本發(fā)明涉及計(jì)算機(jī)，尤其涉及一種基于異構(gòu)布谷鳥搜索的波段選擇高光譜分類算法。

背景技術(shù)：

1、近年來，隨著光譜成像技術(shù)的進(jìn)步，傳感器捕獲的高光譜圖像具有豐富的光譜信息，可以輕松地區(qū)分土地覆蓋物質(zhì)之間的細(xì)微差異。因此，高光譜圖像被應(yīng)用于多種領(lǐng)域，例如醫(yī)學(xué)、農(nóng)業(yè)和建筑。隨著頻譜通道數(shù)量的增加，頻帶數(shù)量也相應(yīng)增加，這給高光譜圖像分類、目標(biāo)檢測和變化檢測的研究任務(wù)帶來了沉重的負(fù)擔(dān)。為了緩解高光譜數(shù)據(jù)爆炸性增長帶來的高計(jì)算和存儲(chǔ)需求，研究降維技術(shù)至關(guān)重要。特征選擇和特征提取是高光譜圖像數(shù)據(jù)降維技術(shù)的主要研究課題，前者是通過預(yù)先設(shè)定的標(biāo)準(zhǔn)從數(shù)據(jù)集中選擇一組合適的波段，也稱為波段選擇；后者是通過對原始光譜帶進(jìn)行一系列變換來生成新的特征。一般來說，高光譜圖像波段選擇包括有監(jiān)督方法和無監(jiān)督方法。

2、考慮到先驗(yàn)知識(shí)，有監(jiān)督的頻帶選擇方法可以實(shí)現(xiàn)更好的降維性能，同時(shí)提供更準(zhǔn)確的特征。無監(jiān)督波段選擇方法依賴于數(shù)據(jù)的假設(shè)來完成降維，但性能通常不如前者。然而，有監(jiān)督方法往往需要對數(shù)據(jù)進(jìn)行標(biāo)注來進(jìn)行降維，這限制了其應(yīng)用。由于高光譜圖像的高復(fù)雜性和大尺度的性質(zhì)，執(zhí)行標(biāo)記任務(wù)極其耗時(shí)和費(fèi)力，而且還容易出現(xiàn)錯(cuò)誤。因此，無監(jiān)督波段選擇方法具有更廣泛的適用性，本技術(shù)將重點(diǎn)研究無監(jiān)督波段選擇方法。

技術(shù)實(shí)現(xiàn)思路

1、高光譜圖像分類是指將高光譜影像中的每個(gè)像元分配到特定的類別或類別集合中。本技術(shù)針對現(xiàn)有方法存在的上述問題，提供了一種基于異構(gòu)布谷鳥搜索的無監(jiān)督波段選擇高光譜圖像分類算法，旨在獲得更精確的高光譜圖像分類結(jié)果。

2、為了實(shí)現(xiàn)本發(fā)明的目的，本發(fā)明采取的技術(shù)方案為：

3、一種基于異構(gòu)布谷鳥搜索的波段選擇高光譜分類算法，其特征在于：所述算法包括以下步驟：

4、s1.初始化算法各權(quán)重參數(shù)，針對輸入的高光譜圖像數(shù)據(jù)確定搜索空間；

5、s2.在確定的搜索空間內(nèi)采用布谷鳥搜索算法進(jìn)行全局探索和局部利用得到一個(gè)個(gè)種群個(gè)體；

6、s3.針對得到的種群個(gè)體進(jìn)行異構(gòu)搜索得到帶有權(quán)重標(biāo)記的個(gè)體；

7、s4.篩選出帶有權(quán)重標(biāo)記的個(gè)體較為密集的波段，得到高信噪比的波段子集；

8、s5.對高信噪比的波段子集進(jìn)行臨域波段的分組映射，將波段進(jìn)行分組；

9、s6.對分組后的波段采用滑譜分解的波段數(shù)量推薦經(jīng)過推薦從各組中得到用于最終分類任務(wù)的波段；

10、s7.對所推薦的波段應(yīng)用分類算法，得到分類結(jié)果，完成分類。

11、進(jìn)一步的，所述s2中全局探索是通過萊維飛行實(shí)現(xiàn)種群更新來完成，其定義式如下：

12、

13、其中：是第t次迭代中的第i個(gè)種群個(gè)體，是第t+1次迭代中的第i個(gè)種群個(gè)體，α是權(quán)重尺度參數(shù)，取0.01(補(bǔ)充)，levy(λ)表示萊維飛行算法公式，其定義如下：

14、

15、其中：μ～n(0,σ2),v～n(0,1)，

16、其中：n表示正態(tài)分布，μ和v表示服從正態(tài)分布的隨機(jī)變量，β為隨機(jī)變量v的權(quán)重尺度參數(shù)，σ2為方差。

17、進(jìn)一步的，所述s2中局部利用是通過偏好隨機(jī)游走來執(zhí)行種群更新完成，其定義式如下：

18、

19、其中：rand表示種群個(gè)體的權(quán)重尺度參數(shù)(與其他尺度參數(shù)需進(jìn)行區(qū)分)，是一個(gè)0到1之間的隨機(jī)實(shí)數(shù)，表示第t次迭代時(shí)種群中的第j個(gè)體,表示第t次迭代時(shí)種群中的第k個(gè)體；

20、其中為了保證算法在后期迭代中獲得更好的性能引入了量子機(jī)制，其定義式如下：

21、

22、其中δ是控制種群個(gè)體之間差異的差異權(quán)重參數(shù)。

23、進(jìn)一步的，所述s3中異構(gòu)搜索的定義式如下：

24、

25、其中：是第t+1次迭代中的第i個(gè)體，ε＝δexp(η)，其中和ε都是控制種群個(gè)體之間差異的差異參數(shù)。η為函數(shù)變量，主要是對差異參數(shù)進(jìn)行校正，由先驗(yàn)知識(shí)進(jìn)行設(shè)置

26、ln()表示取對數(shù)函數(shù)，以e為底進(jìn)行對數(shù)運(yùn)算，exp()表示取指數(shù)函數(shù)，以e為底進(jìn)行指數(shù)運(yùn)算，gt表示第t次迭代的最優(yōu)種群個(gè)體，區(qū)間參數(shù)sr的計(jì)算如下：

27、

28、其中：σ2是整個(gè)總體的方差。

29、進(jìn)一步的，所述s5中鄰域波段的分組定義式如下：

30、

31、其中m是波段數(shù)，k是組數(shù)，pk每個(gè)組中的初始聚類中心。

32、進(jìn)一步的，所述s6中滑譜分解的定義式如下：

33、

34、其中：max為序列，γ是平衡多樣性和質(zhì)量的超參數(shù)，j為變量，r表示衡量序列質(zhì)量的尺度參數(shù)(此處的r與前文的r表示不同含義，需要修改成兩個(gè)不同的未知數(shù)，說明書中的內(nèi)容同樣需要修改)，t1:t表示第1到t次迭代時(shí)的第j個(gè)波段序列多樣性，v表示能帶的奇異值，t為迭代次數(shù)；

35、其中以曲線的拐點(diǎn)來判別推薦波段數(shù)，曲線拐點(diǎn)的定義式如下：

36、

37、其中re表示曲線的拐點(diǎn)，i,k均為自變量，wi表示第i個(gè)波段的質(zhì)量，arg?max表示對序列取最大值的參數(shù)或索引，γ是平衡多樣性和質(zhì)量的超參數(shù)，ti為第i個(gè)波段的序列多樣性。

38、進(jìn)一步的，所述s7中的分類方式為knn結(jié)合隨機(jī)森林的分類方法。

39、knn和隨機(jī)森林是兩種常見的分類算法，它們可以結(jié)合使用來提高分類性能。下面是將knn和隨機(jī)森林進(jìn)行結(jié)合的分類方法步驟：

40、構(gòu)建隨機(jī)森林：首先，使用訓(xùn)練集構(gòu)建一個(gè)隨機(jī)森林模型。隨機(jī)森林是一種集成學(xué)習(xí)算法，由多個(gè)決策樹組成。每個(gè)決策樹都是基于不同的隨機(jī)子集和特征子集構(gòu)建的，通過集體決策來進(jìn)行分類。

41、對測試樣本進(jìn)行預(yù)測：對于測試樣本，將其輸入隨機(jī)森林模型中的每個(gè)決策樹，并記錄每個(gè)決策樹的預(yù)測結(jié)果。

42、knn分類：對于每個(gè)測試樣本，根據(jù)knn算法，在隨機(jī)森林中選擇k個(gè)最近鄰的訓(xùn)練樣本(可以是樣本的特征距離最近的k個(gè)樣本)，并根據(jù)這k個(gè)鄰居的標(biāo)簽進(jìn)行投票。

43、預(yù)測結(jié)果：根據(jù)knn投票的結(jié)果，確定測試樣本的最終分類標(biāo)簽。

44、在這種方法中，隨機(jī)森林用于提供初始的分類預(yù)測，而knn算法用于在隨機(jī)森林的基礎(chǔ)上進(jìn)行進(jìn)一步的投票和確定最終分類。這樣的結(jié)合可以充分利用隨機(jī)森林的集成學(xué)習(xí)優(yōu)勢和knn的局部鄰域判定能力，提高分類的準(zhǔn)確性和魯棒性。

45、與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點(diǎn)在于：

46、1.對高維的高光譜數(shù)據(jù)數(shù)據(jù)在保留高信息內(nèi)容和低噪聲的基礎(chǔ)上進(jìn)行波段選擇去除冗余波段，減少了算法所需處理數(shù)據(jù)量。

47、2.采用異構(gòu)搜索策略，提高布谷鳥搜索算法的探索和開發(fā)能力。

48、3.設(shè)計(jì)基于匹配濾波器的頻帶選擇模型來選擇具有高信噪比的頻帶子集。高信噪比的頻帶子集包含了圖像中最具有區(qū)分度和信息量的特征，這對于分類任務(wù)非常重要，能夠更好地區(qū)分不同類別的圖像，從而提高分類的準(zhǔn)確性。同時(shí)對于噪聲和圖像變化具有較好的魯棒性。能夠抑制噪聲的干擾，提取出更為穩(wěn)定和可靠的特征。

49、4.設(shè)計(jì)基于鄰域分組策略的映射方法，以減少所選波段之間的相似性和增加所選特征的豐富度，確保選取具有更大差異性的特征波段，這些波段能夠更好地區(qū)分不同類別的圖像。相似性較低的波段可以提供更多的獨(dú)特信息，從而提高分類準(zhǔn)確性。

50、5.設(shè)計(jì)基于滑譜分解的波段數(shù)自動(dòng)推薦策略，滑譜分解通過分解圖像的光譜信息，提取出不同波段的特征信息。此外，滑譜分解能夠?qū)D像的光譜信息分解為不同的波段，每個(gè)波段都包含了不同的特征。自動(dòng)推薦合適的波段數(shù)可以剔除冗余信息，只保留最有用的特征，減少了分類算法的計(jì)算復(fù)雜度，避免不必要的計(jì)算和處理，減少了分類算法的計(jì)算時(shí)間，提高了計(jì)算效率，并且避免了冗余信息帶來的錯(cuò)誤分類。