法，这些主题都是当前遥感科学的前沿研究方向。