融合互信息与Otsu的高光谱波段选择方法

"本文介绍了高光谱波段选择的一种新方法，该方法结合了互信息和Otsu多级阈值技术。针对高光谱数据的高维性、冗余信息和噪音问题，研究者提出了MI_Otsu算法，利用联合熵、条件熵和相对熵三种熵测度进行波段选择。通过Otsu方法确定最优阈值，选择出信息含量高的波段。随后，使用支持向量机(SVM)对选取的波段进行分类，以评估算法性能。实验基于AVIRIS数据集进行，结果显示MI_Otsu方法在减少波段数量的同时保持了较高的分类精度，达到92.16%，优于其他两种基于MI的变体方法。" 本文主要关注高光谱图像处理领域的一个关键问题——波段选择。高光谱数据通常具有大量的光谱波段，每个波段都包含丰富的信息，但同时也带来了维度灾难和信息冗余。传统的高光谱分析方法在处理这些大数据时可能会遇到计算效率和分类精度的挑战。 互信息是一种信息理论中的测量工具，用于量化两个随机变量之间的依赖程度。在高光谱波段选择中，互信息可以帮助识别那些含有最多独特信息的波段，减少冗余。Otsu多级阈值方法则是一种图像分割技术，用于自动确定最佳阈值，将图像分为两类。在这里，它被用来选择最具区分性的波段。 MI_Otsu算法结合了这两种方法的优点。首先，通过计算联合熵、条件熵和相对熵，对每个波段的信息含量进行评估。接着，应用Otsu多级阈值策略，找到最佳阈值，以此阈值来划分波段，挑选出信息最丰富的部分。最后，使用支持向量机进行分类，验证所选波段的性能。 实证研究在来自AVIRIS传感器的数据集上进行，这个数据集记录了美国印第安纳州西北部“印第安松”地区的高光谱信息。实验结果表明，MI_Otsu方法在减少波段数量的情况下，仍能维持高分类准确率，相较于其他仅基于互信息的方法，如联合MI_Otsu和条件MI_Otsu，MI_Otsu方法表现出了更高的效率和有效性。 该研究对于解决高光谱数据的维度问题和提高分类效率具有重要意义，特别是在遥感、环境监测和地物识别等应用中。通过有效的波段选择，可以降低计算复杂度，提高数据分析的速度和准确性，这对于资源有限的环境或实时监测任务尤其有价值。