第3期 李士进，等：基于多分类器组合的高光谱图像波段选择方法 ·377· 方法，他们采用多次序贯选择特征子集的方法获得 IEEE Transactions on Geoscience and Remote Sensing, 多个基分类器，每次从前一次选择余下的特征中选 2001,39(7):1360-1367. 择次优的特征子集，最后将所有基分类器进行组合 [3]BAZI Y,MELGANI F.Toward an optimal SVM classifica- 集成。该方法与本文方法的不同有2点：1)所有特 tion system for hyperspectral remote sensing images [J]. 征参与了最后的分类决策，每个特征都被分配到一 IEEE Transactions on Geoscience and Remote Sensing, 2006,44(11):3374-3385. 个基分类器：2)所有分类器都参与了决策融合。文 [4]SOTOCA J M,PLA F.Hyperspectral data selection from 献[22]研究了多支持向量机集成的高光谱图像分 mutual information between image bands M].Berlin: 类方法。该方法通过波段间相关性将波段分组，然 Springer,2006:853-861. 后构建多个支持向量机分类器：最后的分类结果是 [5]GUO B,DAMPER R I,GUNN S R,et al.A fast separabil- 以多个支持向量机的输出再输入另一个支持向量机 ity-based feature-selection method for high-dimensional re- 后得到的输出。该方法也是所有波段都参与了分类 motely sensed image classification[]].Pattern Recognition, 决策。Du等2]研究了基于证据融合的多分类器组 2008,41(5):1653-1662. [6]戴宏亮，戴道清.基于ETAFSVM的高光谱遥感图像自动 合方法及其在高光谱图像分类中的应用。该文采用 波段选择和分类[J].计算机科学，2009,36(4)：268- 的基分类器有马氏距离分类器、多层前向神经网络、 272. 径向基神经网络、支持向量机以及决策树。同样，该 DAI Hongliang,DAI Daoqing.Automatic band selection and 文关注的是多分类器集成在高光谱图像分类中的适 classification of hyperspectral remote sensing images based 应性，并未考虑波段选择问题。 on ETAFSVM[J.Computer Science,2009.36(4):268- 272. 4 结束语 [7]吴吴，李士进，林林，等.多策略结合的高光谱图像波段选 本文提出了一种基于多分类器组合的高光谱波 择新方法[J].计算机科学与探索，2010,4(5)：464- 472 段选择方法，通过多次采用遗传算法搜索出相对较 WU Hao,LI Shijin,LIN Lin,et al.Multiple-strategy com- 优的若干组波段组合，然后分别将这些波段组合训 bination based approach to band selection for hyper-spectral 练成若干基分类器，再使用基于错误多样性度量的 image classification[J ]Journal of Frontiers of Computer 分类器选择算法选择出其中符合最大波段数约束的 Science and Technology,2010,4(5):464-472. 部分分类器，达到波段选择的目的。在此基础上，采 [8]YANG He,DU Qian,SU Hongjun,et al.An efficient 用DCS-LA动态分类器选择方法，选取具有最高LA method for supervised hyperspectral band selection[J]. 的分类器的输出作为最后分类结果，通过实验验证 IEEE Geosci Remote Sensing Lett,2011,8(1):138-142. 了多分类器组合的波段选择方法的有效性。 [9]葛亮，王斌，张立明.基于波段聚类的高光谱图像波段选 多分类器组合研究是当前模式识别领域的研究 择[J].计算机辅助设计与图形学学报，2012,24(11)： 1447-1454. 热点之一，本文提出了基于多分类器组合方法来应 GE Liang,WANG Bing,ZHANG Liming.Band selection 对高光谱数据高维度且波段相关性高的问题。多分 based on band clustering for hyperspectral imagery [J]. 类器组合的作用主要在于降低高维波段搜索问题及 Journal of Computer-Aided Design Computer Graphics. 提升分类性能，而真正有效地提高分类准确率还依 2012,24(11):1447-1454. 赖于成员分类器的整体差异性的增大。差异性的研 [10]王立国，魏芳洁.结合遗传算法和蚁群算法的高光谱图 究是多分类器组合系统研究的关键问题之一，目前 像波段选择[J].中国图象图形学报，2013,18(2)： 还没有被广泛接受的理论与方法。定义新的差异性 235-242. 度量并以此来构造和训练多分类器组合系统，更好 WANG Liguo,WEI Fangjie.Band selection for hyperspec- 地提高多分类器组合的有效性是下一步需要研究的 tral imagery based on combination of genetic algorithm and ant colony algorithm[J.Joumal of Image and Graphics, 方向。 2013,18(2):235-242. 参考文献： [11]LI Shijin,ZHU Yuelong,WAN Dingsheng,et al.Spectral similarity-preserving hyperspectral band selection[J].Re- [1]LANDGREBE D A.Signal theory methods in multispectral mote Sensing Letters,2013,4(10):969-978. remote sensing[M].John Wiley Sons,2005:5-12. [12]SERPICO S B,MOSER G.Extraction of spectral channels [2]SERPICO S B,BRUZZONE L.A new search algorithm for from hyperspectral images for classification purposes[J]. feature selection in hyperspectral remote sensing images[J]. IEEE Transactions on Geoscience and Remote Sensing,方法，他们采用多次序贯选择特征子集的方法获得 多个基分类器，每次从前一次选择余下的特征中选 择次优的特征子集，最后将所有基分类器进行组合 集成。 该方法与本文方法的不同有 ２ 点：１）所有特 征参与了最后的分类决策，每个特征都被分配到一 个基分类器；２）所有分类器都参与了决策融合。 文 献［２２］研究了多支持向量机集成的高光谱图像分 类方法。 该方法通过波段间相关性将波段分组，然 后构建多个支持向量机分类器；最后的分类结果是 以多个支持向量机的输出再输入另一个支持向量机 后得到的输出。 该方法也是所有波段都参与了分类 决策。 Ｄｕ 等［ ２３ ］研究了基于证据融合的多分类器组 合方法及其在高光谱图像分类中的应用。 该文采用 的基分类器有马氏距离分类器、多层前向神经网络、 径向基神经网络、支持向量机以及决策树。 同样，该 文关注的是多分类器集成在高光谱图像分类中的适 应性，并未考虑波段选择问题。 ４ 结束语 本文提出了一种基于多分类器组合的高光谱波 段选择方法，通过多次采用遗传算法搜索出相对较 优的若干组波段组合，然后分别将这些波段组合训 练成若干基分类器，再使用基于错误多样性度量的 分类器选择算法选择出其中符合最大波段数约束的 部分分类器，达到波段选择的目的。 在此基础上，采 用 ＤＣＳ⁃ＬＡ 动态分类器选择方法，选取具有最高 ＬＡ 的分类器的输出作为最后分类结果，通过实验验证 了多分类器组合的波段选择方法的有效性。 多分类器组合研究是当前模式识别领域的研究 热点之一，本文提出了基于多分类器组合方法来应 对高光谱数据高维度且波段相关性高的问题。 多分 类器组合的作用主要在于降低高维波段搜索问题及 提升分类性能，而真正有效地提高分类准确率还依 赖于成员分类器的整体差异性的增大。 差异性的研 究是多分类器组合系统研究的关键问题之一，目前 还没有被广泛接受的理论与方法。 定义新的差异性 度量并以此来构造和训练多分类器组合系统，更好 地提高多分类器组合的有效性是下一步需要研究的 方向。 参考文献： ［１］ＬＡＮＤＧＲＥＢＥ Ｄ Ａ． Ｓｉｇｎａｌ ｔｈｅｏｒｙ ｍｅｔｈｏｄｓ ｉｎ ｍｕｌｔｉｓｐｅｃｔｒａｌ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ［Ｍ］． Ｊｏｈｎ Ｗｉｌｅｙ ＆ Ｓｏｎｓ， ２００５： ５⁃１２． ［２］ＳＥＲＰＩＣＯ Ｓ Ｂ， ＢＲＵＺＺＯＮＥ Ｌ． Ａ ｎｅｗ ｓｅａｒｃｈ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｆｅａｔｕｒｅ ｓｅｌｅｃｔｉｏｎ ｉｎ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅｓ［Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２００１， ３９（７）： １３６０⁃１３６７． ［３］ＢＡＺＩ Ｙ， ＭＥＬＧＡＮＩ Ｆ． Ｔｏｗａｒｄ ａｎ ｏｐｔｉｍａｌ ＳＶＭ ｃｌａｓｓｉｆｉｃａ⁃ ｔｉｏｎ ｓｙｓｔｅｍ ｆｏｒ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅｓ ［ Ｊ ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， ２００６，４４（１１）： ３３７４⁃３３８５． ［４］ ＳＯＴＯＣＡ Ｊ Ｍ， ＰＬＡ Ｆ． Ｈｙｐｅｒｓｐｅｃｔｒａｌ ｄａｔａ ｓｅｌｅｃｔｉｏｎ ｆｒｏｍ ｍｕｔｕａｌ ｉｎｆｏｒｍａｔｉｏｎ ｂｅｔｗｅｅｎ ｉｍａｇｅ ｂａｎｄｓ ［ Ｍ ］． Ｂｅｒｌｉｎ： Ｓｐｒｉｎｇｅｒ， ２００６： ８５３⁃８６１． ［５］ＧＵＯ Ｂ， ＤＡＭＰＥＲ Ｒ Ｉ， ＧＵＮＮ Ｓ Ｒ， ｅｔ ａｌ． Ａ ｆａｓｔ ｓｅｐａｒａｂｉｌ⁃ ｉｔｙ⁃ｂａｓｅｄ ｆｅａｔｕｒｅ⁃ｓｅｌｅｃｔｉｏｎ ｍｅｔｈｏｄ ｆｏｒ ｈｉｇｈ⁃ｄｉｍｅｎｓｉｏｎａｌ ｒｅ⁃ ｍｏｔｅｌｙ ｓｅｎｓｅｄ ｉｍａｇｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｊ］． Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ， ２００８， ４１（５）： １６５３⁃１６６２． ［６］戴宏亮，戴道清．基于 ＥＴＡＦＳＶＭ 的高光谱遥感图像自动 波段选择和分类［ Ｊ］．计算机科学， ２００９， ３６（ ４）： ２６８⁃ ２７２． ＤＡＩ Ｈｏｎｇｌｉａｎｇ， ＤＡＩ Ｄａｏｑｉｎｇ． Ａｕｔｏｍａｔｉｃ ｂａｎｄ ｓｅｌｅｃｔｉｏｎ ａｎｄ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅｓ ｂａｓｅｄ ｏｎ ＥＴＡＦＳＶＭ［Ｊ］． Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ， ２００９， ３６（４）： ２６８⁃ ２７２． ［７］吴昊，李士进，林林，等．多策略结合的高光谱图像波段选 择新方法［ Ｊ］． 计算机科学与探索， ２０１０， ４（ ５）： ４６４⁃ ４７２． ＷＵ Ｈａｏ， ＬＩ Ｓｈｉｊｉｎ， ＬＩＮ Ｌｉｎ， ｅｔ ａｌ． Ｍｕｌｔｉｐｌｅ⁃ｓｔｒａｔｅｇｙ ｃｏｍ⁃ ｂｉｎａｔｉｏｎ ｂａｓｅｄ ａｐｐｒｏａｃｈ ｔｏ ｂａｎｄ ｓｅｌｅｃｔｉｏｎ ｆｏｒ ｈｙｐｅｒ⁃ｓｐｅｃｔｒａｌ ｉｍａｇｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｆｒｏｎｔｉｅｒｓ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ， ２０１０， ４（５）： ４６４⁃４７２． ［８］ ＹＡＮＧ Ｈｅ， ＤＵ Ｑｉａｎ， ＳＵ Ｈｏｎｇｊｕｎ， ｅｔ ａｌ． Ａｎ ｅｆｆｉｃｉｅｎｔ ｍｅｔｈｏｄ ｆｏｒ ｓｕｐｅｒｖｉｓｅｄ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｂａｎｄ ｓｅｌｅｃｔｉｏｎ ［ Ｊ ］． ＩＥＥＥ Ｇｅｏｓｃｉ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｌｅｔｔ， ２０１１， ８（１）： １３８⁃１４２． ［９］葛亮，王斌，张立明．基于波段聚类的高光谱图像波段选 择［Ｊ］．计算机辅助设计与图形学学报， ２０１２， ２４（１１）： １４４７⁃１４５４． ＧＥ Ｌｉａｎｇ， ＷＡＮＧ Ｂｉｎｇ， ＺＨＡＮＧ Ｌｉｍｉｎｇ． Ｂａｎｄ ｓｅｌｅｃｔｉｏｎ ｂａｓｅｄ ｏｎ ｂａｎｄ ｃｌｕｓｔｅｒｉｎｇ ｆｏｒ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｉｍａｇｅｒｙ ［ Ｊ ］． Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ⁃Ａｉｄｅｄ Ｄｅｓｉｇｎ ＆ Ｃｏｍｐｕｔｅｒ Ｇｒａｐｈｉｃｓ， ２０１２， ２４（１１）： １４４７⁃１４５４． ［１０］王立国，魏芳洁．结合遗传算法和蚁群算法的高光谱图 像波段选择［ Ｊ］． 中国图象图形学报， ２０１３， １８ （ ２）： ２３５⁃２４２． ＷＡＮＧ Ｌｉｇｕｏ，ＷＥＩ Ｆａｎｇｊｉｅ．Ｂａｎｄ ｓｅｌｅｃｔｉｏｎ ｆｏｒ ｈｙｐｅｒｓｐｅｃ⁃ ｔｒａｌ ｉｍａｇｅｒｙ ｂａｓｅｄ ｏｎ ｃｏｍｂｉｎａｔｉｏｎ ｏｆ ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ ａｎｄ ａｎｔ ｃｏｌｏｎｙ ａｌｇｏｒｉｔｈｍ［ Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｉｍａｇｅ ａｎｄ Ｇｒａｐｈｉｃｓ， ２０１３， １８（２）： ２３５⁃２４２． ［１１］ ＬＩ Ｓｈｉｊｉｎ，ＺＨＵ Ｙｕｅｌｏｎｇ，ＷＡＮ Ｄｉｎｇｓｈｅｎｇ， ｅｔ ａｌ． Ｓｐｅｃｔｒａｌ ｓｉｍｉｌａｒｉｔｙ⁃ｐｒｅｓｅｒｖｉｎｇ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｂａｎｄ ｓｅｌｅｃｔｉｏｎ［ Ｊ］． Ｒｅ⁃ ｍｏｔｅ Ｓｅｎｓｉｎｇ Ｌｅｔｔｅｒｓ， ２０１３， ４（１０）： ９６９⁃９７８． ［１２］ＳＥＲＰＩＣＯ Ｓ Ｂ， ＭＯＳＥＲ Ｇ． Ｅｘｔｒａｃｔｉｏｎ ｏｆ ｓｐｅｃｔｒａｌ ｃｈａｎｎｅｌｓ ｆｒｏｍ ｈｙｐｅｒｓｐｅｃｔｒａｌ ｉｍａｇｅｓ ｆｏｒ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｐｕｒｐｏｓｅｓ ［ Ｊ］． ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｇｅｏｓｃｉｅｎｃｅ ａｎｄ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， 第 ３ 期 李士进，等：基于多分类器组合的高光谱图像波段选择方法 ·３７７·