波段最大筛选法及其在高光谱目标探测中的应用

合集下载

高光谱遥感图像的解混和波段选择方法研究

高光谱遥感图像的解混和波段选择方法研究高光谱遥感图像能够以纳米级的光谱分辨率提供海量数据信息,但是由于空间分辨率限制,图像中的一个像元可能包含有多种地物类型,形成混合像元,影响了对地表形态的精确测量和分析。

因此,在实际应用时经常需要将混合像元进行分解,从中得到典型地物的光谱(端元)及这些地物所占比例(丰度),以便充分发掘数据中的光谱信息,研究目标物质。

如何快速有效地进行混合像元的分解,是近年来高光谱图像处理中的一个热点问题。

本论文重点针对混合像元问题,分别从统计学和几何学的角度展开分析,并在此基础上提出相应的解混方法。

此外,针对数据的维数问题,我们还研究了复杂网络的方法,将其应用到高光谱波段选择问题中,用于数据的降维处理。

本论文的主要工作和创新点包括以下几个方面：1.提出一种有约束独立分量分析的解混方法。

该方法通过设计新的目标函数,选择符合高光谱图像物理意义的约束条件,在根本上克服了传统ICA的独立性假设,使算法能够适用于遥感数据的分析。

此外还设计了一种自适应的模型来描述数据的概率分布,能够利用蕴含在观测图像中的统计信息实现自动建模,在提高解混结果精度的同时,使算法对各种不同的遥感数据都表现出良好的适用性。

所提出的算法克服了基于独立分量分析的方法进行光谱解混时所出现的问题,能够得出更优的解。

而且,算法即使在端元数估计错误的情况下仍能得到正确结果,作为一种无需光谱先验信息的算法,为混合像元分解问题提供了一种有效的解决手段。

2.提出一种基于三角分解的端元提取框架。

这既是一种单形体类的几何方法,同时又建立在三角分解的代数原理之上。

我们通过最小化单形体体积寻找端元,在这一过程中引入了三角分解,利用递归操作,只需对数据做一轮体积比较便可完成端元提取任务,得到全局最优解。

该算法能够在原始高维数据上快速而稳定地运行,在实时处理领域有着很好的应用前景。

降维处理不是必要步骤,所以在实际应用中可以根据具体情况选择是否进行降维,具有很好的灵活性。

高光谱遥感技术的介绍及应用

高光谱遥感技术的介绍及应用在20世纪，人类的一大进步是实现了太空对地观测，即可以从空中和太空对人类赖以生存的地球通过非接触传感器的遥感进行观测。

最近几十年，随着空间技术、电脑技术、传感器技术等与遥感密切相关学科技术的飞速发展，遥感正在进入一个以高光谱遥感技术、微波遥感技术为主要标志的时代。

本文简要介绍了高光谱遥感技术的特点、发展状况及其在一些领域的应用。

1 高光谱遥感简介1.1高光谱遥感概念所谓高光谱遥感，即高光谱分辨率遥感，指利用很多很窄的电磁波波段〔通常<10nm〕从感兴趣的物体获取有关数据；与之相对的则是传统的宽光谱遥感，通常>100nm，且波段并不连续。

高光谱图像是由成像光谱仪获取的，成像光谱仪为每个像元提供数十至数百个窄波段光谱信息，产生一条完整而连续的光谱曲线。

它使本来在宽波段遥感中不可探测的物质，在高光谱中能被探测。

高光谱遥感技术是近些年来迅速发展起来的一种全新遥感技术，它是集探测器技术、精密光学机械、微弱信号检测、电脑技术、信息处理技术于一体的综合性技术。

在成像过程中，它利用成像光谱仪以纳米级的光谱分辨率，以几十或几百个波段同时对地表地物像，能够获得地物的连续光谱信息，实现了地物空间信息、辐射信息、光谱信息的同步获取，因而在相关领域具有巨大的应用价值和广阔的发展前景。

1.2高光谱遥感数据的特点同其他常用的遥感手段相比,成像光谱仪获得的数据具有以下特点:1〕、多波段、波段宽度窄、光谱分辨率高。

波段宽度< 10 nm ，波段数较多光谱遥感(由几个离散的波段组成)大大增多，在可见光和近红外波段可达几十到几百个。

如A VIRIS在0. 4～214 波段范围内提供了224 个波段。

研究说明许多地物的吸收特征在吸收峰深度一半处的宽度为20～40 nm。

这是传统的多光谱等遥感技术所不能分辨的(多光谱遥感波段宽度在100～200 nm 之间)，而高光谱遥感甚至光谱分辨率更高的超光谱遥感却能对地物的吸收光谱特征进行很好的识别，这使得过去以定性、半定量的遥感向定量遥感发展的进程被大大加快。

(完整word版)高光谱目标检测文献综述

基于核方法的高光谱图像目标检测技术研究----文献选读综述报告1前言20 世纪80 年代遥感领域最重要的发展之一就是高光谱遥感的兴起。

从20 世纪90 年代开始，高光谱遥感已成为国际遥感技术研究的热门课题和光电遥感的最主要手段。

高光谱遥感图像目标检测在民用和军事上都具有重要的理论价值和应用前景，是当前目标识别及遥感信息处理研究领域中的一个热点研究问题。

2 研究目的及意义高光谱遥感图像是在电磁波谱的紫外、可见光、近红外和中红外区域，利用成像光谱仪获取的许多非常窄且光谱连续的图像数据（如图1.1所示）。

成像光谱仪为每个像元提供数十至数百个窄波段（通常波段宽度小于10 nm）的光谱信息，能产生一条完整而连续的光谱曲线。

图1.1 成像光谱仪探测地物目标示意图[1]高光谱遥感技术主要利用各种地物（例如某种土壤、岩石和作物）对不同的光谱波长具有各不相同的吸收率和反射率的原理，根据每种物质所拥有的独特光谱反射曲线来进行检测和分类。

利用高光谱遥感技术，能够很好地提取目标的辐射特性参量，使地表目标的定量分析与提取成为可能。

然而，高光谱遥感成像机理复杂、影像数据量大，这导致影像的大气纠正、几何纠正、光谱定标、反射率转换等预处理困难。

由于成像光谱仪获取的地物光谱特征曲线近乎连续，波段间相关性很高，数据冗余信息很多。

在使用传统目标检测方法对高光谱影像中感兴趣目标进行检测时，波段多且相关性高，会导致训练样本相对不足，致使分类模型参数的估计不可靠，检测分类存在维数灾难现象。

因此，高光谱影像给地物分类识别带来了巨大机遇，同时给传统的目标检测方法也带来了挑战。

为了充分发挥高光谱遥感技术的优势，必须在影像检测分类基本算法的基础之上，结合高光谱影像分类的特点，研究新的适用于高光谱影像的理论、模型和算法〕。

在国内外，许多研究机构在理论和应用上进行了探索，取得了不少成果。

自从上世纪90年代中期核方法在支持向量机分类中得到成功应用以后，人们开始尝试利用核函数将经典的线性特征提取与分类识别方法推广到一般情况，在理论和应用中都有许多成果，引起了继经典统计线性分析、神经网络与决策树非线性分析后第三次模式分析方法的变革，成为机器学习、应用统计、模式识别、数据挖掘等许多学科的研究热点，在人脸识别、语音识别、字符识别、机器故障分类等领域得到成功应用[2]。

高光谱图像波段选择方法探究

第一类的方法，通过单一的公式“粗暴”的获取
最优波段，所选取的波段组合往往不一定是最优的
波段组合。如 OIF 指数方法，因为高光谱图像相邻的

波段间的相关系数往往很大，很多甚至接近 1，但距
离比较远的波段间的相关系数明显会小的多，所以这种方法会很容易选取隔得比较远的波段组合，但它们的信息量可能并不大。还有一种情况，当在相关系数都比较大的情况下，则基本上是选择信息量大的波段了。第二种方法分别考虑波段信息量和波段间相关系数，方法要更严谨一些，但过程要麻烦，而且这类方法因为每一步都要设置阈值去除一些波段，阈值的选取往往很难一步到位，本文实验了一种分段 OIF 指数法来提取最优波段组合的方法。除此之外，本文提出一种由粗到细并一步到位的方法，即利用循环迭代分别考虑波段间的相关系数（表示波段间的相关性）和波段的标准差（表示波段的信息量），因为是循环迭代，阈值可以设定比较宽松一点然后一步步逼近，同时能够一步到位，不用分成两步来完成。
关键词：高光谱图像；波段选择；信息量；相关性
1 引言
高光谱遥感，顾名思义，是一种光谱分辨率特别高的新型遥感技术。其光谱分辨率通常小于 10 nm，波段数量一般数十个乃至数百个。由于其拥有传统遥感所不具备的光谱识别能力，逐渐成为遥感技术研究的对象。
高光谱遥感是当前遥感技术的前沿领域，它利用很多很窄的电磁波波段从感兴趣的物体获得有关数据［1］，除了传统遥感常见的空间和辐射信息外，它还包含非常丰富的光谱信息。高光谱遥感的出现是遥感领域少有的具有划时代意义的事件之一，通过高光谱遥感探测技术，可以探测到很多传统遥感难以探测到的物质或现象。

高光谱遥感对地物探测的原理

高光谱遥感对地物探测的原理高光谱遥感是一种通过获取地物的光谱信息并结合其空间分布来进行地物探测和信息提取的技术。

它广泛应用于农业、地质、环境、资源等领域，可以实现对地物的分类、监测、定量分析等功能。

高光谱遥感相比于传统遥感技术具有更高的光谱分辨率，能够提供丰富的地物信息，并且能够对细微差异的地物进行区分和识别。

高光谱遥感原理基于地物的光谱反射特征。

当太阳光照射到地球表面上时，不同的地物会对太阳光进行不同程度的吸收和反射。

这些被地物反射的光谱信息可以通过高光谱遥感技术捕捉和记录下来。

高光谱遥感仪器由多个光谱波段组成，每个波段能够接收不同的光谱范围内的辐射能量。

通过捕捉不同光谱波段的信息，可以得到丰富的地物反射光谱数据。

高光谱遥感的数据处理流程一般包括辐射定标、大气校正、几何校正、光谱特征提取和分类识别等步骤。

首先，要对获取的遥感图像进行辐射定标，将图像中的光谱信息转换为辐射照度。

然后，进行大气校正，校正因大气吸收和散射引起的光谱信息失真，以恢复地物的真实光谱反射特征。

接下来，进行几何校正，校正因拍摄过程中的姿态变化和地表形变引起的几何畸变，以提高图像的空间精度和几何准确性。

完成数据预处理后，可以进行光谱特征提取和分类识别。

光谱特征提取是指从高光谱图像中提取反映地物信息的光谱变量，如吸收峰、吸收谷和光谱带等，以便后续的分类分析。

在光谱特征提取的基础上，可以应用不同的分类算法对地物进行分类和识别。

常用的分类方法包括最大似然分类、支持向量机、人工神经网络等，通过这些方法可以将地物像元划分到不同的类别中。

高光谱遥感的原理在于地物的光谱反射特征与其物理、化学特性有关。

不同类型的地物具有不同的光谱响应特征，通过分析和比较地物的光谱反射特征，可以实现对地物的分类和识别。

比如，植被的光谱响应特征与其叶绿素含量、植被生长状态等相关；水体的光谱响应特征与其颗粒浓度、水质等相关；土壤的光谱响应特征与其质地、湿度等相关。

高光谱特征提取目标检测

高光谱特征提取目标检测
高光谱图像是指在可见光和近红外波段内，对物体反射或辐射的连续光谱进行高精度的采集和记录，具有很强的光谱分辨率和丰富的光谱信息。

高光谱图像在许多领域有广泛的应用，如农业、林业、生态环境、地质勘探和军事领域等。

其中，高光谱图像的目标检测是一项重要的任务，它可以帮助我们从图片中准确地提取出需要识别的目标。

在目标检测中，高光谱特征提取是一个关键的步骤。

目前，常用的高光谱特征提取方法主要有以下几种：
1. PCA（主成分分析）方法：通过对高光谱数据进行降维处理，提取出主要成分，从而达到提取特征的目的。

2. LDA（线性判别分析）方法：通过计算类别之间的距离和类别内部的方差，选择一个具有最大分离度的特征子集。

3. ICA（独立成分分析）方法：通过将高光谱数据表示为互相独立的成分，从而提取出特征。

4. 基于小波变换的方法：将高光谱数据进行小波变换，从频域提取特征。

这些方法各有优缺点，需要根据具体情况进行选择。

在实际应用中，我们根据任务需求选择合适的方法，并对特征进行筛选和优化，以获得更好的检测效果。

- 1 -。

一种新的高光谱图像波段选择方法

ｏｅａｙｏｈｒｔｏｂｎｅｅｔｏｔｏｓｖｒｈｔｔｅａｄｓｌｃｉｎｍｅｈｄ．ｔｂｗ

Ｋｅｏｄ：ｂｄｓｌｃｏ；ｙｅｓｅｔｌｍａｉｍｂｎｃｅｎｎ（Ｓ；ｓｅｔｌｓｌｒａｕｅｎｏａｙｙｗｒｓａｅｅｔｎｈｐｒｃａ；ｘｍｕａｄｓｒｅｉｇＭＢ）ｐｃａｉａｉｍｅｓｒ；ａｍｌｎｉｐｒｒｍｉｔｙ
用于自适应余弦估计（ｄｐｉｅＣｈｒｎｅＥｔｔｒＡＣ）Ａａｔｏｅｅｃｓｍａ，Ｅ目标探测。采用ＡＲＳ高光谱图像将ＭＢＳ与另外两种ｖｉｏＶＩＩ
波段选择算法进行比较分析，实验结果表明，在ＭＢＳ选出的仅占全部波段８％的波段上，ＡＥ算予具有较高的探Ｃ
ｔｒｅｐｃｒｍｏｔｅｉｇ，ｏｌｗｅｙｎｉｅｗｈｔｎｎ，ｈｎｉｌｍｅｔＢＳｔｅｅｔａｄａａｔｉａｅｉｅａｇｔｅｔｓｕｆｍｘｈｍａｅｆｌｏｄｂｏｓｉｉｇｔｅｅｍｐｅｎｓＭｓｌｃｎｓｔｔｒｉｐｔｔｏｂｈｐｃｎｈ
ｏｌ％ｏｅｆｌｂｎｓａｅｓｌｃｅｙＭＢＳｗｉｉｈｔｅｄｔｃｉｎｐｒｏａｃｆｎｙ８ｆｔｕｌａｄｅｅｔｄｂｈｒ．ｔｗｈｃｅｅｔｏｅｒｎｅｏｈｈｆｍＡＣＥｈｓｂｅａｅｎｉｒｖｄｇｅｔｍｐｏｅｒａｌｙ
ｂｄ．ｎｏｄｒｔｅｎｔｔｓｕｉｔ，ｎａｏｌｅｅｔｎａｇｒｈｉｄｖｌｐｄｗｈｃｉｔｘｒｃｓｈｏｌｕｎａｓＩｒｅｄｍｏｓａｅｉｔｉａｍａｙｄｔｃｉｌｏｔｍｅｅｏｅ，ｉｈｆｓｔｔｅａｍａｏｓｏｒｔｌｙｎｏｉｓｒｅａｔｎ

基于信噪比估计的波段选择与高光谱异常检测_王晶

２基于信噪比估计的波段选择
在光学遥感中，图像噪声主要由周期性（系统）
噪声和随机噪声构成，其中周期性噪声可以由频域
变换滤波有效地消除，而随机噪声的影响一直存在，
这种随机噪声一般认为是加性噪声。［１５］加性噪声
是指由发生源产生并叠加在图像上且与图像信号无
关的噪声，用模型表示为：
ｚ＝ｓ＋ｎ
（１）
通常采用零均值高斯白噪声对这种加性噪声
进行模拟，其概率密度为：
ＰＧ（ｘ）＝１ｅ－２ｘσ２２，－ %＜ｘ＜＋ % （２）
槡２πσ
其中：σ 为噪声的标准差。
收稿日期：２０１３－０９－２７；修订日期：２０１５－０３－０８基金项目：浙江省自然科学基金项目（ＬＹ１３Ｆ０２００４４、ＬＺ１４Ｆ０３０００４），国家自然科学基金项目（６１１７１１５２）。作者简介：王晶（１９８８－），男，浙江东阳人，工程师，主要从事图像处理方面的研究。Ｅ－ｍａｉｌ：ｗｊａａａｌ＠ｚｊｕ．ｅｄｕ．ｃｎ。通讯作者：厉小润（１９７０－），男，浙江东阳人，研究员，主要从事图像处理与模式识别、计算机应用方面的研究。Ｅ－ｍａｉｌ：ｌｘｒ＠ｚｊｕ．ｅｄｕ．ｃｎ。
本文提出了一种波段图像的信噪比估计方法，记为ＳＮＲＥ，根据参考文献［１３－１４］估计图像噪声方差，根据高斯函数计算噪声信息，根据图像与噪声差得到图像信息，计算图像方差和信噪比。通过ＳＮＲＥ可以直接选择高信噪比的波段，或预先去除一些低信噪比的波段后再用其他方法选择波段。

高光谱信息采集及应用说明

高光谱信息采集及应用说明一、高光谱成像技术简介通俗地讲，高光谱成像技术就是将一个范围的光谱按照一定的间隔进行分光形成光谱间隔很小的一系列光谱集合，再分别用这些光谱进行成像，生成一系列图像集合。

由于高光谱将光谱分成了间隔很小的“纯净”光，因此形成的影像可以展示该波段所具有的特性。

一般情况下，400nm-1000nm的范围内，可分成200个以上的谱段，即可获取超过200幅图像，在文物图像上选取任一点，读取200幅图像上相同位置点的光谱反射率，形成一条光谱曲线，可以标识该点对光谱敏感性，形成“文物指纹”。

二、高光谱应用介绍及案例高光谱大量应用于全球的文物及艺术品发掘、颜料分析、收藏分析、签名真伪分析等领域，具体包括笔记分析、墨水分析、颜料分析和化学物质分析等。

文物分析的特点为非接触、无损、定性定量结合、可视化和实时。

（1）强化模糊或被遮蔽的痕迹图1. 发现隐藏字迹如上图1所示，BEVIN家族拥有一幅画作，通过高光谱成像分析，在短波红外段寻找出隐藏的作者独特签名“D”，通过于作者藏于其他馆的画作比对，确定该画作是西班牙画家Diego Velazquez的作品，该画作大幅增值。

图2. 发现《独立宣言》涂改字迹如上图2的美国《独立宣言》手稿，通过高光谱分析，发现了隐藏的字迹，揭示处托马斯-杰斐逊在起草时写上“我们的人民”（our fellow subjects）之后涂改为“我们的公民”（our fellow citizen），这对于研究美国历史具有重要意义。

图3. 发现烧焦纸片的字迹如上图3的烧焦纸片，进行高光谱成像后采用PCA方法进行图像分析，发现了纸片上的字迹。

（2）艺术品监控图4.可见光与紫外荧光下的艺术品如上图4所示的艺术品，进行紫外荧光假彩色成像后，可以发现艺术品外层掉漆现象，方便及时修补。

（3）探测退化标志和研究保存环境的影响图5. 梵高画作保存环境研究如上图5所示的梵高画作，可见光下笔触难以分辨，无法判断画作材质是否有变质现象，进行外红假彩色成像后，红色墨迹为正常鞣酸铁墨水，黑色墨迹为变质墨水，警示博物馆需要尽快采取行动。

高光谱数据波段选择方法研究

高光谱数据波段选择方法研究高光谱数据波段选择方法研究摘要高光谱遥感技术在农业、环境监测和地质勘探等领域有着广泛的应用。

高光谱数据的特点是具有大量的波段，因此在处理和分析过程中需要进行波段选择。

本文综述了高光谱数据波段选择方法的研究进展，包括传统的统计方法和基于特征选择的方法。

本文还针对不同应用场景提出了一些波段选择的建议，并举例说明了波段选择方法在环境监测中的应用。

1. 引言高光谱遥感技术是一种能够获取物体光谱信息的重要手段，它可以获取超过几十个波段的光谱数据。

然而，这也带来了处理和分析的挑战。

因为高光谱数据的波段数量庞大，如何选择合适的波段用于特定的应用成为一个重要问题。

波段选择方法的好坏直接影响到高光谱数据的处理和分析效果，因此对波段选择方法进行研究具有重要的理论和应用价值。

2. 高光谱数据波段选择方法的研究进展2.1 传统的统计方法传统的统计方法是对高光谱数据进行统计分析，通过计算波段之间的相关性、方差等指标来筛选重要的波段。

常用的统计方法包括相关系数分析、方差分析和主成分分析等。

这些方法在波段选择中能够取得一定的效果，但是忽略了波段间的非线性关系和互信息等因素，因此在某些特定应用场景下可能不适用。

2.2 基于特征选择的方法基于特征选择的方法是通过选择一组最具有代表性的特征波段来表达整个高光谱数据集，以达到简化数据和提高分类效果的目的。

常用的特征选择方法包括相关性分析、信息熵、L1范数和Wrapper等。

这些方法能够根据具体的应用要求选择最具有代表性的波段，提高数据处理和分析的效率。

3. 不同应用场景下的波段选择建议在农业领域，根据不同作物的生长需要和养分吸收特性，可以选择与作物生长和养分相关的波段进行监测和分析。

例如，可通过选择近红外波段来监测作物叶绿素含量和生长状况。

在环境监测中，可以选择与大气污染物、水质和土壤有关的波段来进行监测和评估。

例如，可选择能够反映水体浑浊度和有机质含量的波段进行水质监测。

基于信息熵高光谱波段选择方法

基于信息熵高光谱波段选择方法
基于信息熵的高光谱波段选择方法是一种用于从高光谱数据中提取最具信息量的波段的技术。

信息熵是一种用来衡量数据不确定性的指标，高信息熵表示数据具有更高的不确定性，低信息熵表示数据具有更低的不确定性。

在高光谱图像中，不同波段的信息熵可以反映出该波段包含的信息量大小，高信息熵对应着更多的信息。

这种方法的基本思想是通过计算每个波段的信息熵，然后根据信息熵的大小来选择最具代表性的波段。

一般来说，信息熵越高的波段包含的信息越丰富，对目标的识别和分类有更大的贡献。

具体而言，高光谱波段选择方法可以分为以下几个步骤：
1. 数据预处理，包括去除椒盐噪声、大气校正、辐射校正等，以保证数据的准确性和可靠性。

2. 计算信息熵，对每个波段的像素值进行统计，然后利用信息熵的计算公式来计算每个波段的信息熵。

3. 波段排序，根据计算得到的信息熵对波段进行排序，将信息
熵高的波段排在前面。

4. 波段选择，根据需要选择排在前面的若干个波段作为最终的高光谱波段集合。

这种方法的优点是能够充分利用高光谱数据中的信息，提取出最具代表性和区分性的波段，有利于提高数据处理和分析的效率和准确性。

然而，也需要注意到信息熵高的波段并不一定就是最有效的波段，因此在实际应用中还需要结合具体的任务需求和领域知识来进行综合考虑和选择。

总的来说，基于信息熵的高光谱波段选择方法是一种有效的数据处理技术，可以帮助提取出最具代表性的波段，对于高光谱数据的分析和应用具有重要意义。

利于目标识别的高光谱影像波段选择方法

利于目标识别的高光谱影像波段选择方法
张海涛;孟祥羽;陈虹宇;张晔
【期刊名称】《计算机科学》
【年(卷),期】2013(040)010
【摘要】遥感图像数据量大、波段数目多、信息冗余多等特点给图像的进一步解译带来了困难.为了解决这个问题,在使用相邻波段间的互信息量与全部波段间的相关系数矩阵相结合的方法对波段进行分组的基础上,运用波段指数和光谱角制图算法,提出了针对某个感兴趣目标的波段选择方法.首先对校正后的全部有效波段进行分组(划分子空间),然后提取出各个子空间中指数最大的波段,最后依据地物光谱可分性选取最佳的波段组合.通过试验及与常见的波段选择方法进行比较的结果显示,所提方法目标提取效果明显.
【总页数】4页(P305-308)
【作者】张海涛;孟祥羽;陈虹宇;张晔
【作者单位】辽宁工程技术大学软件学院葫芦岛 125105;辽宁工程技术大学软件学院葫芦岛 125105;辽宁工程技术大学软件学院葫芦岛 125105;哈尔滨工业大学哈尔滨 150000
【正文语种】中文
【中图分类】TP753
【相关文献】
1.Hyperion高光谱影像波段选择方法比较研究 [J], 孙华;鞠洪波;张怀清;林辉;刘华;凌成星;符利勇
2.基于波段指数的高光谱影像波段选择算法 [J], 龚文娟;董安国;韩雪
3.一种基于核偏最小二乘法的高光谱影像最佳波段选择方法 [J], 秦进春;余旭初;张鹏强;杨明
4.高光谱影像加权波段指数波段选择算法 [J], 马莉;范文涛
5.基于近邻子空间划分的高光谱影像波段选择方法 [J], 唐厂;王俊
因版权原因，仅展示原文概要，查看原文内容请购买。

一种针对高光谱遥感影像的波段选择方法

一种针对高光谱遥感影像的波段选择方法
李亮
【期刊名称】《信息技术》
【年(卷),期】2015(39)8
【摘要】随着传感器技术的不断发展,高光谱遥感影像已经广泛应用于土地覆盖监测等诸多领域.高光谱遥感影像具有波段数目多、波段间相关性强等特点,因此在图像分类时需要有效的波段选择方法以提高遥感影像的使用效率.文中提出了一种针对高光谱遥感影像的波段选择方法,该方法首先使用信息散度描述波段间的相关性,通过构造信息散度矩阵对子空间进行划分.然后使用波段的信息量和Bhattacharyya距离构建适应度函数,并对粒子群算法中的惯性权值更新方式进行改进.通过对AVIRIS高光谱遥感图像进行实验证明,与现有算法相比文中算法具有更高的分类精度及更快的收敛速度.
【总页数】4页(P211-213,216)
【作者】李亮
【作者单位】淮安市水利勘测设计研究院有限公司,江苏淮安223300
【正文语种】中文
【中图分类】TP752
【相关文献】
1.一种改进的高光谱图像最小噪声波段选择方法 [J], 钱哲琦;赵辽英;李瑞敏;厉小润
2.一种新的高光谱图像波段选择方法 [J], 何元磊;刘代志;易世华
3.一种改进的高光谱遥感数据波段选择方法的研究 [J], 韩瑞梅;杨敏华
4.一种基于核偏最小二乘法的高光谱影像最佳波段选择方法 [J], 秦进春;余旭初;张鹏强;杨明
5.一种改进的高光谱图像波段选择方法 [J], 任晓东;雷武虎;谷雨;赵青松
因版权原因，仅展示原文概要，查看原文内容请购买。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

第４ｌ卷第６期
Ｖｏ１．Ｎｏ．４１６
红外与激光工程
ＩｆａｅｎｓｒＥｎｉｎｒｒｄａｄＬａｅｕｌ
２１０２年６月
Ｊｕｎ．２０１２
波段最大筛选法及其在高光谱目标探测中的应用
王静荔
（空军工程大学理学院，西西安７０５）陕１０１
摘要：出了一种面向目标探测的高光谱图像波段选择方法一波段最大筛选法（ｓ，提ＭＢ）它将每个
波段的图像看成一条波段向量，以两个最不相似的波段作为初始波段，次从剩余波段中选取一个和每
ｃｏｅｒｍｔｅｒｍａｉａｄｔｅｃｔ．ｙｐｏｅｌａｊｓｎｅｂｄｓｌｉｈｅｈｌａｅｈｓｎｆｈｅｉｎｂｎｓａａｈｓｐＢｒｐｒｄｔｇｔａｉａｔｔｒｓｏｖｌ，ｏｎｇｅｙｕｉｈｎａｃｅｎｎ（Ｓ，ｗａｒｐｓｄｏｓｄｒｇｅｃａｄｉｇｓａｂｎｅｔｒｗｏｍｏｔｄｓｉｌｒｓｐｏｏｅ．Ｃｎｉｅｎａｈｂｎｍａｅａａｄｖｃｏ，ｔｓｉｓａｉｍｉ
中图分类号：Ｔ７１Ｐ５文献标志码：Ａ文章编号：１０ — ２６２１）６１１— ６０７２７（０２０ — ５４０
Ｍａｉｕａｄｓｒｅｉｎｔｐｌｃｔｏｏｘｍｍｂｎｃｅｎｎｇａｄｉａｐｉａｉｎｔｓ
Ａｂｔａｔｓｒｃ：Ａｅｂｄｅｅｔｏｔｏｏａｇｔｄｔｃｉｎｉｈｐｒｐｃｒｌｍａｅｙ，ｎｍｅｙｍａｉｍｎｗａｓｌｃｉｎｍｅｈｄｆｒｔｒｅｅｅｔｎｙｅｓｅｔａｉｇｒｎｏａｌｘｍｕ
ｈｐｅｓｃｒｌｔｒｅｅｅｔｏｙｒｐｅｔａａｇｔｄｔｃｉｎ
ＷａｇＪｎｌｎｉｇｉ
（ｏｌｇｆＳｉｃ，ｉｏｃｎｉｅｒｇＵｎｖｒｉ，ｌ７０５，ｈｎ）ＣｌｅｏｃｅｅＡｒＦｒｅＥｇｎｅｉｉｅｓｙＸｉａ１０１Ｃｉａｅｎｎｔｌ
ｐｒｏｍａｃ．ＩｏｄｒｔｅｏｔａｅｈｔｉｆＭＢＳ，ｔｅｌＡＶＩＳｈｐｒｐｃｒｌａａｅｓｗｅｅｅｆｒｎｅｎｒｅｏｄｍｎｓｒｔｔｅｕｌｔｏｉｙｗｏｒａＲＩｙｅｓｅｔａｄｔｓｔｒｔｓｅｒｔｒｅｅｅｔｏｅｔｄｆａｇｔｄｔｃｉｎ．Ｔｈｘｅｍｅｔｌｒｓｌｓｓｏｔａｅｓｔａ５ａｄ９ｏｅｅｐｒｉｎａｅｕｔｈｗｔｌｓｎ１％ｎ％ｏｈｕｌｂｄｓａｅｈｈｆｔｅｆｌａｎｒ
ｂａｄｗｅｅｅｅｔｄｓｈｅｔｒｉｇａｓｎｔｅａｄｎｓｒｓｌｃｅａｔｓａｔｂｎｄａｄｈｂｎｍｏｔｉｓｍｉａｗｉｔｅａｄｓｌｃｅｗａｎｓｄｓｉｌｒｔｈｂｈｎｓｅｅｔｄｓ
ａａｔｅｍａｃｅｌｒＡＦａｅｎｉｒｖｄｇｅｔ．ｄｐｉｔｈｄｆｔ（Ｍ）ｈｓｂｅｍｐｏｅｒａｙｖｉｅｌ
Ｋｅｒｓａｄｓｌｃｉｎｈｐｒｐｃｒｌｔｇｔｄｔｃｏ；ｍａｉｍａｄｓｒｅｉｇＭＢＳ；ｙｗｏｄ：ｂｅｅｔ；ｙｅｓｅｔａｅｅｅｔｎｎｏａｒｉｘｍｕｂｃｅｎｎ（ｎ）
ｓｌｃｅｙＭＢＳｒｓｅｔｅｙｏｉｈｔｅｄｔｃｉｎｐｒｏａｃｆａａｔｅｃｓｎｓｍａｏ（Ｅ）ａｄｅｅｔｄｂｅｐｃｉｌ，ｎｗｈｃｈｅｅｔｅｆｒｎｅｏｄｐｉｏｉｅｅｔｔｒＡＣｖｏｍｖｉｎ
已选波段最不相似的波段，过对波段相似性阈值的合理调节，证了目标探测算子在所选波段上探通保
测效果最佳。为了验证ＭＢＳ的有效性，对机载可见光／外成像光谱４ＡｌＩ）红Ｚ（ＶＲＳ获取的两幅真实高光
谱图像进行了实验，结果表明，Ｓ选出的波段分别占据全部波段的１％和９从而使目标探测算ＭＢ５％，子ＡＥ和ＡＣＭＦ在其上的探测性能有了明显改善。关键词：波段选择；高光谱目标探测；波段最大筛选法；光谱相似性度量；ＲＣ曲线Ｏ
ｔｅｉｎｌａｄｅｅｔｎｅｕｔｗａｏｔｉｅｎｈｆａｂｎｓｌｃｏｒｓｌｓｂａｎｄｏｗｈｃｔｅａｇｔｅｅｒｏｌａｈｅｅｅｔｅｅｔｏｉｉｈｈｔｅｄｉｃｃｕｄｃｉｖｂｓｄｔｃｉｎｒ