(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211323124.4 (22)申请日 2022.10.27 (71)申请人 青岛星科瑞升信息科技有限公司 地址 266000 山东省青岛市黄岛区前湾港 路579号山东科技大学科技园综合楼 204室 (72)发明人 丁孙金衍 　李忍忍　李法玉　 陈泰华　杨文浩　刘健　 (74)专利代理 机构 成都宏田知识产权代理事务 所(普通合伙) 51337 专利代理师 徐鹏 (51)Int.Cl. G06V 10/762(2022.01) G06V 10/764(2022.01) G06V 10/74(2022.01) (54)发明名称 一种基于逆近邻的密度峰值聚类波段选择 方法 (57)摘要 本发明涉及图像处理技术领域， 具体地说是 一种基于逆近邻的密度峰值聚类波段选择方法， 波段逆近邻的生成， 增强型局部密度的构建， 特 征波段选取等方法， 采用波段逆近邻， 欧式距离 计算波段间的距离以及特征波段选取等方式使 挑选的波段子集有较好的分类精度， 可以有效解 决局部密度描述波段的密度信息， 进而使高光谱 影响为地物识别和分类提供了可靠的依据。 权利要求书1页 说明书6页 附图3页 CN 115482406 A 2022.12.16 CN 115482406 A 1.一种基于逆近邻的密度峰值聚类波段选择 方法， 其特 征在于， 包括以下步骤： S1， 波段逆近邻的生成； 所述S1包括以下步骤： S1‑1， 利用欧式距离， 计算任意两波段间的距离， 得到距离矩阵DL×L； S1‑2， 基于距离矩阵D， 得到每 个波段的K近邻； S1‑3， 根据波段与 其K近邻构造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； S2， 增强型局部密度的构建； 所述S2包括以下步骤： S2‑1， 采用共享近邻和共享逆近邻的并集个数计算波段间的相似度； S2‑2， 利用波段与其逆近邻的平均欧式距离和相似度构造增强型局部密度； S3， 特征波段选取； 所述S3包括以下步骤： S3‑1， 计算每 个波段的最小距离和信息熵因子； S3‑2， 将局部密度、 最小距离、 信息熵三个因子归一 化， 将三者乘积作为各波段权 重； S3‑3， 将权重按降序排列， 选取 所需数量的波段子集。 2.根据权利要求1所述的一种基于逆近邻的密度峰值 聚类波段选择方法， 其特征在于， 所述S2中的增强型局部密度的相似度包 含波段的近邻和逆近邻 信息。权　利　要　求　书 1/1 页 2 CN 115482406 A 2一种基于逆近邻的密 度峰值聚类波段选择方 法 技术领域 [0001]本发明涉及图像处理技术领域， 具体地说是一种基于逆近邻的密度峰值聚类波段 选择方法。 背景技术 [0002]高光谱影像拥有数十甚至上百条连续光谱波段， 丰富的光谱信息为地物识别和分 类提供了可靠依据。 然而， 在标记样本有限的情况下， 大量的光谱波段会 带来“维数灾难 ”问 题。 此外， 相 邻波段间具有较强的相关性， 不仅增加了计算复杂度， 还 可能降低分类精度。 高 光谱降维能有效解决这一问题， 目前主要的降维方法包括特征提取和波段选择两类。 特征 提取通过变换把高维数据转变成低 维数据， 改变了原始数据的物理意义。 波段选择从原始 数据波段中挑选代表性波段子集， 在降低 维度的同时可以保留原始数据的物理意义， 对原 始数据有更好的解释和表达能力， 因而得到 了广泛研究。 [0003]密度峰值聚类(DP C,Density  Peak Based Clustering)具有排序和聚类两种方法 的优点， 该算法基于两个假设： (1)聚类中心的局部密度比周围局部密度大； (2)聚类中心距 比它局部密度更高的样 本点较远。 基于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。 [0004]因此， 为了解决上述问题， 本申请提出了一种基于逆近邻的密度峰值聚类波段选 择方法， 采用波段逆近邻， 欧式距离计算波段间的距离以及特征波段选取等方式使挑选的 波段子集有较好的分类精度， 可以有效解决局部密度描述波段的密度信息， 进而使高光谱 影响为地物识别和分类提供了可靠的依据。 发明内容 [0005]本发明的目的是填补现有技术的空白， 提供了一种基于逆近邻的密度峰值聚类波 段选择方法， 采用波段逆近邻， 欧式距离计算波段间的距离以及特征波段选取等方式使挑 选的波段子集有较好的分类精度， 可以有效解决局部密度描述波段的密度信息， 进而使高 光谱影响为 地物识别和分类提供了可靠的依据。 [0006]为了达到上述目的， 本发明提供一种基于逆近邻的密度峰值聚类波段选择方法， 包括以下步骤： [0007]S1， 波段逆近邻的生成； [0008]S1包括以下步骤： [0009]S1‑1， 利用欧式距离， 计算任意两波段间的距离， 得到距离矩阵DL×L； [0010]S1‑2， 基于距离矩阵D， 得到每 个波段的K近邻； [0011]S1‑3， 根据波段与其K近邻构造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； [0012]S2， 增强型局部密度的构建；说　明　书 1/6 页 3 CN 115482406 A 3