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 ·373· 识别率的情况下，进一步挖掘发现具有鉴别信息的 表，然后用蚁群算法以较高的求精解能力获得最优 波段，减少数据量、节省计算资源的降维处理非常必 波段组合。Li等2]将时间序列模式匹配的思想运 要。特征提取和特征选择是高光谱图像的2种主要 用到高光谱波段选择中，先通过提取光谱曲线中重 降维方法。由于高光谱图像的每一个波段都对应着 要点作为候选波段集，然后再利用分支定界法搜索 一幅相应波段的图像，通过线性或非线性变换，将 最优波段子集。 高维特征空间映射到低维空间的特征提取的方法会 虽然目前高光谱波段选择的方法很多，但由于 使提取出来的特征失去原有的物理意义，所以特征 原始波段数目一般高达数百个，以往基于搜索算法 提取的方法并不适用于高光谱图像的降维。而波段 的波段选择方法往往只保留一组最佳波段组合，而 选择是从高光谱图像所有波段中选择最具鉴别力的 其余未选中的波段则被抛弃。这对于最后的分类任 波段子集，既能大大降低高光谱图像的数据维数，又 务意味着较多的鉴别信息损失，因而波段选择后的 能比较完整地保留分类鉴别信息，是目前高光谱降 分类正确率还有较大提升空间。 维处理的主流方法[2,3川) 本文从提高图像分类正确率角度出发，提出一 针对高光谱波段选择问题，研究人员提出了各 种新的波段选择方法，将多分类器组合的思想运用 种方法。Serpico等提出了一种局部极值约束的离 于高光谱波段选择中。本文重新定义的高光谱波段 散二进制空间搜索方法用于高光谱波段选择)。 选择问题为：给定待选择的最大波段数目N,如何选 后来，Serpico等继续开展了研究2]，提出了针对分 择k组波段子集，使组合后的分类正确率更高，每组 类正确率最优化的连续波段选择方法，他们把若干 波段子集的波段数为，这k组波段子集中包含的不 相邻波段进行平均，提出了s-bands的概念。该方法 同波段总数不超过N。以往的波段选择研究都是从 取得了较高的分类正确率，但这是一种特征提取和 选择一组最优波段子集角度出发，最大化该组被选 波段选择的混合算法，涉及的波段数远大于一般方 中波段的分类正确率。本文则基于初步选择出的多 法所选择的波段。Bazi等提出了基于遗传算法和支 个不同较优波段子集，构成多个特征子空间进行多 持向量机的高光谱波段选择方法[]，在搜索最佳鉴 分类器组合，从分类器互补性及多样性角度重新选 别波段过程中，同时对SVM参数进行了优化。Soto- 择出满足最大波段数约束的最佳波段组合，进一步 ca等提出了基于确定性去火的随机搜索方法用于 提高分类正确率。 波段选择)，在搜索过程中，他们尽可能地考虑了 具体地，首先多次采用基于遗传算法的波段选 波段之间的无关性。Gu0等[发现特征选择时只保 择算法获得若干组相对较优的波段子集，再基于这 留与类别信息最相关的波段存在一定的问题，特别 些波段子集分别训练支持向量机得到若干个基分类 是特征之间相关性较大时更加严重。他们提出了一 器，然后通过多分类器组合方法对这些基分类器进 种快速的贪心优化策略进行波段选择，但从最终的 行组合。在组合之前，根据最大波段数目约束条件 分类结果看不是很理想。戴宏亮与戴道清)提出 进行了多分类器选择，从而实现最后的波段选择。 了智能遗传算法同时优化全间隔自适应模糊支持向 具体采用基于差异性度量的带有波段数目约束的分 量机参数集和波段选择中的大量参数，构成一种智 类器选择算法选出部分较优分类器组合，得到一组 能分类器，进行高光谱遥感图像分类。吴昊等⑧]将 互补性及错误多样性较好的分类器。最后采用基于 分组的概念引入波段选择中，利用条件互信息将波 局部分类精度的动态分类器选择组合方法，根据每 段分成若干组，再使用支持向量机和遗传算法相结 个分类器对测试样本邻域中若干训练样本的分类正 合的搜索算法(GA-SVM)搜索出相对最优的波段组 确率从多个分类器中选出最优的一个分类器作为决 合。Yang等提出了最小估计丰度协方差(MEAC) 策判断分类器，获得最终分类结果。 的波段选择方法[)，在选择过程中估计候选波段与 本文提出的波段选择方法有两轮搜索选择过 已经选择波段的丰度协方差矩阵的迹。葛亮等为使 程，第1轮采用常规搜索方法获得多个较优波段子 无监督的波段选择能够更好地保留高光谱图像的鉴 集，在第2轮则采用多分类器组合思想，选择若干具 别信息，提出一种基于波段聚类的高光谱图像波段 有较强互补性与多样性的波段子集，使更多的具有 选择方法[0。王立国与魏芳洁提出一种结合遗传 鉴别力的波段能在第2轮组合选择中获得被选中的 算法和蚁群算法的高光谱图像波段选择方法山。 机会。较之传统一次（最优）选择方法，本文方法在 该算法首先利用遗传算法以较快的寻优能力获得几 有效地规避了高光谱数据高维特征问题的同时，保 组较优解，以此来初始化蚁群算法的初始信息素列 留了更多的鉴别信息，明显提高了分类精度。识别率的情况下，进一步挖掘发现具有鉴别信息的 波段，减少数据量、节省计算资源的降维处理非常必 要。 特征提取和特征选择是高光谱图像的 ２ 种主要 降维方法。 由于高光谱图像的每一个波段都对应着 一幅相应波段的图像， 通过线性或非线性变换， 将 高维特征空间映射到低维空间的特征提取的方法会 使提取出来的特征失去原有的物理意义， 所以特征 提取的方法并不适用于高光谱图像的降维。 而波段 选择是从高光谱图像所有波段中选择最具鉴别力的 波段子集，既能大大降低高光谱图像的数据维数，又 能比较完整地保留分类鉴别信息，是目前高光谱降 维处理的主流方法［２，３⁃１１］ 。 针对高光谱波段选择问题，研究人员提出了各 种方法。 Ｓｅｒｐｉｃｏ 等提出了一种局部极值约束的离 散二进制空间搜索方法用于高光谱波段选择［２］ 。 后来，Ｓｅｒｐｉｃｏ 等继续开展了研究［ １２ ］ ，提出了针对分 类正确率最优化的连续波段选择方法，他们把若干 相邻波段进行平均，提出了 ｓ⁃ｂａｎｄｓ 的概念。 该方法 取得了较高的分类正确率，但这是一种特征提取和 波段选择的混合算法，涉及的波段数远大于一般方 法所选择的波段。 Ｂａｚｉ 等提出了基于遗传算法和支 持向量机的高光谱波段选择方法［４］ ，在搜索最佳鉴 别波段过程中，同时对 ＳＶＭ 参数进行了优化。 Ｓｏｔｏ⁃ ｃａ 等提出了基于确定性去火的随机搜索方法用于 波段选择［５］ ，在搜索过程中，他们尽可能地考虑了 波段之间的无关性。 Ｇｕｏ 等［６］发现特征选择时只保 留与类别信息最相关的波段存在一定的问题，特别 是特征之间相关性较大时更加严重。 他们提出了一 种快速的贪心优化策略进行波段选择，但从最终的 分类结果看不是很理想。 戴宏亮与戴道清［７］ 提出 了智能遗传算法同时优化全间隔自适应模糊支持向 量机参数集和波段选择中的大量参数，构成一种智 能分类器，进行高光谱遥感图像分类。 吴昊等［８］ 将 分组的概念引入波段选择中，利用条件互信息将波 段分成若干组，再使用支持向量机和遗传算法相结 合的搜索算法（ＧＡ⁃ＳＶＭ）搜索出相对最优的波段组 合。 Ｙａｎｇ 等提出了最小估计丰度协方差（ＭＥＡＣ） 的波段选择方法［９］ ，在选择过程中估计候选波段与 已经选择波段的丰度协方差矩阵的迹。 葛亮等为使 无监督的波段选择能够更好地保留高光谱图像的鉴 别信息，提出一种基于波段聚类的高光谱图像波段 选择方法［１０］ 。 王立国与魏芳洁提出一种结合遗传 算法和蚁群算法的高光谱图像波段选择方法［１１］ 。 该算法首先利用遗传算法以较快的寻优能力获得几 组较优解，以此来初始化蚁群算法的初始信息素列 表，然后用蚁群算法以较高的求精解能力获得最优 波段组合。 Ｌｉ 等［ １２ ］将时间序列模式匹配的思想运 用到高光谱波段选择中，先通过提取光谱曲线中重 要点作为候选波段集，然后再利用分支定界法搜索 最优波段子集。 虽然目前高光谱波段选择的方法很多，但由于 原始波段数目一般高达数百个，以往基于搜索算法 的波段选择方法往往只保留一组最佳波段组合，而 其余未选中的波段则被抛弃。 这对于最后的分类任 务意味着较多的鉴别信息损失，因而波段选择后的 分类正确率还有较大提升空间。 本文从提高图像分类正确率角度出发，提出一 种新的波段选择方法，将多分类器组合的思想运用 于高光谱波段选择中。 本文重新定义的高光谱波段 选择问题为：给定待选择的最大波段数目 Ｎ，如何选 择 ｋ 组波段子集，使组合后的分类正确率更高，每组 波段子集的波段数为 ｎ，这 ｋ 组波段子集中包含的不 同波段总数不超过 Ｎ。 以往的波段选择研究都是从 选择一组最优波段子集角度出发，最大化该组被选 中波段的分类正确率。 本文则基于初步选择出的多 个不同较优波段子集，构成多个特征子空间进行多 分类器组合，从分类器互补性及多样性角度重新选 择出满足最大波段数约束的最佳波段组合，进一步 提高分类正确率。 具体地，首先多次采用基于遗传算法的波段选 择算法获得若干组相对较优的波段子集，再基于这 些波段子集分别训练支持向量机得到若干个基分类 器，然后通过多分类器组合方法对这些基分类器进 行组合。 在组合之前，根据最大波段数目约束条件 进行了多分类器选择，从而实现最后的波段选择。 具体采用基于差异性度量的带有波段数目约束的分 类器选择算法选出部分较优分类器组合，得到一组 互补性及错误多样性较好的分类器。 最后采用基于 局部分类精度的动态分类器选择组合方法，根据每 个分类器对测试样本邻域中若干训练样本的分类正 确率从多个分类器中选出最优的一个分类器作为决 策判断分类器，获得最终分类结果。 本文提出的波段选择方法有两轮搜索选择过 程，第 １ 轮采用常规搜索方法获得多个较优波段子 集，在第 ２ 轮则采用多分类器组合思想，选择若干具 有较强互补性与多样性的波段子集，使更多的具有 鉴别力的波段能在第 ２ 轮组合选择中获得被选中的 机会。 较之传统一次（最优）选择方法，本文方法在 有效地规避了高光谱数据高维特征问题的同时，保 留了更多的鉴别信息，明显提高了分类精度。 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 ·３７３·