專利名稱：一種高光譜特征變量選取的方法
一種高光譜特征變量選取的方法技術(shù)領(lǐng)域
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及高維數(shù)據(jù)的降維，用于高光譜遙感圖像的分類，尤其涉及一種高光譜特征變量選取的方法。
背景技術(shù)：
高光譜遙感技術(shù)是20實(shí)際80年代遙感領(lǐng)域的最重要發(fā)展之一，也是當(dāng)前該領(lǐng)域的前沿技術(shù)。高光譜遙感技術(shù)利用成像光譜掃描儀，以納米級(jí)的光譜分辨率對被觀測物體同時(shí)產(chǎn)生數(shù)百個(gè)波段的影像。能夠記錄被測物的連續(xù)光譜信息，并具有“圖譜合一”的的特性，使得人類在遙感領(lǐng)域又向前邁進(jìn)了一大步。近紅外高光譜是高光譜技術(shù)的一種，目前被廣泛應(yīng)用于食品、醫(yī)藥、石油化工等行業(yè)，如用于蘋果，茶葉、酸奶、石油的品質(zhì)檢測等。近紅外光譜的工作原理主要是倍頻和合頻的吸收，其光譜特征與有機(jī)物類型的含量高度相關(guān)。 由于高光譜數(shù)據(jù)包含了空間、輻射和光譜三重信息，因此更適合用于被測物的分類。然而成熟的建立并應(yīng)用數(shù)據(jù)分析模型仍然存在巨大的挑戰(zhàn)和困難(I)數(shù)據(jù)量大，高光譜數(shù)據(jù)維度很高，維度之間存在很高的冗余，并且給存儲(chǔ)，傳輸和制備檢測一起帶來了難題；(2)高光譜數(shù)據(jù)各個(gè)波段(維度)的相關(guān)性很高，當(dāng)維度數(shù)小于樣本數(shù)，容易導(dǎo)致所建模型過擬合， 并引起分類精度降低。因此必須通過某種手段能夠從復(fù)雜的光譜信息種提取有用信息、剔除無關(guān)信息，提高模型建立的精度和速度。根據(jù)不同的評(píng)價(jià)策略，高光譜特征選擇方法主要分為兩種類型1)過濾器(Filter)方法，其特點(diǎn)是選取方法與分類回歸方法無關(guān)，優(yōu)點(diǎn)在于可以同時(shí)處理大量速度，處理速度快，缺點(diǎn)是對非線性模型分類精度低。常用的方法有 SPA方法，UVE方法等。SPA是在向量空間中采用簡單的投影操作，采用向前選擇的策略獲取最小線性的變量子空間。變量選擇的原則為選取的新變量在當(dāng)前變量的正交子空間平面有最大的投影。由于只考慮到樣本數(shù)據(jù)之間的相關(guān)性，而忽略類標(biāo)簽與樣本之間的關(guān)聯(lián)屬性， 對分類回歸結(jié)果產(chǎn)生了一定的影響;UVE是一種通過添加噪聲去除無關(guān)變量的特征變量選方法。它通過添加與變量有某種相關(guān)性的同等數(shù)量噪聲，根據(jù)預(yù)定義的閾值，對范圍外的無關(guān)變量進(jìn)行剔除，從而實(shí)現(xiàn)對特征變量的選取。然而閾值選取的隨機(jī)性和噪聲選取的不合理性對結(jié)果都造成了較大的影響。2)內(nèi)嵌式(Nested)方法，其特點(diǎn)是選取方法與分類回歸方法相關(guān)，優(yōu)點(diǎn)在于可以有效地提高分類精度，降低特征變量個(gè)數(shù)。缺點(diǎn)是計(jì)算量大，運(yùn)行時(shí)間久，與選取的回歸分類器易產(chǎn)生緊耦合。支持向量機(jī)-特征遞歸向量消除(SVM-RFE)、 以及本文提出的MFFS-SVM都屬于內(nèi)嵌式方法；SVM-RFE的提出最初用來解決二值生物基因的特征選取方法核心原理是根據(jù)支持向量機(jī)的權(quán)重向量排序?qū)o關(guān)變量進(jìn)行循環(huán)遞歸消隱，雖然在二值分類表現(xiàn)優(yōu)異，然而對于多類問題卻沒有很好地解決方法。該方法由于采取了后序特征選擇策略，在高維的高光譜特征變量選取方面，需要大量的運(yùn)行時(shí)間。發(fā)明內(nèi)容
針對上述技術(shù)缺陷，本發(fā)明提出一種高光譜特征變量選取的方法。
為了解決上述技術(shù)問題，本發(fā)明的技術(shù)方案如下
一種高光譜特征變量選取的方法，包括如下步驟
11)初始化變量子集R= □，使其為空集；輸入的特征樣本集X= [X1, ...，XJ ；以及 X的當(dāng)前長度I ;
12)將訓(xùn)練數(shù)據(jù)，剔除R集合中特征后，搜索最優(yōu)SVM參數(shù)T和σ2 ;
13)對訓(xùn)練數(shù)據(jù)建模，獲得SVM模型M ；
14)根據(jù)公式(a)計(jì)算X中所有的特征變量；
Sj = I I ω I1-1 I ω I(a)
其中||ω 11l表示去除第j個(gè)特征變量的權(quán)重向量的范數(shù)；所述 ω = [ω1； ω2...，ωΝ]τ為相關(guān)系數(shù)向量，所述采用公式(b)進(jìn)行計(jì)算
所述k表示，有k類問題，k > 2;所述 #}表示第i個(gè)類中，第j個(gè)特征的權(quán)重；
15)選擇最大的Sj對應(yīng)的變量，即e=arg maXjSj;
16)更新R=[e, R], X=X_[e]。
進(jìn)一步的，包括如下步驟當(dāng)遇到多類別分類問題時(shí)，在步驟12)中采用一個(gè)二類分類回歸器對樣本進(jìn)行分類，最終采取投票策略確定樣本所屬分類，采用公式(b)和公式
權(quán)利要求
1.一種高光譜特征變量選取的方法，其特征在于，包括如下步驟 11)初始化變量子集R=□，使其為空集；輸入的特征樣本集X=K1,...，XJ ;以及X的當(dāng)前長度I ; 12)將訓(xùn)練數(shù)據(jù)，剔除R集合中特征后，搜索最優(yōu)SVM參數(shù)T和O2; 13)對訓(xùn)練數(shù)據(jù)建模，獲得SVM模型M； 14)根據(jù)公式(a)計(jì)算X中所有的特征變量； Sj = I I I -1 I I I(a) 其中I I I I表示去除第j個(gè)特征變量的權(quán)重向量的范數(shù)；所述《 = [%，W2- , N]T為相關(guān)系數(shù)向量，所述采用公式(b)進(jìn)行計(jì)算
2.根據(jù)權(quán)利要求I所述的一種高光譜特征變量選取的方法，其特征在于，包括如下步驟當(dāng)遇到多類別分類問題時(shí)，在步驟14)中采用一個(gè)二類分類回歸器對樣本進(jìn)行分類，最終采取投票策略確定樣本所屬分類，采用公式(b )和公式(c ):
全文摘要
本發(fā)明一種高光譜特征變量選取的方法，提出一種內(nèi)嵌式、基于SVM最大間隔原理的、向前序列選取方法——特征向前選擇支持向量機(jī)(SVM-BFFS)，并使用一對一策略，將其推廣到支持多類分類問題的SVM-MFFS，該方法通過發(fā)掘特征變量與穩(wěn)定度間的內(nèi)在關(guān)系，對特征穩(wěn)定度進(jìn)行排序，從而快速有效的選取紅外高光譜的特征變量。應(yīng)用這種方法能夠約減高光譜圖像的維度，從而減小后續(xù)計(jì)算的復(fù)雜度，并且保持所建模型的高準(zhǔn)確率。
文檔編號(hào)G06K9/62GK102982339SQ20121042773
公開日2013年3月20日 申請日期2012年10月31日 優(yōu)先權(quán)日2012年10月31日
發(fā)明者鄧水光, 李浬, 徐亦飛, 吳朝暉, 尹建偉, 吳健, 李瑩 申請人:浙江大學(xué)