高光谱遥感数据的特征选择与提取资料
高光谱遥感影像的提取和处理方法
高光谱遥感影像的提取和处理方法近年来，随着遥感技术的不断发展，高光谱遥感影像的获取成为了现实。
高光谱遥感影像是指通过遥感仪器获取的光谱范围较广的遥感影像，其相较于传统遥感影像具有更高的空间和光谱分辨率。
在许多领域，包括环境保护、农业、城市规划等，高光谱遥感影像的提取和处理方法具有重要的应用价值。
一、高光谱遥感影像的获取高光谱遥感影像的获取需要使用高光谱遥感仪器，该仪器能够捕捉到丰富的光谱信息。
一般来说，高光谱遥感仪器由多个波段的传感器组成，这些传感器能够同时记录多个波段的图像。
获取的高光谱遥感影像通常具有数百个波段，使得我们在遥感影像处理中能够获取更多的光谱信息。
二、高光谱遥感影像的预处理在进行高光谱遥感影像的提取和处理之前，我们需要对其进行预处理。
预处理的目的是提高图像的质量和减小噪声的影响。
常见的预处理步骤包括辐射校正、大气校正、几何校正等。
辐射校正旨在消除遥感影像中的辐射差异，以便更好地比较不同区域的反射率。
大气校正则旨在消除大气引起的影响，使得遥感影像更加准确。
几何校正则是为了将遥感影像的几何形状与地形相匹配。
三、高光谱遥感影像的特征提取高光谱遥感影像的特征提取是指从遥感影像中提取出我们感兴趣的信息。
常见的特征提取方法有以下几种：1. 光谱特征提取光谱特征提取是指通过对高光谱遥感影像每个波段的分析，提取出不同波长下的光谱信息。
这些信息可以用于分类、识别和分析。
常见的光谱特征提取方法包括光谱曲线拟合、波段选择、光谱角等。
2. 空间特征提取空间特征提取是指通过对高光谱遥感影像空间分布的分析，提取出图像上不同位置的信息。
常见的空间特征提取方法包括纹理特征、形状特征、结构特征等。
3. 混合特征提取混合特征提取是指将光谱特征和空间特征相结合，提取出更全面的图像信息。
这种方法更常用于高光谱遥感影像的分类与识别。
四、高光谱遥感影像的分类与识别高光谱遥感影像的分类与识别是利用图像处理和分类算法对遥感影像进行分析，将其划分为不同的类别。
高光谱遥感图像的特征提取和分类算法探究
高光谱遥感图像的特征提取和分类算法探究遥感技术已经成为了现代地球科学中不可或缺的一部分，这种技术通过对地球表面的各种信息进行多波段、多角度、多时相的采集和处理，可以形成一系列高分辨率遥感图像。
其中，高光谱遥感图像是一种获取地表物质高光谱信息的遥感技术，这种技术可以获取大量的物质光谱信息，为我们研究地球科学和环境变化提供了重要的数据来源。
在高光谱遥感图像中，物质对不同波长的电磁辐射的反射和吸收的不同程度是其与众不同的特性。
由于不同的物质对不同波段的辐射产生的反应不同，固有光谱和在远距离上的高光谱遥感图像可以很好地区分不同物质。
在高光谱遥感图像研究中，特征提取和分类算法是研究的两个重要方面。
因此，本篇文章将探讨高光谱遥感图像的特征提取和分类算法的研究进展和应用现状。
一、特征提取在高光谱遥感图像中，特征提取是一项至关重要的技术。
特征提取的主要任务是将高光谱遥感图像中每个像元的光谱信息转化成低维空间的特征，以减少信息冗余和处理量，同时保留物体空间分布和分类信息。
常用的特征提取方法包括如下几种。
1. 主成分分析（PCA）PCA是一种线性变换的方法，可以将高维空间中的数据降维到低维度的特征空间。
在高光谱遥感图像中，PCA方法可以对数据矩阵进行特征值分解，得到协方差矩阵的主特征向量。
这些主成分可以描述遥感图像的大部分空间信息，对于多波段数据的降维处理非常有效。
2. 独立成分分析（ICA）ICA是一种非线性变换的方法，可以将遥感图像中的光谱信息进行分离和隔离，从而得到更加明确的光谱信息。
在高光谱遥感图像中，ICA可以对数据矩阵进行特征值分解，找到可以独立分离的成分。
这些成分可以帮助我们更好地理解高光谱遥感图像中的光谱结构，并提高物体检测和分类的准确率。
3. 小波变换（WT）WT是一种非平稳信号的频域分析方法，可以用于多尺度分析和特征提取。
在高光谱遥感图像中，WT可以将数据矩阵分解为一组小波系数，这些系数可以反映不同尺度下的物体信息。
09高光谱特征提取讲解
09高光谱特征提取讲解高光谱特征提取是指从高光谱图像数据中提取出具有辨别能力的特征，用于分类、聚类、目标检测等高光谱图像分析任务中。
高光谱图像是指在可见光波段和近红外波段（通常是400-2500nm）内连续采集物体的反射光谱信息。
相比于普通彩色图像，高光谱图像包含了更丰富的光谱信息，因此在很多领域有着广泛的应用，比如农业、环境监测、地质勘探等。
高光谱特征提取主要包括以下几个步骤：1.光谱反射率预处理：对原始高光谱图像进行预处理是第一步，目的是去除光照影响、噪声等。
通常包括大气校正、辐射校正等处理。
2.光谱特征提取：在预处理后的高光谱图像上，提取能够描述物体光谱特征的一组特征。
常用的高光谱特征包括统计特征、小波变换、主成分分析（PCA）、线性判别分析（LDA）等。
-统计特征：通过直方图、均值、方差等统计量来描述光谱分布的特性，常用的方法有均值改进提取特征。
-小波变换：使用小波变换对高光谱图像进行频域分析，提取频域特征。
-PCA：通过对样本特征向量的协方差矩阵进行特征值分解，得到一组主成分，用于描述数据的变异情况。
-LDA：通过最大化类间散度和最小化类内散度，实现对数据进行降维和分类。
3.特征选择：对提取的高光谱特征进行选择，选择能够最好地区分不同类别的特征。
常用的特征选择方法有相关系数法、信息增益法、最大相关性法等。
4.特征降维：当特征维度过高时，会导致计算复杂度增加、分类效果下降等问题。
因此需要对高维特征进行降维，常用的降维方法有主成分分析（PCA）、线性判别分析（LDA）等。
5.分类器构建与训练：根据具体的应用需求，选择适当的分类器，并使用训练样本对其进行训练。
6.特征分类与评估：使用训练好的分类器对测试样本进行分类，计算分类结果的准确性、召回率、精确率等指标来评估分类效果。
除了上述方法外，还有一些其他的高光谱特征提取方法，如光谱相似性匹配、光谱角匹配、地物指数等。
这些方法都是为了从高光谱图像中提取出能够描述物体光谱特征的特征向量，用于后续的分类、聚类、目标检测等任务。
高光谱遥感影像的特征提取与分类研究
高光谱遥感影像的特征提取与分类研究随着遥感技术的不断发展，高光谱遥感技术的应用越来越广泛。
高光谱遥感技术可以获取物体在不同波段的多光谱信息，这些信息可以帮助人类了解自然、环境和生态系统的变化，从而更好地保护自然资源。
高光谱遥感影像分类是高光谱遥感技术的一项重要应用，其目的是将高光谱遥感数据分成一些具有类似特征的类别。
高光谱遥感影像的特征提取有很多方法，其中最常用的是两种：光谱特征提取和空间特征提取。
光谱特征提取主要是通过分析不同波段的反射率谱线信息，对目标进行光谱特征分析。
在高光谱遥感数据中，不同的波段可以提供不同的物理信息。
根据这些信息可以将高光谱遥感数据进行降维处理，并计算出不同波段之间的关系，从而提取出目标的光谱特征。
空间特征提取主要是通过分析影像中目标的纹理、形态等空间特征，对目标进行空间特征分析。
高光谱遥感影像的空间特征主要是通过图像中纹理和形态特异性进行表达。
在进行空间特征提取时，我们通常会利用一些图像分割算法，将图像中的物体分割出来，然后提取出空间特征。
高光谱遥感影像分类主要是将高光谱遥感数据分为一些具有类似特征的类别。
目前较为流行的分类方法有：基于像元的分类、基于对象的分类、基于知识的分类和统计学习分类等。
其中，基于像元的分类是最常用的一种分类方法，其主要是依据像素的光谱反射率值进行分类。
基于对象的分类是将图像中的物体分割出来，针对每个物体对其进行特征提取和分类。
基于对象的分类在物体识别和多目标跟踪方面具有很好的效果。
近年来，基于阈值分割的方式，进行图像分割操作，然后对分割物体的特征进行分析，是常见的一种基于对象的图像分类方法。
基于知识的分类是根据专家对目标的认识和理解，利用专家知识对遥感数据进行分类。
这种方法主要是将决策树、专家系统、神经网络等方法相结合，进行遥感影像的分类操作。
统计学习分类是利用数学模型和统计方法来研究分类模型，并根据数据所呈现的分布规律来进行分类。
其中，常用的统计学习方法有支持向量机、最优化等算法。
高光谱影像特征选择与提取 完整ppt课件
完整编辑ppt
44
式中：X={X1,X2,……，XN}为光谱向量，N为波段 数，λ={λ1, λ2,……，λN}为波长集合。
以此类推，可以计算出任意阶导数光谱。通过导数 光谱运算可以发现待定地物某阶导数具有明显区别 于其它地物的特征，从而用于地物识别。
完整编辑ppt
45
植被指数与导数光谱实质是在光谱空间上进行特定 运算以形成新的特征，按照这一思路，可以设计其 它光谱运算特征，如波段求和、取均值以及其它更 复杂的运算获取的特征。
B距离等方法。
完整编辑ppt
23
离散度
式中，Ui、Uj分别表示i、j类的亮度均值矢量， 分别为i、j类的协方差矩阵，tr[A]表示矩阵A对角 线元素之和。
完整编辑ppt
24
B距离
式中符号的意义同于“离散度”公式中的定义。
对于任何一给定的地物类别，只要算出这两个不同 类别在所有可能的波段组合中的标准距离、离散度 或B距离，并去最大者，便是区分这两个类别的最 佳波段组合，即最优子集。
完整编辑ppt
32
其中S[i]为第i波段编码Xi为该波段原始属性值， T为阀值。通常阀值选整个光谱向量的平均值，也 可以取向量中值或根据光谱曲线进行人工阀值选择。
完整编辑ppt
33
[
二值编码采用单阀值进行处理，划分取决范围较大，
表达进度较低。一种改进算法是多值编码。四值编码基
本方法是：首先对整个像元光谱向量取平均值，得到阀
完整编辑ppt
9
熵及联合熵
根据香农信息论原理，一幅8bit表示的图像X的熵 为：
式中：X为输入图像，Pi为图像像素灰度值为i的概 率。
完整编辑ppt
10
同理，两个波段联合熵为： n个波段图像的联合熵为：
高光谱遥感数据的特征选择与提取课件
特征选择与提取的挑战与机遇
要点一
特征选择与提取的挑战
要点二
机遇
高光谱遥感数据具有高维、高冗余的特点，如何有效地选 择和提取特征是亟待解决的问题。同时，不同应用场景对 特征的要求也不同，需要针对具体需求进行特征选择和提 取。
随着深度学习、机器学习等技术的发展，为高光谱遥感数 据的特征选择与提取提供了新的思路和方法。这些技术能 够自动地提取有用的特征，提高数据处理的速度和精度， 为高光谱遥感技术的应用提供了更多的可能性。
感谢观看
THANKS
THE FIRST LESSON OF THE SCHOOL YEAR
独立成分分析法能够揭示高光谱数据的非高斯结构，对 于处理非线性和非高斯数据非常有效。
独立成分分析法可以用于解决盲源信号分离问题，从观 测信号中提取出独立的源信号。
非负矩阵分解法
在此添加您的文本17字
一种基于矩阵分解的特征提取方法
在此添加您的文本16字
非负矩阵分解法将高光谱数据矩阵分解为多个稀疏的非负 基矩阵的乘积，从而提取出数据的特征。
在此添加您的文本16字
揭示数据的主要特征结构
在此添加您的文本16字
通过主成分分析法，可以揭示高光谱数据的主要特征结构 ，从而更好地理解数据的内在规律和特征。
独立成分分析法
一种寻找数据中的独立成分的方法 揭示数据的非高斯结构 用于盲源信号分离问题
独立成分分析法旨在找到高光谱数据中的独立成分，这 些独立成分能够最大程度地保留数据的方差，同时彼此 独立。
基于模型的特征选择
总结词
基于模型的方法通过训练分类或回归模型来选择最重要的特征，通常使用模型的惩罚项或特征重要性评分作为选 择标准。
高光谱遥感数据特征选择与提取共79页文档
谢谢！
高光谱遥感数据特征选择与提取
11、不为五ቤተ መጻሕፍቲ ባይዱ米折腰。 12、芳菊开林耀，青松冠岩列。怀此 贞秀姿 ，卓为 霜下杰 。
13、归去来兮，田蜀将芜胡不归。 14、酒能祛百虑，菊为制颓龄。 15、春蚕收长丝，秋熟靡王税。
61、奢侈是舒适的，否则就不是奢侈 。——CocoCha nel 62、少而好学，如日出之阳；壮而好学 ，如日 中之光 ；志而 好学， 如炳烛 之光。 ——刘 向 63、三军可夺帅也，匹夫不可夺志也。 ——孔 丘 64、人生就是学校。在那里，与其说好 的教师 是幸福 ，不如 说好的 教师是 不幸。 ——海 贝尔 65、接受挑战，就可以享受胜利的喜悦 。——杰纳勒 尔·乔治·S·巴顿
遥感数字图像处理-第10章 特征提取与选择
二、特征选择
1.特征选择的流程
（1）子集产生 （2）子集评价（非监督选择和监督选择） （3）评价终止 （4）结果验证
原始 属性集
子集产生
属性 子集
子集评价
否 终止条件 是 结果验证
5
二、特征选择
2.属性评价准则
根据与分类算法的关联程度，属性评价准则大体上可以分成 两类：关联准则和独立准则。 关联准则
7
二、特征选择
3.基于先验知识的特征选择
ቤተ መጻሕፍቲ ባይዱ前人的工作基础和研究经验可以给我们提供特征选择的思路
基本思想：如果我们对研究区地物及其属性比较熟悉，已经知道某些属 性可以很好地区分待分类的地物，此时我们可以根据这些先验知识直接 选择这些可以区分特定地物的属性，该方法非常适合光谱信息相对较少 的多光谱数据。
关联准则依赖于分类算法，它是以分类算法的性能作为评价准则。 ➢ 监督特征选择，在特定的分类器下常采用分类准确率作为评价准则。 ➢ 非监督选择，在特定的聚类算法下常采用属性子集的聚类质量来作为
评价准则，常用的聚类质量评价参数有类别的紧凑性、类内类间的距 离和最大可能性等。
6
二、特征选择
独立准则
独立准则是通过训练样本的内在特征来对所选择的属性子集进行评价， 不依赖于特定的分类算法。
局限性：先验知识往往受限于所识别的地物类别及其所处的环境
8
三、特征组合
特征组合涉及两方面的内容： 各特征参与分类的先后顺序 各特征参与分类时的权重
作用：对于某些分类器来说，给各特征变量赋予不同的权重后再进行 分类，则会得到不同的分类结果
决策树分类对于特征组合的体现比较典型，决策树的构建过程就体现了 各特征变量出现的先后顺序；而且某一特征可能被多次使用，也就是说 该特征在分类过程中的贡献不只一次，即它的权重相较于其他特征来说 要更大一些。
高光谱遥感图像的特征提取方法研究
高光谱遥感图像的特征提取方法研究近年来，高光谱遥感技术在农业、环境、地质等多个领域得到了广泛应用。
在高光谱遥感图像的应用中，特征提取是必不可少的一个环节。
因此，研究高光谱遥感图像的特征提取方法具有重要的实际意义。
一、高光谱遥感图像的特点高光谱遥感图像是由数百个连续的光谱波段组成的，与普通的遥感图像相比，其具有以下三个特点：1. 信息量大：高光谱遥感图像的光谱波段数量远高于传统遥感图像，因此包含的信息量更加丰富。
2. 相关性强：由于高光谱遥感图像的连续光谱波段，各个波段之间存在很强的相关性，需要对波段进行融合处理。
3. 噪声影响大：高光谱遥感图像的波段数量多、像元数量大，因此在采集和处理过程中容易受到噪声影响。
二、高光谱遥感图像的特征提取方法高光谱遥感图像的特征提取方法包括两方面：空间特征提取和光谱特征提取。
1. 空间特征提取空间特征提取是指从高光谱遥感图像中提取的与空间位置有关的特征，包括纹理、形状、结构等特征。
常用的空间特征提取方法有以下几种：（1）局部二值模式（LBP）LBP是一种纹理特征提取方法，主要适用于灰度图像。
通过比较像素点与其周围邻域像素点的数值大小，将其二值化，并将结果编码为一个二进制数，从而得到特征向量。
LBP能够有效地刻画纹理特征，广泛应用于高光谱图像的分类、识别等方面。
（2）小波变换小波变换是一种基于多尺度分析的方法，能够将图像分解为不同尺度的子带，从而获得图像的多尺度特征。
在高光谱遥感图像中，采用小波变换进行图像滤波和去噪处理，能够显著提高图像质量和减少数据冗余。
（3）形状特征形状特征是指从高光谱遥感图像中提取的物体形状和结构信息。
常用的形状特征有面积、周长、长宽比、圆度、伸展度等。
形状特征的提取能够对高光谱图像进行形状分类和目标检测等方面的应用。
2. 光谱特征提取光谱特征提取是指从高光谱遥感图像中提取的光谱信息，包括波段反射率、波段比值、特征波段等。
常用的光谱特征提取方法有以下几种：（1）主成分分析（PCA）PCA是一种基于统计学原理的线性变换方法，通过将图像数据投影到主成分空间中，实现降维和数据压缩的目的。
第5章 高光谱遥感数据特征选择与提取
[ f ( xi , y j )]2 ∑∑
ε 代表横坐标方向的移动步长 η 代表纵坐标方向的移动步长
46
当 ε 和η 变化时，可以画出图像的自相关系数随
d = ε 2 + η 2 变化的曲线。可以通过这种自相关
系数来确定图像的纹理粗糙程度。 当d不变的时候，粗纹理的自相关纹理的自相关系 数比细纹理的自相关系数大
第五章 高光谱遥感数据的特征选择与提取
高光谱遥感数据有助于我们完成更加细致的遥感地物分类 和目标识别，然而波段的增多也必然导致信息的冗余和数 据处理复杂性的增加。具体表现在： （1）数据量急剧增加：波段的增加，使得高光谱数据比传 统数据多1-2个数量级，表现在显示，存储，管理方面相 当繁琐 （2）计算量增大：数据的膨胀导致计算机处理载荷大幅度 增加，寻找有效地降维空间手段是必要的 （3）统计参数的估计误差增大：利用统计方法为了达到比 较精确的估计，样本个数一般是波段数的100倍以上，这 在高光谱数据中往往无法实现，因此，导致了分类精度的 普遍下降。 1
43
5.2.1 波段组合选择
光谱自相关性的波段选择 空间自相关性的波段选择
44
光谱自相关
OIF指数（Optimum index）最佳指数，用来 计算几个波段所包含的信息量。 利用它可以用来选择组合波段，通过组合波段 的标准差之和最大，组合波段间相关系数之和 最小作为准则来加以判断最佳波段组合的选择， 计算公式如下：
单波段的方差越大，表明波段的离散程度越大， 信息量越丰富。
33
通过分析遥感图像各波段的数据值，可以确定 各个波段包含的信息量的多少，各波段的方差 （标准差）反映了图像各像元灰度值与平均值 总的离散度，一定程度上反映了各波段信息量， 其值越大，所包含的信息量越大，地物之间越 容易区分。 下面以128个波段的omis影像为例，介绍图像 方差（标准差）所反应出来的图像信息量大小。
- 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)。
7
可分性准则所描述的指标
满足这个策略的可分性准则有很多，归纳起来 可以分为以下四种准则： （1）各样本之间的平均距离； （2）类别间的相对距离； （3）离散度； （4）J-M距离；
8
（1）各类样本间的平均距离
各类样本之间的距离越大，类别可分性越大，因此可 以利用各类样本之间的距离的平均值作为可分性的准 则。
4
5.1 最优特征的选择——可分性
为了进行最优选择，我们需要一个准则来衡量。 如果特征可以进行分类，那么我们利用分类的 错误概率来作为特征选择的准则。前人的研究 表明：可分性越高的特征，分类错误的概率越 低，选择的特征越优。
最优特征——分类错误概率——可分性
5
可分性准则
选择可分性准则必须综合考虑两个策略： 一、选择各类平均可分性最大的特征 二、选择最难分的类别具有的可分性最大的特征
d norm | 1 2 | 1 2
11
12
当我们用这个距离公式衡量类别的可分性的时 候，存在这样的情况，无法衡量两类的差别：
13
（3）离散度
离散度可以克服当两个类别均值相等时，不能有效区 分类别的局限，离散度表达式为：
当类别多于两个时，可以用平均离散度来衡量类别可 分性。
21
计算机搜索：
22
由包络线去除法调整的明矾石光谱曲线
23
包络线去除前后的光谱反射率曲线对比
24
2）选择特征波段区分地物
举例说明：经过包络线去除后，可以有效的区 分高岭石与白云石的有效区间，这里挑选5个 特征波段: B1(2.16) B2(2.18) B3(2.21) B4(2.32) B5(2.38)
14
尽管离散度克服了类均值相等给归一化距离带来的 麻烦，但是并非最优的类别可分性度量，当样本的 分布存在的情况如下图所示的时候，离散度并不能 有效的反映可分性（b的可分性显然要高于a）
15
（4）J-M 距离（Jeffries-Matusita ）
J-M距离基于条件概率理论，其表达式可以近似为：
17
5.2 光谱特征选择
18
通过特征选择，可以强化最具可分性的光谱波段， 这里分为：光谱特征位置搜索和光谱距离统计。 光谱特征位置搜索：根据专家对特定地物的物理 化学性质和光谱特性分析，选择最具有排他性的 光谱特征波段。 光谱距离统计：在光谱可分性距离的统计准则下， 选择光谱波段子集，使得在某一个光谱可分性距 离统计准则下，其统计差异最大或者最优。
第一个策略能均衡照顾到各类的可分性； 第二个策略能照顾到最难分的类别。
6
光谱可分性准则
设计光谱可分性的准则必须满足三个方面的要 求（黄凤岗等，1998）： （1）与错误概率具有单调关系。这样准则取最 大值的情况下，所得到的错误概率应该是最小 的。 （2）度量特性。设定两类地物类别i，j的度量特 性为 J ij ， J ij越大，两类特征的分离程度越大。 （3）单调性。新加入的特征，准则函数的值并 不位置通常是要确定特征吸收波段的位置 分为以下三个部分： 1）包络线去除（包络线归一化） 包络线从外观上面来看，相当于光谱曲线的“外 壳”，我们用连续的这种折线段来近似表示光谱 曲线的包络线。
20
手工搜索：利用定义手工逐点直线连接突出的 “峰”值点，并使得折线在“峰”值点的外角 >180度，然后用实际光谱波段值去除相应的 波段值，这样归一化后，峰值点均为1，非 “峰”值点均小于1。这样就很容易测定吸收 特征参数。
25
以上的五个特征可以构成一个凸面几何空间， 高岭石与白云石在这个投影变换后的特征空间 集中在两个彼此分离的区间，两者能够完全区 分
26
3）基于特征位置进行彩色合成
d | 1 2 |
例如：常用的距离函数有欧氏距离，马氏距离，明氏 距离等。 但是，很多情况下，类别之间的平均距离并不一定代 表了类别之间的可分性。如下图所示
9
两种分布的可分性比较
类别间的距离平均值不能完全反映类 别的可分性
10
（2）类别间的归一化距离
根据费歇尔准则，分类时总是希望类内的离散度尽 量小，类间的离散度尽量大，那么根据这个定律， 可以作为相对距离的一个度量，度量的公式为归一 化距离：
J ij { [ p ( X / wi )
P代表第i个像元属于w的条件概率。
x
p ( X / w j ) ] 2 dX }1 / 2
16
总结
1）可分性准则中J-M距离的可分性效果是最好的，J-M 距离实际上就是两类概率密度函数之差，基于先验概 率和样本分布。 2）离散度的可分性效果总体不如J-M距离，但是当各类 模式分布相对集中，模式距离没有超出临界值时，也 比较有效。 3）归一化距离的衡量有效性又次之。加入样本均值十 分接近，或者过于分散，会丧失有效性。 4）各样本距离的平均值用来衡量可分性，效果最差。 只有当样本的各个分布一致，且既不太离散也不太集 中的特殊情况下，才有效。
2
问题提出？
当光谱维数增加的时候，特征组合形式成指数 倍增加，例如原始波段为N，优选后的光谱波 段是M，那么光谱特征组合数为：N!/(NM)!/M!。显然这个数目很巨大，直接导致了运 算效率下降，因此，如何优化光谱特征空间， 进行光谱选择非常重要。
3
该图列出了波段数增加时，不同的样本个数与 类别可分性的变化
第五章 高光谱遥感数据的特征选择 与提取
本章主要介绍高光谱遥感数据的可 分性标准，光谱特征选择，光谱自相关 性分析，特征提取以及投影变换等内容。
1
高光谱遥感数据有助于我们完成更加细致的遥 感地物分类和目标识别，然而波段的增多也必 然导致信息的冗余和数据处理复杂性的增加。
具体表现在： （1）数据量急剧增加：波段的增加，使得高光 谱数据比传统数据多1-2个数量级，表现在显示， 存储，管理方面相当繁琐 （2）计算量增大：数据的膨胀导致计算机处理 载荷大幅度增加，寻找有效地降维空间手段是 必要的 （3）统计参数的估计误差增大：利用统计方法 为了达到比较精确的估计，样本个数一般是波 段数的100倍以上，这在高光谱数据中往往无法 实现，因此，导致了分类精度的普遍下降。