3.1.3.
相对熵
相对熵或Kullback-Leibler距离D被估计为两个带分布之间的距离
[20]。从方程中
(
2
)计算如下:
I
B
i
;
B
i
1
D
P
x
;
y
j
P
x
P
y
5
R log
P
BiBi
1x;y
6
磷
铋铋
钾
所提出的用于相对熵研究工作的MI_Otsu融合中涉及的步骤被制作
为算法3。
根据等式(
2
)和(
3
),使用联合熵和
MI
来公式化高光谱波段,
以用于识别信息波段。等式(
6
)有助于用公式表示频带之间的互信
息根据等式(
4
)和(
2
)计算互信息的条件熵。基于
1D
(维度)和
2D
的阈值化技术通常用于图像矩阵。最大类间方差法提高了类间方
差的可分性,从而在最优阈值测度的基础上提高了波段选择的准确
性这种多级阈值技术用于这种高光谱波段选择,并结合
MI
函数。在
文献
[4
,
8
,
9
,
20]
中,在确定了
n-1
个波段的互信息后,采用了基于
直方图的阈值化方法。在这项拟议的研究工作中,大津多级阈值技
术被用来确定阈值的
1
:
n1
互信息波段。它的工作原理是使用加权平
均法最大化波段间方差和最小化波段内方差信息量很大
M
r
SB
2
¼ q
k
l
k
2
10
k¼1
上面的等式(8)、(9)和(10)用于识别所选频带的最佳阈值。
此外,通过所提出的MI_Otsu算法选择波段;波段选择的准确性需要通过
使用分类技术对各个类别进行分类来证明。在此框架下,根据研究结果
选择了支持向量机核分类器.此外,从[2,17
4.
实验结果
用于这项研究工作的数据集是来自测试站点的实时数据集,印第安
纳州西北部的印第安松由AVIRIS传感器记录。该数据集包含145× 145
像素/220个波段,在0.4-2.5 m波长范围内有16个不同的类别在波段选择
之前进行预处理;去除噪声波段并减少到200个波段。具有训练样本的数
量(10366)的各个类别标签在地面实况图像中呈现,参考图1在表1中
示出。
[2]
和图 二、
该算法需要找到两个波段之间的互信息,最佳阈值,然后选择信
息量高的波段。
MI_Otsu
算法使用联合熵度量来度量两个频带之间
的互
AVIRIS
印度松数据集包含
145 145 200
的维度,去除噪声带后。该算法首先评估两个波段之间
的概率,然后对两个波段之间进行熵测度,
表
1
Indian pines ground truth
数据集,每个类别的样本数量