(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210652347.9 (22)申请日 2022.06.10 (65)同一申请的已公布的文献号 申请公布号 CN 114743009 A (43)申请公布日 2022.07.12 (73)专利权人 中国地质大 学 （武汉） 地址 430074 湖北省武汉市洪山区鲁磨路 388号 (72)发明人 唐厂　王俊　李显巨　孙琨　 王力哲　 (74)专利代理 机构 北京隆源天恒知识产权代理 有限公司 1 1473 专利代理师 徐苏明 (51)Int.Cl. G06V 10/26(2022.01)G06V 10/30(2022.01) G06V 10/58(2022.01) G06V 10/77(2022.01) G06V 10/80(2022.01) G06V 10/762(2022.01) G06V 20/10(2022.01) G06K 9/62(2022.01) (56)对比文件 CN 113269201 A,2021.08.17 CN 111161199 A,2020.0 5.15 US 8515193 B1,2013.08.20 CN 112163458 A,2021.01.01 US 2019171879 A1,2019.0 6.06 审查员 王敏 (54)发明名称 一种高光谱影像波 段选择方法、 系统及电子 设备 (57)摘要 本发明提供了一种高光谱影像波段选择方 法、 系统及电子设备， 该方法包括： S100、 获取高 光谱影像立方体， 利用PCA和超像素分割算法将 所述高光谱影像立方体分割为多个区域； S200、 采用分层策略分别学习各所述区域对应的低维 潜在特征， 获取各所述区域的潜在特征矩阵， 并 提取所述高光谱影像立方体的平均潜在特征， 构 建平均潜在特征矩阵； S300、 将各所述区域的潜 在特征矩阵与所述平均 潜在特征矩阵进行融合， 获取所述高光谱影像立方体的低维自表征矩阵； S400、 对所述低维自表征矩阵进行聚类， 获取最 优波段组合。 本发明的有益效果： 有效提高了高 光谱影像波段选择的准确性。 权利要求书2页 说明书11页 附图3页 CN 114743009 B 2022.09.02 CN 114743009 B 1.一种高光谱影 像波段选择 方法， 其特 征在于， 包括： S100、 获取高光谱影像立方体， 利用PCA和超像素分割算法将所述 高光谱影像立方体分 割为多个区域； 构建各所述区域对应的相似度矩阵和拉普拉斯矩阵， 并根据各所述相似度矩阵和各所 述拉普拉斯矩阵获取各所述区域对应的初始维度的初始低维潜在特征， 构建初始潜在特征 矩阵； S200、 采用分层策略分别学习各所述区域对应的低维潜在特征， 获取各所述区域的潜 在特征矩阵， 并提取所述高光谱影像立方体的平均潜在特征， 构建平均潜在特征矩阵； 包 括： S210、 根据分层策略逐渐降低特 征维度至最终 维度， 获取多个逐渐减小的分层维度； S220、 基于所述初始潜在特征矩阵， 提取各所述区域对应的分层维度的潜在特征， 构建 分层潜在特 征矩阵； S230、 重复步骤S220， 且每次重复进行提取各所述区域的潜在特征的所述分层维度总 小于前一次提取各所述区域的潜在特征的所述分层维度， 直至构建所述最终维度的所述潜 在特征矩阵， 其中， 所述初始维度大于所述分层维度且远大于所述 最终维度； S300、 将各所述区域的潜在特征矩阵与所述平均潜在特征矩阵进行融合， 获取所述高 光谱影像立方体的低维自表征矩阵； S400、 对所述低维自表征矩阵进行聚类， 获取最优波段组合。 2.根据权利要求1所述的高光谱影像波段选择方法， 其特征在于， 所述利用PCA和超像 素分割算法将所述高光谱影 像立方体分割为多个区域包括： 利用PCA对所述高光谱影像立方体进行降维处理， 获取所述高光谱影像立方体的第一 主成分； 采用ERS熵率超像素分割算法按照区域分割数量对所述第一主成分进行划分， 获取多 个所述区域。 3.根据权利要求2所述的高光谱影像波段选择方法， 其特征在于， 所述利用PCA和超像 素分割算法将所述高光谱影 像立方体分割为多个区域还 包括： 根据所述第一主成分中的纹 理信息确定所述区域的分割数量。 4.根据权利要求1所述的高光谱影像波段选择方法， 其特征在于， 所述提取所述高光谱 影像立方体的平均潜在特 征， 构建平均潜在特 征矩阵包括： 构建各所述区域的平均拉普拉斯矩阵， 根据 所述平均拉普拉斯矩阵获取所述高光谱影 像立方体的平均潜在特 征， 构建所述平均潜在特 征矩阵。 5.根据权利要求1所述的高光谱影像波段选择方法， 其特征在于， 所述将各所述 区域的 潜在特征矩阵与所述平均潜在特 征矩阵进行融合包括： 利用第一公式表示融合过程， 所述第一公式为： ；权　利　要　求　书 1/2 页 2 CN 114743009 B 2其中， Y表示潜在特征矩阵， F表示低维自表征矩阵， ∈Rb×d表示平均潜在特征矩阵， N 表示区域的分割数量， γ表示权重， t表示维度层数， 表示第t层中第i个分割区域的权 重， β 表示权重大小， βi表示示第i个 分割区域对低维自表征的权重大小， 和 分别表 示第t−1层和第t层中第i个分割区域所对应的潜在特征矩阵， m为维度总层数， 表示第m 层中第i个分割区域所对应的特征矩阵， 表示d1维潜在特征矩阵， 表 示d2维潜在特征矩阵， I表示单位矩阵， Id表示d×d的单位矩阵， d、 d1、 d2分别表示维度， b表 示高光谱影 像立方体所包 含的波段 数， L（i）表示第i个区域的拉普拉斯矩阵。 6.根据权利要求1至5任一项所述的高光谱影像波段选择方法， 其特征在于， 所述对所 述低维自表征矩阵进行聚类， 获取最优波段组合包括： 采用K‑means算法对所述低维 自表征矩阵进行聚类， 获取多个簇， 分别从多个簇中选择 信息熵最大的多个波段作为 最优特征波段， 构建所述 最优波段组合。 7.一种高光谱影 像波段选择系统， 其特 征在于， 包括： 高光谱影像处理模块， 所述高光谱影像处理模块用于获取高光谱影像立方体， 利用PCA 和超像素分割算法将所述高光谱影 像立方体分割为多个区域； 初始潜在特征获取模块， 所述初始潜在特征获取模块用于构建各所述 区域对应的相似 度矩阵和拉普 拉斯矩阵， 并根据各所述相似度矩阵和各所述拉普拉斯矩阵获取各所述区域 对应的初始维度的初始低维潜在特 征， 构建初始潜在特 征矩阵； 潜在特征计算模块， 所述潜在特征计算模块用于采用分层策略分别学习各所述 区域对 应的低维潜在特征， 获取各所述区域的潜在特征矩阵， 并提取所述高光谱影像立方体的平 均潜在特征， 构建平均潜在特征矩阵； 具体用于根据分层策略逐渐降低特征维度至最终维 度， 获取多个逐渐减小的分层维度； 用于基于所述初始潜在特征矩阵， 提取各所述区域对应 的分层维度的潜在特征， 构建分层潜在特征矩阵； 用于重复构建分层潜在特征矩阵， 且每次 重复进行提取各所述区域的潜在特征的所述分层维度总小于前一次提取各所述区域的潜 在特征的所述分层维度， 直至构建所述最 终维度的所述潜在特征矩阵， 其中， 所述初始维度 大于所述分层维度且远大于所述 最终维度； 潜在特征融合模块， 所述潜在特征融合模块用于将各所述 区域的潜在特征矩阵与 所述 平均潜在特 征矩阵进行融合， 获取 所述高光谱影 像立方体的低维自表征矩阵； 波段选取模块， 所述波段选取模块用于对所述低维自表征矩阵进行聚类， 获取最优波 段组合。 8.一种电子设备， 其特征在于， 包括存储有计算机程序的计算机可读存储介质和处理 器， 所述计算机程序被所述处理器读取并运行时， 实现如权利要求 1‑6任一项所述的高光谱 影像波段选择 方法。权　利　要　求　书 2/2 页 3 CN 114743009 B 3