高光谱波段选择方法的互信息与Otsu多级阈值融合

埃及信息学杂志22（2021）133互信息与Otsu多级阈值融合的高光谱波段选择南迪尼湾波科迪河Bharathiar University，Coimbatore 641046，India阿提奇莱因福奥文章历史记录：收到2019年2020年3月20日修订2020年6月26日接受在线预订2020年保留字：高光谱波段选择信息论互信息最大类间方差多阈值支持向量机A B S T R A C T高光谱数据是一种维数巨大、光谱信息冗余度高、噪声大的数据。在高光谱数据中，存在着数百个窄的相邻波段，这些波段具有很高的光谱信息，这往往会导致计算的空间和时间复杂度。采用信息论方法进行高光谱波段选择，避免了计算复杂度。为了解决这一问题，提出了一种新的互信息与大津阈值融合方法（MI_Otsu），该方法采用联合熵、条件熵和相对熵三种不同的熵测度进行高光谱波段选择。所提出的方法确定的概率，熵，和两个高光谱波段之间的互信息。利用Otsu多阈值技术得到最佳阈值，从而选择出信息量大的波段.此外，支持向量机（SVM）分类技术是适合于进一步分类的选定波段，分析所提出的算法的性能。实验分析进行了使用实时数据集从测试站点'印第安松'在印第安纳州西北部记录的AVIRIS（机载可见光/红外成像光谱仪）传感器，证明了这种方法的有效性。实验结果表明，该方法即使在较少的波段选择下也具有较好的性能，相对MI_Otsu方法与联合MI_Otsu方法和条件MI_Otsu方法相比，具有92.16%的较高精度。©2021 THE COUNTORS.由Elsevier BV代表计算机和人工智能学院发布开罗大学法律系这是一篇CC BY-NC-ND许可证下的开放获取文章（http：//creative-commons.org/licenses/by-nc-nd/4.0/）上提供。1. 介绍高光谱成像光谱仪擅长于在拓扑表面上的给定空间区域收集具有不同波长通道的大量波段，并且具有巨大的诅咒维度。这些波段包含高光谱信息，可以识别类似的材料[1，2]。每个像元值波段都是连续的光谱，其上存在不同类别的标签。几十年来，研究人员已经指出，高光谱数据集会产生休斯现象效应，由于光谱波段的高维性和信息冗余，这种现象会降低分类精度[3，4]。信息的冗余需要被分类以通过选择两个广泛分类概念中的任何一个来克服上述困难：1）特征提取或2）特征选择方法。*通讯作者。电子邮件地址：nandhinik2@gmail.com（K.Nandhini），porkodi_r76@buc.edu. in（R. Porkodi）。特征提取技术，如PCA（主成分分析）和ICA（独立成分分析）是从高到低的维度投影。特征选择从原始数据中创建子集，以减少特征的维数。在高光谱遥感中，几个波段被认为是特征。特征或波段选择技术涉及选择信息量大的波段，这降低了维数并提高了分类准确性。本文是对波段选择方法的研究信息论方法、决策规则方法、基于频谱比较的方法被广泛用于高频谱波段选择[5]。信息论是波段选择方法中最前沿的方法互信息（MI）它从测量所有波段的图像中获得信息，并根据熵估计值的排序进行选择[6]。通过估计产生的变量中的不确定性的量从其他变量的信息被考虑和测量，以减少https://doi.org/10.1016/j.eij.2020.06.0021110-8665/©2021 THE COMEORS.由Elsevier BV代表开罗大学计算机和人工智能学院出版。这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表埃及信息学杂志杂志主页：www.sciencedirect.com134K. 楠迪尼河Porkodi/埃及信息学杂志22（2021）133不确定性是MI[7]。有许多研究采用MI技术，这往往证明了高精度，即使用较少的波段。本文主要研究MI在波段选择中的应用。 该算法的主要贡献是以最少的波段数从高光谱数据中选择出信息量较高的波段，并利用分类方法对算法的性能进行了验证。该算法的主要优点是降低了误选率，延迟了选带时间，并具有较高的选带精度。本文的其余部分安排如下：第二部分提供了一个在高光谱波段选择和分类领域的相关工作的综述。第三节描述了互信息和大津方法（MI-Otsu）的结构，并解释了所提出的算法。第4节说明了从这项工作中获得的结果，并提供了相关的讨论。第5节总结了本文的未来工作。2. 相关工作提出了高光谱图像融合的自适应测度MI的概念，即通过统计方法导出熵并度量两个随机变量之间的相关性。AVIRIS高光谱数据集通过使用核分类技术选择不同的波段截止值进行实验[8]。通过使用相同的实验数据和集中在相邻频带上以避免冗余，并应用互补阈值技术，增强了MI技术。 如果信息在相邻频带中保持相同的互信息值，则将发生带宽拒绝[9]。引入基于空间熵的互信息来提取高信息量的波段，这是香农熵和互信息的扩展版本。空间熵分别用内距离（像素间的平均距离）和外距离（像素间的平均距离）来度量[6]。在[8，9]的不断努力下，作者通过应用互信息对实验数据集AVIRIS印度松树场景构建了一个估计参考图，准确率提高了86.18%[10]。基于搜索的高光谱波段选择方法有很多种。在这种情况下，高光谱波段被认为是一个时间序列。首先，光谱的聚类是用训练样本来完成的，这些样本提供了每个类别的光谱曲线。下一步涉及使用从光谱曲线提取的关键点创建候选频带子集，并且其遵循搜索过程。最后一个阶段是通过条件MI过滤光谱带，并采用边界搜索算法优化波段信息[11]。用于检测蓝莓果实的波段选择技术是Kullback-Leibler散度与成对类别区分、分层降维和非高斯性的组合算法。K-最近邻，AdaBoost和支持向量机用于分类并测试上述三种算法的性能[12]。Jeffries-Matusita距离方法用于最大化类可分性。高度相关的相邻频带被合并以选择有效频带。为了找到所选波段的性能，使用bagger算法、SVM和KNN（k-最近邻）对类别进行分类。除此之外，这项工作还通过实施后分类算法进行了扩展，该算法有助于识别错误分类的像素，即分类误差校正[3]。采用带间相关系数法自动选择波段，然后进行奇异值分解（SVD核分类器GURLS（大统一正则化最小二乘）和用于分析这些算法的性能[13]。将邻域粗糙集方法与Shannon熵互信息相结合。利用邻域粗糙集构造了一种前向贪婪搜索方法来选择显著带。极端机器学习（ELM）和随机搜索（RF）用于通过分类准确性评估波段选择性能[5]。通过分析波段选择算法的稳定性，推广了[5]Jaccard指数用于估计算法在训练集的变化[14]。代表性波段选择方法是另一种技术，其中所有光谱波段被分组为簇。该技术的主要目的是最小化其在各个聚类器内的距离，并且最大化不同类别基于克隆选择算法的波段选择方法，根据准则初步估计个体的亲和力。下一步是选择个体，并对其进行克隆和变异，直到达到最佳个体亲和力，然后将其与互信息结合[4]。提出了一种混沌二进制编码引力搜索算法（CBGSA）。通过与遗传算法、二进制编码粒子群优化算法、二进制编码差分进化算法和二进制编码布谷鸟搜索算法等其他算法进行比较，发现它是最合适的算法[16]。从上述背景研究中可以看出，MI技术通过杂交或涉及乐队选择的其他概念。MIMR-DGSA（最大信息最小冗余离散引力搜索算法）通过增加高光谱波段熵和最小化每个子集中高光谱波段之间的互信息来调整可变带宽快速成对互信息算法，使得邻域概念能够选择信息波段MIMR准则的目标是增加频带的熵，减少子集中频带间的相互信息。这样做的效果是，所实现的分类精度受到高方差的影响[21]。还介绍了一种基于共享最近邻（SNNC）的有效聚类方法，用于从原始HS中选择最具代表性的波段[22]。基于改进的子空间分解（ISD）和人工蜂群（ABC）算法，提出了一种波段选择技术ISD-ABC，用于解决高光谱图像（HIS）分类中的降维问题通过计算相邻波段间的相关系数，利用HSI光谱曲线的可视化结果，实现了子空间分解。与其他六种最先进的波段选择技术相比，这提供了良好的分类准确性[23]。在[24]中，基于多目标的模型有助于识别具有不同数量波段的高光谱波段子集。利用弱帕累托最优问题和新的基于边界相交多目标高光谱波段选择方法包括初始化子集、迭代确定理想点、更新当前种群和理想点三个步骤。为了选择高潜力的高光谱波段，可以通过估计高斯和三角目标函数来调用通过各种参数的相似性模糊关系来识别信息测度（IM）的参与，以减少高光谱波段的不确定性和高度互信息的波 段 有 助 于 分 类 的 类 别 标 签 因 此 [25] ， 结 合 IM 和 模 糊 粗 糙 集（FRS）来选择潜在的波段。在[26]中，通过双图模型测量高光谱波段相关性的光谱和空间像元信息，然后使用最大信息和最小噪声（MIMN）准则来增加最大信息和最小噪声。K. 楠迪尼河Porkodi/埃及信息学杂志22（2021）133135þPBix·PBi1y最大熵的频带通过减少噪声。然后采用定点过程（DPP）搜索算法对高光谱波段进行识别。因此[26]通过结合MIMN和DPP来选择高信息量的波段以提高分类精度，从而开发了MIMN-DPP算法。近年来，基于聚类的互信息方法被广泛应用于高光谱波段选择。在[27]中，计算高光谱波段的加权熵和互信息，然后采用K-Means和Fuzzy-K-means预聚类算法来选择高信息波段。在文献[28]中，测量了诸如归一化切割准则（NC）/顶秩切割准则的目标函数，以开发用于高光谱波段选择的最优聚类框架（OCF）。聚类排序策略与NC-OC-MVPCA（最大方差主成分分析）被用来确定潜在的波段。在[29]中，通过引入基于邻近重建的标准目标函数来识别高度相关的波段，然后基于搜索策略识别最佳高光谱波段，从而开发了ONR（最佳在[30]S M（Split and Merge）方法中，开发了用于高光谱波段选择的方法，该方法在空间上不侵犯光谱数据，相邻波段被分裂以找到潜在的子波段。这些潜在的子带被再次合并以减少维度特征，以便选择高维数据。Fig. 1. 高光谱波段选择框架。IBiBi11x;ylogPBiBi1x;yXYð2Þ3. 拟议方法在高光谱数据集中，会存在影响分类精度的噪声波段。预处理阶段能够从原始图像中去除必要的噪声带。从上面的Eq。（2），它推导出MI与熵有关。高光谱波段通过以下公式估算：IBi;Bi1HXHY- -HX;Y数据来克服分类的准确性。在去除噪声带之后，找到概率估计并计算熵度量则最优值为HHð3Þ应用Otsu阈值技术找到了高信息量的频带。图1显示了高光谱波段选择框架，它提供了MI_Otsu的处理流程3.1. 使用MI_Otsu进行信息论在波段选择中的文献研究表明，在过去的十年中，MI在波段选择中起着重要的作用，并且经常显示出被证明的结果。本研究采用了基于Shannon熵的互信息。高光谱数据包含若干个频带Bi{其中i= 1：n}。第一步是使用每个波段的归一化分布来估计概率。考虑P（x）和P（y）分别是Bi和Bi然后使用联合、条件和相对三种熵测度来估计熵。3.1.1. 联合熵在识别P（x）和P（y）之后，如下计算联合熵，H2OX;YH2O-X XPBiBiH2O 1H2Ox;Y H2Olog P BiBi H2O 1H2O x;YH2OlogPBiBi H2O x; Y H2O log P BiBiH2O1 H2Ox; Y H2O log P BiBi H2Ox ;YH2O log P BiBi H2O 1 H2O x; Y H2Xy联合熵包含关于随机性的信息这两个乐队。在估计了两个频带的联合熵所提出的用于联合熵研究工作的MI_Otsu融合中涉及的步骤被制作为算法1。3.1.2. 条件熵两个频带的条件熵估计如下，HX;Y-XXPBiBi1x;ylogPBiBi1yjx4Xy两个频带的互信息I（BiBi+ 1）需要计算如下：所提出的用于条件熵研究工作的MI_Otsu融合中涉及的步骤被制作为算法2。去除噪声频段估计概率： Bi的 P（x）和Bi+1测度熵：Bi的H（X）和Bi+1计算Bi和Bi+1之间的MI应用Otsu阈值技术寻找最优值提取信息量大的条带136K. 楠迪尼河Porkodi/埃及信息学杂志22（2021）133Xf≤···gXþ-1/4Pxy-X××将基于阈值来选择频带。所选择的频带（SB）被分成M个组，如SB 1[1，. . .t]，SB 2 [t 1 + 1，.. m]，. . .SB M [t M-1 + 1，. . K]被认为是Otsu方法的输入，并且估计概率，并且如下使最佳阈值[t1 *，t2 * tM-1 *]最大化rSB2，ft1ω;t2ω··· ··：：tM-1ωg¼argMaxfrSB2t1;t2;· ··：tM-1;71t1tM-1K，其中两个所选波段的概率和波段均值估计如下<<

下载后可阅读完整内容，剩余1页未读，立即下载