高光谱影像特征选择与提取 PPT课件
第5章-图像特征提取与分析幻灯片课件
像 特
矩来描述颜色的分布。
征 颜色矩通常直接在RGB空间计算。
提 取
颜色分布的前三阶矩表示为：
与 分 析
i
1 N
N
Pij
j 1
i
(1 N
N
(Pij i)2)12
j1
si
( 1 N
N
(Pij
j1
i)3)13
第
4 章
4.2.3
颜色矩
图 特点
像
特 图像的颜色矩有九个分量（3个颜色分量，每个分
征 提
V
H
析 其中两个delta值分别是通过图像卷积下列两个操作
符所得到的水平和垂直方向上的变化量定义的：
1 0 1
111
1 0 1
000
1 0 1
1 1 1
第
4 4.3.2 Tamura 纹理特征
提 取
选取的特征应具有如下特点：
与
可区别性
分 析
可靠性
独立性好
数量少
第
4 章
4.1.1
基本概念
图 特征选择和提取的基本任务
像 特 如何从众多特征中找出最有效的特征。
征 提
图像特征提取的方法
取 与
低层次：形状、纹理、颜色、轮廓等图像某一方面
分 的特征。
析 中层次：
高层次：在图像中层次特征基础上的再一次抽象，
征 提
从广义上讲，图像的特征包括基于文本的特征
取 （如关键字、注释等）和视觉特征（如色彩、纹理、
与 分
形状、对象表面等）两类。
析
视觉特征分类：颜色(color)、形状(shape)、
纹理(texture)等
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)。
图像特征提取及分析PPT课件
5
基本概念
特征形成
根据待识别的图像，通过计算产生一组原始特征，称之为特征形成。
特征提取
原始特征的数量很大，或者说原始样本处于一个高维空间中，通过映射或变 换的方法可以将高维空间中的特征描述用低维空间的特征来描述，这个过程 就叫特征提取 。
特征选择
从一组特征中挑选出一些最有效的特征以达到降低特征空间维数的目的，这 个过程就叫特征选择。
如果仅计算其在坐标系方向上的外接矩形是很简单的，只需计 算物体边界点的最大和最小坐标值，就可得到物体的水平和垂 直跨度。
但通常需要计算反映物体形状特征的主轴方向上的长度和与之 垂直方向上的宽度，这样的外接矩形是物体最小的外接矩形 （MER-Minimum Enclosing Rectangle）。
✓ 一幅图像或一个区域中的连接成分数C和孔数H不 会受图像的伸长、压缩、旋转、平移的影响，但如 果区域撕裂或折叠时，C和H就会发生变化。
✓ 区域的拓扑性质对区域的全局描述是很有用的，欧 拉数是区域一个较好的描述子。
2023/10/17
14
2.凹凸性--区域的基本特征之一
区域内任意两像素间的连线穿过区域外的像素，则此区域为凹形。 相反，连接图形内任意两个像素的线段，如果不通过这个图形以 外的像素，则这个图形称为是凸的。
1. 统计矩 函数的矩在概率理论中经常使用.几个从矩导出的
期望值适用于形状分析. 大小为m*n的数字图像f(i,j)的(p+q)阶矩为:
nm
mpq
i p j q f (i, j)
i1 j 1
2023/10/17
25
（1）区域重 (形)心位置
0阶矩m00是图像灰度f(i,j)的总和。 二值图像的m00则表示对象物的面积。
第10章_特征提取与选择
8
一、特征提取（3）
（2）最小噪声分离
最小噪声分离变换通过对信号与噪声的分离，所获得的分量是按
信噪比由高到低排序的，使信息更加集中在有限的特征集中，一
些微弱的信息则在去噪转化中被增强，从而使光谱特征向类特征
向量汇集，增强了分类信息。
目标：与主成分变换类似，最小噪声分离变换之后也是通常选择
独立成分分析采用基于信号高阶统计特性的分析方法，经分解出的各信
号分量之间不仅是正交的，而且信号在各分量上是相互独立的（即一个
分量对应于一种信号），对于遥感图像来说即每一分量主要反应了某一
种地物类型的信息。
目标：由于地物类型的多样性以及遥感波段数设置的有限性，所以独立
成分分析算法只能使得分离得到的每个分量图像里尽可能地集中某一种
2
背景知识（2）
特征的类型
（1）原始特征：能直接反映物体之间差异的原始属性。
（2）衍生特征：把某些或者所有原始属性通过变换生成新的特征变量
，从而增强地物之间的可分性，这种通过变换方式得到新特征变
量的过程就是特征提取。
遥感影像的特征类型
（1）原始特征：光谱信息
（2）衍生特征：全局性的光谱特征统计变量和局部性的空间特征（特征
归一化差值植被指数（ Normalized Different Vegetation Index，NDVI ）：
NDVI
bnir br
bnir br
式中，bnir为近红外波段的反射率，br为红光波段的反射率，对于Landsat
8 OLI影像来说，bnir为第5波段，br为第4波段。
12
一、特征提取（7）
地物的信息。该方法比较适合某一地类在各个波段中的信息都比较弱的
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
《高光谱检测技术》课件
根据分类和识别的需要，选择出对目 标敏感的特征，去除冗余和无关的特 征。
分类与识别技术
01
监督分类
利用已知样本的训练集进行分类 器的训练，对未知样本进行分类 。
02
03
无监督分类
目标识别
根据像素间的相似性进行聚类分 析，将未知样本划分为若干个类 别。
利用提取的特征和分类器对高光 谱图像中的目标进行识别和定位 。
高光谱检测技术的展望
技术创新与突破
随着科技的不断进步，未来高 光谱检测技术有望在硬件设备 、数据处理算法等方面取得突 破，提高检测精度和效率。
应用领域拓展
目前高光谱检测技术主要应用 于农业、环境监测等领域，未 来有望拓展至医疗、安全等领 域，为更多行业提供技术支持 。
标准化和规范化发展
未来高光谱检测技术将逐步建 立统一的标准化和规范化体系 ，提高数据可比性和可重复性 ，促进技术交流和应用。
数据处理难度
高光谱数据具有高维度、高噪声、高冗余等特点，导致数据处理难度 较大，需要高效的数据处理算法和强大的计算能力。
成本高昂
高光谱检测设备成本较高，普及难度较大，目前主要应用于科研和高 端领域。
标准化和规范化不足
目前高光谱检测技术缺乏统一的标准化和规范化，不同设备间数据可 比性和可重复性有待提高。
情报收集
高光谱技术可以获取地 面目标的详细信息，如 车辆型号、建筑材料等 ，为军事行动提供情报 支持。
战场监测
高光谱技术可以对战场 环境进行实时监测，包 括空气质量、有毒气体 等指标，保障部队的安 全行动。
05
高光谱检测技术的挑战 与展望
高光谱检测技术的挑战
技术复杂性
高光谱检测技术涉及多个学科领域，如光学、光谱学、计算机科学等 ，技术复杂性较高，需要专业人员操作和维护。