高光谱影像逆近邻密度峰值聚类的波段选择算法
Band selection algorithm for reverse nearest neighbor density peak clustering of hyperspectral images作者机构:中国石油大学(华东)海洋与空间信息学院山东青岛266580 海洋国家实验室海洋矿产资源评价与探测技术功能实验室山东青岛266071 中国自然资源航空物探遥感中心北京100083
出 版 物:《测绘学报》 (Acta Geodaetica et Cartographica Sinica)
年 卷 期:2024年第53卷第1期
页 面:8-19页
核心收录:
学科分类:083002[工学-环境工程] 0830[工学-环境科学与工程(可授工学、理学、农学学位)] 081802[工学-地球探测与信息技术] 08[工学] 0818[工学-地质资源与地质工程] 081602[工学-摄影测量与遥感] 0816[工学-测绘科学与技术]
基 金:国家自然科学基金(42271347,41971292) 科技部国家重点研发计划(2019YFE26700)
主 题:高光谱影像 波段选择 密度峰值聚类 逆近邻 局部密度 自适应K值
摘 要:密度峰值聚类波段选择算法利用局部密度描述波段的密度信息,然而现有的局部密度容易忽略波段分布的全局信息,不能有效描述波段的分布特征,导致波段子集分类精度有限。为解决上述问题,本文提出一种基于逆近邻的密度峰值聚类波段选择算法。首先,利用波段与其K近邻构建K近邻有向图,获取波段的逆近邻,以及波段之间的共享近邻和共享逆近邻;然后,利用共享近邻和共享逆近邻并集的个数作为波段之间的相似度,利用波段与其逆近邻的平均欧氏距离和相似度构造增强型局部密度;最后,将增强型局部密度、距离因子、信息熵三者的乘积作为权重值,根据权重值挑选波段子集。为提高试验效率和实用性,本文算法还提出一种自动获得K值的自适应K值方法。在3个高光谱标准数据集上的试验结果表明,本文算法得到的波段子集比其他先进算法挑选的波段有更好的分类性能,尤其是在波段数较少的情况下,而且计算效率较高。