08高光谱特征选择
高光谱图像分类算法中的特征选择方法
高光谱图像分类算法中的特征选择方法随着遥感技术的发展，高光谱图像在地质勘探、农业、城市规划等领域得到了广泛的应用。
为了有效利用高光谱图像数据，研究人员一直在探索合适的特征选择方法，以提高图像分类的准确性和效率。
本文将介绍几种常用的特征选择方法，并对它们在高光谱图像分类算法中的应用进行讨论。
一、相关性分析法相关性分析法是最常用的特征选择方法之一。
它基于特征与目标变量之间的相关性，通过计算它们之间的统计指标（如相关系数）来选择最相关的特征。
在高光谱图像分类中，可以使用相关性分析法来确定哪些波段与分类任务最相关，并在分类模型中仅使用这些波段的信息。
通过减少特征维度，可以提高分类算法的效率，并降低过拟合的风险。
二、信息增益法信息增益法是一种基于信息论的特征选择方法。
它通过计算每个特征对于分类任务的信息增益，确定其重要性。
信息增益是指特征引入后对系统整体不确定度的减少程度。
在高光谱图像分类中，信息增益法可以用于选择那些在分类过程中能提供更多信息的特征。
通过选择具有较高信息增益的特征，可以提高分类算法的准确性。
三、最大信息系数法最大信息系数法是一种非参数的特征选择方法。
它可以测量两个变量之间的相关性，并通过计算它们的最大信息系数来选择最相关的特征。
在高光谱图像分类中，最大信息系数法可以用于筛选那些在分类任务中与目标变量相关性最强的特征。
对于高光谱图像来说，不同波段之间可能存在较强的相关性，因此使用最大信息系数法可以帮助排除冗余的特征，提高分类算法的效果。
四、L1范数稀疏化方法L1范数稀疏化方法是一种基于稀疏表示的特征选择方法。
它通过最小化特征向量的稀疏性度量，实现特征的选择与分类同时进行。
在高光谱图像分类中，L1范数稀疏化方法可以帮助选择那些对分类任务最重要的特征。
与其他方法相比，L1范数稀疏化方法具有较好的鲁棒性和稳定性，对于高光谱图像分类任务具有一定的优势。
五、主成分分析法主成分分析法是一种常用的特征选择方法。
高光谱影像特征选择与提取
高光谱影像特征选择与提取高光谱遥感影像是指通过遥感技术获取的光谱波段范围较宽的遥感影像，相比于普通遥感影像，具有更多的光谱信息。
高光谱影像的特征选择与提取是指从大量的光谱波段中选择出最能表达影像特征的波段，并对这些波段进行特征提取，以达到降维、去冗余和突出关键信息的目的。
本文将介绍高光谱影像特征选择与提取的方法和应用。
高光谱影像特征选择主要有两个目标：一是减少维度，将原始光谱数据降维为较低维度的特征向量，以方便后续处理；二是挖掘出与分类或回归任务相关的关键特征波段，以提高分类或回归的准确性。
常用的特征选择方法包括相关系数法、信息增益法、主成分分析法等。
相关系数法通过计算每个波段与所研究对象的相关程度，选择与目标变量相关性较强的波段作为特征波段。
信息增益法则根据每个波段对目标变量的贡献度选择特征波段，贡献度高的波段被认为是最有价值的特征波段。
主成分分析法则通过对原始光谱数据进行线性变换，将原始变量转换成一组互不相关的主成分，从而实现降维的目的。
在特征选择的基础上，还需要进行特征提取，以提取出更具有鉴别能力的特征。
常用的特征提取方法包括谱角法、植被指数法、特征空间法等。
谱角法是基于波段直接组合获取鉴别能力强的特征，通过计算不同波段之间的角度，来提取出能够鉴别不同地物的特征。
植被指数法是基于植被光谱反射率特点的一种特征提取方法，通过计算植被指数，如归一化植被指数（NDVI）、差值植被指数（DVI）等，来提取出与植被相关的特征。
特征空间法是基于光谱波段组合的一种特征提取方法，通过对多个波段进行线性或非线性组合，生成新的特征空间，从而提取出不同地物的特征。
除了上述方法，还可以通过机器学习算法，如支持向量机、决策树等，来进行特征选择与提取。
这些算法能够在训练模型的过程中自动选择最具有鉴别能力的特征，并对其进行提取。
高光谱影像特征选择与提取在农业、环境监测、地质勘探等领域有着广泛的应用。
例如，在农业领域，可以通过对农作物的高光谱影像进行特征选择与提取，来实现病虫害的自动检测与预警；在环境监测领域，可以通过高光谱影像进行景观类型分类与变化监测；在地质勘探领域，可以通过高光谱影像提取地质矿产信息，实现资源勘探与开发。
光谱特征选择方法
特征是对象所表现出来的各种属性与特点。
在遥感图像分析中特征提取可以从两个意义上来实施：一种是按照一定的准则直接从原始空间中选出一个子集（即子空间），实践中的波段选择即属于此类；另一类是在原始特征空间和新特征空间之间找到某种映射关系P，P：x→y，将原始特征空间x=｛x1，x2…，xn｝映射到维数降低了的特征空间y中去，y=｛y1，y2…，ym｝，m＜n。
对于用于分类目的的特征提取，好的特征提取方法能使同类物质样本的分布具有密集性，而不同类物质的样本在特征空间中能够隔离分布，为进一步分类打下良好基础。
因为高光谱数据具有波段多、波段间相关性高及数据冗余度高等特点，所以对高光谱遥感数据的特征提取具有特殊意义。
遥感图像特征提取包含的内容非常广泛，提取方法也很多，光谱维特征提取和空间维特征提取是表现图像特征提取的两种主要方法。
这里主要介绍适用高光谱数据的一些光谱维特征提取方法，主要涉及主成分分析法，典范变量分析法及改进的CA方法。
主成分分析是一种把原来多个指标化为少数几个相互独立的综合指标的一种分析技术。
对波段间高度相关的数据非常有效（Cloutis，1996）。
PCA技术已被用在不同的地质遥感项目，包括宽波段和高光谱数据（Lee等，1990；Resmini 等，1997，Fujimura ＆Kiyasu，1994）。
由于高光谱数据波段间的相关性、高冗余度，直接利用所有的原始波段作分类或特征提取显得很不经济。
因此先对原始数据作PCA变换，然后对少数几个综合指标（成分）分析将会收到事半功倍的效果。
在高光谱数据分析中，PCA技术可将总体大部分方差集中在前面少数几个主成分中。
于是，人们利用这少数几个主成分做一些地质分析，如利用前3个主成分的假彩色合成图判读地质矿物信息，进而成图。
但在主成分合成图上的彩色在不同的图像上是变化的，并不代表一定的地质矿物成分，除非有相似的地质露头和覆盖，更困难的是，我们不能根据岩石、土壤和矿物等反射光谱作指示来判读主成分合成图上的彩色。
高光谱图像的特征提取与特征选择研究
高光谱图像的特征提取与特征选择研究∗杨仁欣,杨燕,原晶晶【摘要】特征提取和特征选择是模式识别的关键问题之一,它影响到分类器的设计及其性能.高光谱图像数据是超高维多特征数据集,如何实现高维特征空间的特征压缩和特征提取是一个重要课题.基于高光谱图像谱图合一、数据维度高的数据结构特点,该文从光谱和图像两个层面分别综述了主成分分析、最小噪声分离、独立成分分析等光谱特征提取方法以及基于颜色、纹理、形状等图像特征提取方法.还详细介绍了核主成分分析和投影寻踪方法这两种高光谱特征提取新方法,并给出了以上方法的应用实例.特征提取和特征选择的研究将为后续的高光谱图像分类奠定良好的基础.【期刊名称】广西师范学院学报（自然科学版）【年(卷),期】2015(000)002【总页数】5【关键词】高光谱图像;特征提取;特征选择;主成分分析;最小噪声分离;独立成分分析;核主成分分析;投影寻踪0 引言特征提取和特征选择在模式识别中扮演着一个重要角色.特征提取过程的实质是通过映射或变换的方法,将高维空间中的特征描述用低维空间的特征来描述.特征选择是从众多特征中找出那些最有效的特征来实现降维.基于高光谱图像图谱合一,数据结构高维的特点,本文从光谱和图像两个层面综述了典型的高光谱图像的特征提取和特征选择方法,并给出相应的应用实例.1 高光谱特征提取和特征选择的研究高光谱特征提取是指对原始的光谱空间特征进行重新组合和优化,提取出最适合当前应用需求的新特征.高光谱特征提取如图1[1]所示,通常使用线性或非线性方程,将原始的高维特征空间投影到低维的优化后的新特征空间,提取的特征应同时满足类别可分性准则.高光谱特征选择则是对原始特征空间的子集挑选,选出那些最具有可分性的光谱波段.高光谱特征选择如图2所示.常用的高光谱特征提取和特征选择方法有主成分分析、最小噪声分离、独立成分分析法等.1.1 主成分分析主成分分析是一种统计分析方法.所谓主成分,其实也就是原变量的线性组合.即假设有p个指标,我们把这p个指标看做p个随机变量,记为X1,X2,…,Xp,主成分分析实质就是要讨论这p个指标的线性组合问题:主成分分析法的缺点:(1)在主成分分析中,通常使所提取的前几个主成分的累计贡献率能够达到一个较高的值,其次对这些被提取的主成分必须都能够给出一个合理的解释,否则所谓的主成分将毫无意义.(2)主成分的含义不是很清晰,不像原始变量的含义那么明确.赵丽红[2]等把其改进算法二维对称主成分分析应用到人脸识别中,取得了很好的识别性能.杨秀坤等提出了主成分分析－二阶导数光谱成像方法,并通过兔子动脉红外显微图像中胆固醇分布的成像实验,验证该方法的可行性和有效性.实验结果表明,该方法可以提高光谱分辨率[3].1.2 最小噪声分离Green(1988)在主成分分析方法的基础上,又发展了最小噪声分离.采用最小噪声分离变换使变换后各成分按照信噪比而不是方差从大到小排序.以下是其基本流程:魏新华[4]等人采用高光谱技术和最小噪声分离分析方法对含有异性纤维的籽棉图像进行研究,试验结果表明,该方法的识别率达到91.0%,该研究可为棉花异性纤维检测系统的开发提供参考.肖雄斌[5]等人提出的一种基于最小噪声分离变换的高光谱图像异常检测方法,提高了异常检测率.林娜[6]等人提出的核最小噪声分离变换高光谱影像的非线性特征提取方法,可获得优于最小噪声分离特征提取的端元提取效果.1.3 独立成分分析独立成分分析是一种利用统计原理进行计算的方法,主要用于高光谱数据特征提取.于绍慧[7]等人利用独立成分分析对微分谱进行解析更有利于多组分混合三维荧光光谱所含成分的识别.白璘[8]等人提出的一种独立成分分析和小波变换相结合的高光谱图像有损压缩方法,可以很好地保留高光谱图像的光谱特性.何元磊[9]等人提出的一种基于独立成分分析的异常探测算法,取得了良好的检测性能,且运算复杂度较低.2 图像特征提取和特征选择的研究由于高光谱图像数据信息谱图合一的特点,基于图像的特征提取可以提取样本的空间分布特征信息,该特征也可用于反映样本信息.常用的图像特征提取和特征选择方法所涉及的特征有颜色特征、纹理特征、形状特征.2.1 颜色特征颜色特征反映了图像的整体特征,通常采用颜色的一阶矩(Mean)、二阶矩(Variance)和三阶矩(Skewness)来表达图像的颜色特征.设P(j,i)为图像的第j个像素的第i个颜色分量值,则一阶矩为它表示待测区域的颜色均值.二阶距为它表示待测区域的颜色方差,即不均匀性.三阶距为三阶矩反映颜色的不对称性.如果图像颜色完全对称,其值应为零.徐贵力等提出用百分率直方图法提取缺素叶片图像颜色特征,此方法提取的颜色特征能理想地识别缺素番茄叶片[10].金伟提出的一种新的颜色特征提取方法,即像素不连通区域面积直方图法,对图像旋转、缩放等具有较好的鲁棒性[11].郑小东等根据植物生长智能监控的需求,设计了叶颜色特征提取方法,为后续决策处理提供了数据支持[12].2.2 纹理特征图像的纹理特征是由图像上地物重复排列造成的灰度值有规则的分布,它不同于灰度和颜色等图像特征.图像的纹理特征反映了图像固有的属性,能够体现图像的重要信息,比如图像的粗糙程度、细致程度和均匀程度等.常见的纹理特征提取方法有统计法、结构法和模型法.孙磊等针对全色图像云检测与雪检测的问题,提出了一种基于多种纹理特征的特征提取方法,实验结果验证了其算法的有效性[13].白丽等提出的基于皮肤纹理特征的高分辨人脸图像识别算法,可以提高人脸识别的性能[14].章勇勤等分别从时域和频域的角度提出的纹理特征检测算子,有效地提高了图像的信噪比[15].2.3 形状特征形状特征描述的是图像的一种局部特征,是其在局部区域的几何性质.毋媛媛等将不变矩理论引入作物病害图像形状特征提取中,通过运用主成分分析和统计分析方法,得到适合两种作物病害识别的形状特征,并将其应用到作物病害智能识别系统中[16].董红霞等提出了一种基于形状与纹理特征的分类算法,在灰度图像上提取了纹理特征,实验表明,相比于已有算法,新算法能够达到更好的分类率[17].邵庆以小麦条锈病为例,对小麦病害部位的图像进行特征提取,为农作物病害诊断信息特征数据库的建立提供了基础数据[18].3 高光谱特征提取新进展3.1 核主成分分析核主成分分析的基本思想是将核方法应用到主成分分析中,首先通过变换h实现了输入空间X到特征空间F的映射,定义核函数K(xi,xj)＝〈h(xi),h(xj)〉,则特征空间中两向量的内积可用输入空间中的两向量的核函数表示.此时输入空间的样本点x1,x2,…,xl变换为特征空间的样本点h(x1),h(x2),…,h(xl),然后在特征空间中使用主成分分析,即求解特征值问题:λiui＝¯Cui,i＝1,2,…,l,其中为样本空间中的协方差矩阵,λi是¯C的一个非零特征值,ui为λi所对应的特征向量.核主成分分析是对传统的主成分分析算法的非线性拓展.目前,常用的核函数主要有三类:多项式核函数:K(x,y)＝(a(x·y)＋b)d,d＞0且a,b∈R,Sigmoid核函数:K(x,y)＝tanh(a(x·y)－b),a,b∈R,高斯径向基核函数:其中,高斯径向基核函数用得更广泛一些.白杨等提出了一种改进的核二维主成分分析(K2DPCA)高光谱图像降维方法,该方法能够有效提高图像压缩比,实现遥感图像在空间维上的双向降维[19].赵丽红等把核主成分分析应用到人脸识别中,通过选择合适的核函数在高维空间提取人脸图像的主成分,结果表明,核主成分分析与传统主成分分析相比,可以得到更好的适合分类的特征[20].3.2 投影寻踪方法逐次投影寻踪方法,通过对高光谱数据的多次一维投影,逐步筛选出有效成分,构建起新的低维正交空间.在逐次投影寻踪过程中,关键是要使选出的投影方向与当前已产生的方向是正交的.其实现步骤为:(1)数据无量纲化.先归一化,再标准化.夏鲁瑞等提出了一种基于投影寻踪的高光谱目标识别算法,并通过实际高光谱数据对算法进行验证,结果表明该算法能够有效提高信噪比[21].吴超[22]等针对高光谱图像的非监督目标检测问题,提出的一种基于混沌粒子群优化投影寻踪的检测方法取得了较好的检测效果.王维等提出的基于投影寻踪的高光谱图像异常检测并行算法具有良好的并行性能[23].4 总结与展望本文针对高光谱图像数据量大,波段多,冗余度大等特点,从光谱和图像两个层面分别论述了高光谱图像的特征提取与特征选择的若干种方法.重点给出了核主成分分析方法和投影寻踪方法及其一些应用实例.虽然至今已有很多高光谱图像特征提取和特征选择的方法,但各种方法都存在局限性,因此对于较复杂的高光谱图像,需要多种方法相互融合,灵活发挥各种方法的优点,以期达到理想的结果.由于高光谱图像的广泛使用,能够实现高光谱数据降维的特征提取和特征选择方法会成为今后研究的方向.虽然现有的理论和方法对复杂的高光谱图像特征提取和特征选择效果离理想的效果还有一定距离.但随着高光谱图像技术的发展,高光谱图像特征提取和特征选择方法一定会得到更广泛的应用.参考文献：[1] 杨燕.基于高光谱成像技术的水稻稻瘟病诊断关键技术研究[D].杭州:浙江大[2] 赵丽红,张西礼,徐心和.基于二维对称主成分分析的人脸识别[J].仪器仪表学报,2008,29(6).[3] 杨秀坤,钟明亮,景晓军,等.基于主成分分析-二阶导数光谱成像的红外显微图像分析[J].光学学报,2012,32(7).[4] WEI Xinhua,WU Shu,XU Laiqi,et al.Identification of foreign fibers of seed cotton using hyper-spectral images based on minimum noise fraction[J].Transactions of the Chinese Society of Agricultural Engineering,2014,30(9).[5] 肖雄斌,厉小润,赵辽英.基于最小噪声分离变换的高光谱异常检测方法研究[J].计算机应用与软件,2012,29(4).[6] 林娜,杨武年,王斌.高光谱遥感影像核最小噪声分离变换特征提取[J].武汉大学学报,2013,38(8).[7] 于绍慧,张玉钧,赵南京,等.微分谱结合独立成分分析对三维荧光重叠光谱的解析[J].光谱学与光谱分析,2013,33(1).[8] 白璘,高涛.基于独立成分分析的高光谱图像有损压缩方法[J].计算机工程,2013,39(3).[9] 何元磊,刘代志,易世华,等.基于独立成分分析的高光谱图像异常检测[J].光学技术,2011,37(2).[10]徐贵力,毛罕平,李萍萍.缺素叶片彩色图像颜色特征提取的研究[J].农业工程学报,2002,18(4).[11]金伟.基于融合颜色特征与形状特征的图像检索[D].西安:西安电子科技大[12]郑小东,王晓洁,李玲玲.面向植物生长智能监控的叶颜色特征提取[J].中国农学通报,2010,26(19):401-407.[13]孙磊,曹晓光.基于多种纹理特征的全色图像云雪区特征提取[J].电子设计工程,2014,22(2).[14]白丽,方驰,丁晓青.基于皮肤纹理特征的高分辨率人脸图像识别[J].计算机工程,2012,38(2).[15]章勇勤,艾勇,吴敏渊,等.基于纹理特征的图像恢复[J].武汉大学学报:信息科学版,2010,35(1).[16]毋媛媛,刁智华,王会丹,等.作物病害图像形状特征提取研究[J].农机化研究,2015(1).[17]董红霞,郭斯羽.一种结合形状与纹理特征的植物叶片分类方法[J].计算机工程与应用,2014,50(23).[18]邵庆,张楠,路阳.小麦病害图像识别处理及形状特征提取研究[J].农机化研究,2013(8).[19]白杨,赵银娣,韩天庆.一种改进的K2DPCA高光谱遥感图像降维方法[J].测绘科学,2014,39(7).[20]赵丽红,孙宇舸,蔡玉,等.基于核主成分分析的人脸识别[J].东北大学学报,2006,27(8).[21]夏鲁瑞,赵继广,孙洁,等.基于投影寻踪的高光谱典型目标识别算法[J].光学与光电技术,2013,11(3).[22]吴超,吴一全.基于混沌粒子群优化投影寻踪的高光谱图像目标检测[J].光学学报,2011,31(12).[23]王维,赵慧洁,董超.基于投影寻踪的高光谱图像异常检测并行算法[J].北京航空航天大学学报,2009,35(3).[责任编辑:班秀和]∗基金项目：广西教育厅项目(201203YB103)。
08高光谱特征选择
08高光谱特征选择高光谱特征选择是指根据光谱数据中的特征，将其中的关键特征挑选出来。
由于高光谱数据中有上千个波段，而每个波段具有很高的相关性，因此需要选择出最具代表性的特征，以降低数据维度和提高特征的可解释性。
下面将介绍几种经典的高光谱特征选择方法。
首先，基于统计方法的特征选择是最常见的方法之一、该方法通过计算各个特征与目标变量之间的关联度，来选择最具相关性的特征。
其中常见的方法包括皮尔逊相关系数、互信息和卡方检验等。
皮尔逊相关系数衡量了变量之间的线性相关性，互信息用于衡量变量之间的非线性相关性，而卡方检验则用于衡量分类变量之间的相关性。
其次，基于模型的特征选择是一种更加复杂的方法。
该方法通过建立预测模型，利用模型的反馈选择出最具有预测能力的特征。
常见的方法包括决策树、随机森林和支持向量机等。
决策树是一种简单而有效的分类工具，它可以通过计算各个特征的信息增益或基尼系数来选择最佳特征。
随机森林是一种基于决策树的集成学习方法，它可以通过计算各个特征的重要性指标来选择关键特征。
支持向量机是一种经典的机器学习方法，它利用核函数将数据映射到高维空间，并通过最大化间隔来选择最佳特征。
另外，基于降维的特征选择方法也是常见的方法之一、该方法通过降低数据的维度，将高维数据转化为低维数据，并选择其中具有代表性的特征。
常见的降维方法包括主成分分析和线性判别分析等。
主成分分析通过计算数据的协方差矩阵，得到最具代表性的主成分，从而实现降维和特征选择。
线性判别分析是一种有监督的降维方法，它通过计算数据的类别内散度矩阵和类别间散度矩阵，选择最佳的投影矩阵来实现特征选择。
最后，基于深度学习的特征选择方法是近年来兴起的一种方法。
该方法利用深度神经网络对高光谱数据进行训练，学习到最具代表性的特征。
常见的方法包括卷积神经网络和自编码器等。
卷积神经网络通过卷积和池化操作，提取图像中的空间特征，并结合全连接层进行特征选择。
自编码器则通过训练一个自动编码器来学习到数据的低维表示，从而实现特征选择。
第五章-特征选择与特征提取
1
当光谱维数增加的时候，特征组合形式成指数倍 增加，如何优化光谱特征空间，进行光谱选择非 常重要。
2
5.1 光谱特征的选择
这里定义j=i+1，即：比较相邻两个波段之间的 相关性，可以用下面的表来显示
Rij
2 ij
ii 方 图 形 式 来 统 计 相 关 性
39
40
41
42
5.2 光谱特征的提取
光谱特征的提取是光谱特征空间降维的过程。 现有的降维方法可以分两类：一类是基于非变
11
必须指出的是以上的算法均假设各个特征之 间相互独立，没有考虑特征之间的相关性。 实际上，各个特征之间是存在相关性的，首 先应该剔除一些可分性小，与其他特征相关 性大的特征，选择最优，可分性最大的特征 组。
12
光谱特征选择的策略按照以上选择的方法 来划分类别，我们从以下三个方面的内容 来具体介绍： 一、光谱距离统计 二、光谱特征位置搜索 三、光谱相关性分析
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。
34
（a）第10 波段的图像
(b)第65波段的图像
（C）第126 波段的图像
35
图像在128个波段的标准差。可以看出，波段65-96这些波段的标准差 较小（几乎都小于50），所以这些波段子集包含的信息量就少。而波 段27-30，35-39，113-114，116-118的标准差较大（基本都大于 400），这些波段包含的信息量就较多。
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。
高光谱影像特征选择与提取
其中：Si为第i个波段的标准差； 和 是第i 波段与其前后两波段的相关系数或i波段与任意两个 波段的相关系数；是第i幅图像指数的大小。
由于基于全局的波段选择算法，选择的波段往往是 联虚地集中在某一个连续子空间中。而连续子空间 往往相似性大，这就造成信息重复使用，影响后续 的处理效果。
（A1为吸收峰左半端的面积，A为吸收峰的整体面
积）。
利用这些参数可以对地物进行识别和分类，如对同 类地物光谱曲线特征求交得到识别地物的有效特征； 对不同类地物光谱曲线特征求交得到区分不同类地 物的有效特征，从而达到快速识别和实现地物分类 的目的。
不同地物光谱曲线，其吸收波峰波谷形状、位置、
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。
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。
像元大小 30m 图像大小 256x6460 数据产品有Level0（原始数据）
和Level1两种 L1数据产品已经进行了辐射校正
回归偏度的表示
回归 偏度 分析
高光谱特征选择与特征提取研究 苏红军，杜培军 高光谱遥感数据解译的最佳波段选择方法研究 刘建平，赵英时 高光谱遥感数据最佳波段选择方法试验研究 刘建平，赵英时，孙淑玲 高光谱遥感图像特征选择和提取方法的比较_基于试验区Barrax的HyMap数
“均值间的标准距离”d被定义为：
式中，u1、u2分别为两类对应的样本区域的光谱 均值； 分别为两类对于的样本区域的方差。d 反映两类在每一波段内地可分性大小。d越大，可 分性越大。此法是一维特征空间中两类别间可分性 的一种度量，它不适合进行多变量的研究。对于多 维特征空间、多变量的可分性研究，可用离散度、 B距离等方法。
08高光谱特征选择
武汉大学 龚龑
《高光谱遥感》
四、高光谱特征选择方法实例
4.1自动子空间划分法 • 操作实践过程
为了更清晰地分析波段间的相互关系, 把第 1 波段与各个波段间相关系数及近邻波段相关系 数曲线绘出, 如图所示, 其中曲线①为第1 波段 与各个波段间相关系数曲线, 曲线②为近邻波段 相关系数曲线。
31
13
武汉大学 龚龑
• 波段子集初始状态包含 所有特征 • 一次淘汰一个波段(该波 段在当前被选中波段中最能 降低可分性)
《高光谱遥感》
二、基于可分性准则的波段选择
2.2特征选择搜索方法类型 2.启发式搜索 前向选择与后向选择能否一定得到最 具可分性的波段子集？
14
武汉大学 龚龑
《高光谱遥感》
二、基于可分性准则的波段选择
4.1自动子空间划分法 • 联合熵 • 联合熵波段选择的结果, 使波段容易聚 集在某一连续的波段间; • 由于高光谱遥感数据的波段信息之间的 强相关性, 使得多种波段组合方式具有相同 的联合熵。
原因：波段间灰度接近，变化连续
27
武汉大学 龚龑
《高光谱遥感》
四、高光谱特征选择方法实例
4.1自动子空间划分法 • 联合熵 解决上述问题的思路就是将全部波段划分 为若干个子空间, 然后再进行波段选择。 将波段划分为若干子空间的方法很多, 最 常见的是将波段按电磁波波长范围划分为若 干子空间。
武汉大学 龚龑
《高光谱遥感》
四、高光谱特征选择方法实例
4.1自动子空间划分法 • 操作实践过程 C.子空间划分 根据相关系数灰度图的分块特征, 将所有波 段分成四个子空间: 经过划分得到的不 同子空间具有不同的维 第Ⅰ空间: 1~12, 数,在每个子空间内的 第Ⅱ空间: 13~22, 图像数据具有相近的光 第Ⅲ空间: 23~56, 第Ⅳ空间: 57~64。 谱特性。
高光谱数据特征选择与特征提取研究
收稿日期:2005-10-11;修订日期:2006-05-22基金项目:国家自然科学基金(40401038),地理空间信息工程国家测绘局重点室开放基金和中国矿业大学科学基金(D200403)联合资助。
作者简介:苏红军(1985-),男,硕士研究生,研究方向为高光谱遥感信息处理、虚拟地理环境等。
高光谱数据特征选择与特征提取研究苏红军1,2,杜培军1(1.中国矿业大学地理信息与遥感科学系,江苏徐州 221008;2.南京师范大学虚拟地理环境教育部重点实验室,江苏南京 210097)摘要:高光谱遥感数据的最主要特点是:传统图像维与光谱维信息融合为一体,即“图谱合一”。
针对高光谱数据波段多、数据量大、冗余度大等特点,论述了特征选择和特征提取的若干算法,分析了各自的优缺点。
重点研究了导数光谱算法,并针对二值编码的不足研究了其改进算法——四值编码算法。
最后用编码技术和导数光谱技术提取了地物的光谱特征参数;试验表明:四值编码算法比二值编码算法效果更佳;光谱导数阶数越高,对地物特征的表达越有效。
关 键 词:高光谱;光谱特征;特征选择与特征提取;地物识别中图分类号:TP 751 文献标识码:A 文章编号:1004-0323(2006)04-0288-061 引 言高光谱遥感技术是20世纪80年代以来在对地观测方面取得的重大技术突破之一。
高光谱遥感的发展,满足了人们对高光谱数据的需求,客观上要求相应的数据处理算法。
然而,现有的大部分遥感数据处理算法都是针对宽波段遥感的,只能对低维数据进行处理〔1〕。
本文针对高光谱数据的特点,研究了地物光谱特征选择和特征提取的算法,并提取了高光谱数据的光谱特征。
进行了相关试验研究,为进一步的高光谱数据处理研究提供支撑。
2 特征选择与特征提取的研究现状高光谱遥感图像包含了丰富的空间、辐射和光谱三重信息,因而在相关领域具有巨大的应用价值和广阔的发展空间。
高光谱数据的特点如下〔2～4〕。
图谱合一。
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
光谱特征选择范文
光谱特征选择范文
一、介绍
光谱特征选择（Spectral Feature Selection）是光谱信息处理与应用中重要的一个分支，它旨在将光谱数据中的关键信息和包含重要特征的光谱波段进行提取，以最大程度地提高光谱信息的准确性和有效性，减少数据量。
光谱特征选择涉及多个步骤，包括：信号预处理、特征提取、特征选择、特征融合和模型优化。
首先，对光谱数据进行预处理，去除噪声和其他干扰信号，为下一步特征提取打下基础。
然后，进行特征提取，提取具有区分性能的特征，如光谱峰位、光谱峰宽、光谱峰形等。
接下来，进行特征选择，将提取到的特征进行筛选，只保留有效的特征，这一步是特征优化的关键步骤。
然后，进行特征融合，将更多有效的特征综合考虑进行融合，达到更好的区分性能。
最后，对模型进行优化，以最大程度地提高分类性能。
二、应用
例如，在可见光和近红外光谱分析中，通常需要对近红外光谱数据进行特征选择，以便对样品进行快速准确地分类。
高光谱特征选择成像python
高光谱特征选择成像python
高光谱特征选择成像是一种重要的遥感成像技术，它可以通过获取大量的光谱信息来提高遥感图像的分类精度和特征提取能力。
在实际应用中，如何选择有效的光谱特征成为了一项关键工作。
Python
语言具有丰富的科学计算库和数据处理工具，可以帮助我们实现高光谱特征选择成像。
在Python中，我们可以使用numpy和pandas等库来读取和处理高光谱数据，使用matplotlib等库可视化数据。
特征选择方面，我们可以使用sklearn库中的特征选择算法，如卡方检验、互信息、方差分析等，来选择最具代表性的特征。
同时，我们也可以使用神经网络等机器学习模型来实现高光谱图像分类和特征提取。
总之，Python语言在高光谱特征选择成像方面具有强大的工具和库支持，能够帮助我们更加高效地处理和分析数据，提高遥感图像的分类和特征提取能力，为科学研究和实际应用提供了有力的支持。
- 1 -。
- 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
武汉大学 龚龑
《高光谱遥感》
二、基于可分性准则的波段选择
2.2特征选择搜索方法类型
• 穷举搜索法 • 启发式搜索 • 随机搜索法
8
武汉大学 龚龑
《高光谱遥感》
二、基于可分性准则的波段选择
2.2特征选择搜索方法类型 1.穷举搜索法 通过穷举搜索，评价各个可能的特征子集的 性能指标，找到其中最优的子集。
2.2特征选择搜索方法类型 2.启发式搜索 • 前向选择 波段子集 评价因子 （可分性判据） 待选波段集合
12
武汉大学 龚龑
• 波段子集初始状态为空 • 一次入选一个波段(该波 段在当前剩余特征中最能提 高可分性)
《高光谱遥感》
二、基于可分性准则的波段选择
2.2特征选择搜索方法类型 2.启发式搜索 • 后向选择 波段子集 评价因子 （可分性判据） 被排除的波段集
《高光谱遥感》
小结
特征选择概念 特征选择搜索方法
• 穷举搜索法 • 启发式搜索 (前向搜素和后向搜索) • 随机搜索法
使用可分性准则
21
武汉大学 龚龑
第四章 第2节 高光谱特征选择
《高光谱遥感》
一、高光谱特征选择概述 二、基于可分性准则的波段选择 三、基于光谱特征位置的波段选择 四、高光谱波段选择方法实例
二、基于可分性准则的波段选择
2.2特征选择搜索方法类型 3.随机搜索法
先 选 择 出 波 段 子 集 ， 再 形 成 分 类 标 准
包装袋类型 所有特征
形 成 分 类 标 准 的 同 时 选 择 出 波 段 子 集
19
滤波器类型 所有特征 特征选择 产生特征子集
特征学习 特征评估
学习算法
分类与性能评价
2.2特征选择搜索方法类型 2.启发式搜索
前向选择与后向选择均能保证当前被选择波段子 集在每一阶段最优，但面对那些复杂的、相互影响的 波段，却不能保证所挑选的波段子集是全局最佳。
可分性判据
波段子集2 波段子集1
1
武汉大学 龚龑
2
3
4
所选波段数目 15
《高光谱遥感》
二、基于可分性准则的波段选择
2.2特征选择搜索方法类型 3.随机搜索法 随机搜索法采用随机的或概率性的步骤或采 样过程。 例如： • 基于种群的启发式搜索技术（遗传算法） • 规则推理系统
13
武汉大学 龚龑
• 波段子集初始状态包含 所有特征 • 一次淘汰一个波段(该波 段在当前被选中波段中最能 降低可分性)
《高光谱遥感》
二、基于可分性准则的波段选择
2.2特征选择搜索方法类型 2.启发式搜索 前向选择与后向选择能否一定得到最 具可分性的波段子集？
14
武汉大学 龚龑
《高光谱遥感》
二、基于可分性准则的波段选择
10
武汉大学 龚龑
《高光谱遥感》
二、基于可分性准则的波段选择
2.2特征选择搜索方法类型 2.启发式搜索 鉴于穷举法的低效率问题，研究人员提出了启 发式搜索。 • 前向选择（Forward Selection） • 后向选择（Backward Selection）
11
武汉大学 龚龑
《高光谱遥感》
二、基于可分性准则的波段选择
一、高光谱特征选择概述
1.1特征选择概念 通过对数据的评价，从若干个特征（波段） 中挑选出用于高光谱遥感影像分析（分类）的有 限个特征（波段）。
3
武汉大学 龚龑
《高光谱遥感》
一、高光谱特征选择概述
1.2特征选择类型 • 目视法 通过目视判读衡量影像质量 • 数值法 通过定量评估衡量影像质量
基于可分性准则的波段选择 基于统计计算，从分类角度出发 基于光谱特征位置搜索的波段选择 基于特定地物，从波谱空间出发
若有n个波段，所有可能的波段子集数目为
1 2 i n Cn Cn ... Cn ... Cn 2n 1
9
武汉大学 龚龑
《高光谱遥感》
二、基于可分性准则的波段选择
2.2特征选择搜索方法类型 1.穷举搜索法 特点 • 方法直接，不会漏掉任一种可能子集。 • 运算量巨大，随波段数增多凸显效率问题。
6
武汉大学 龚龑
《高光谱遥感》
二、基于可分性准则的波段选择
2.1主要思想
设 ( S )为评价特征子集S对于感兴趣条件的性 能指标。特征选择问题归结为在特征空间中搜索最 优或次优子集使得 ( S )具有最佳性能。
1.选出波段子集后 • • 可分性判据 类别样本 2.波段子集的产生方式 由搜索策略决定
16
武汉大学 龚龑
《高光谱遥感》
二、基于可分性准则的波段选择
2.2特征选择搜索方法类型 3.随机搜索法 • 分类器的学习算法 分类器在进行分类之前，需要利用一定的样 本信息进行样本训练，使其形成分类判断标准， 特征1 数值 这一过程也称分类器的学习。
类别属性 特征1 数值 特征2 数值 …… 特征n 数值 特征2 数值 …… 特征n 数值
样本1
样本2 ……
分类器
形成分类标准
类别属性
样本k
17
武汉大学 龚龑
《高光谱遥感》
二、基于可分性准则的波段选择
2.2特征选择搜索方法类型 3.随机搜索法
• 滤波器类型和包装袋类型
根据特征选择算法是否独立于分类器 的学习算法，可将其分为两种：滤波器类 型和包装袋类型。
18
武汉大学 龚龑
《高光谱遥感》
《高光谱遥感》
《高光谱遥感》第四章 高光谱数据处理
第2节 高光谱特征选择
武汉大学遥感信息工程学院 龚 龑
1
武汉大学 龚龑
第四章 第2节 高光谱特征选择
《高光谱遥感》
一、高光谱特征选择概述 二、基于可分性准则的波段选择 三、基于光谱特征位置的波段选择 四、高光谱波段选择方法实例
2
武汉大学 龚龑
《高光谱遥感》
4
武汉大学 龚龑
第四章 第2节 高光谱特征选择
《高光谱遥感》
一、高光谱特征选择概述 二、基于可分性准则的波段选择 三、基于光谱特征位置的波段选择 四、高光谱波段选择方法实例
5
武汉大学 龚龑
《高光谱遥感》
二、基于可分性准则的波段选择
2.1主要思想
从所有波段中选择一个波段子集，由该子 集构成特征空间，在该特征空间中，各类别的 光谱可分性在某一判据下达到最优。
学习算法
分类与性能评价
武汉大学 龚龑
《高光谱遥感》
二、基于可分性准则的波段选择
2.3使用可分性准则的策略 选择多类别可分性特征时，一般有两个策略： • 选择各类平均可分性最大的特征
•
选择对最难区分的类别具有最大可分性的特征
难以照顾到分布比较集中的类
可能会漏掉对各模式具有最大可分 性的特征 20
武汉大学 龚龑