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。
高光谱遥感的发展
2021/8/24
27
高光谱的应用
（1）海洋遥感方面。 由于中分辨率成像光谱仪具有光谱覆盖范围广、分辨
率高和波段多等许多优点，因此已成为海洋水色、水 温的有效探测工具。它不仅可用于海水中叶绿素浓度、 悬浮泥沙含量、某些污染物和表层水温探测，也可用 于海冰、海岸带等的探测。
2021/8/24
28
（2）植被研究方面。
在此后，许多国家先后研制了多种类型的航空成像光谱仪。如加 拿大的FLI、CASI，德国的ROSIS，澳大利亚的HyMap等。
2021/8/24
12
国外星载：
在经过航空试验和成功运行应用之后，90年代末期终于迎来了高 光谱遥感的航天发展。
全球第一个星载高光谱成像器于1997年在NASA随着Lewis卫星发射 升空，它包含了384个波段涵盖了400-2500nm波段，不幸的是这颗 卫星控制出现问题，失去了动力，升空一个月后就偏离了轨道。
2007年10月24日我国发射的“嫦娥-1”探月卫星上，成像光谱仪也作 为一种主要载荷进入月球轨道。这是我国的第一台基于富里叶变换的 航天干涉成像光谱仪，它具有光谱分辨率高的特点。
2008年发射的环境与减灾小卫星（HJ-1）星座中，也搭载一台工作在 可见光—近红外光谱区（0.45—0.95μm）、具有128个波段、光谱分辨 率优于5nm的高光谱成像仪。它将对广大陆地及海洋环境和灾害进行 不间断的业务性观测。
1999年美国地球观测计划（EOS）的Terra综合平台上的中分辨率 成像光谱仪（MODIS），欧洲环境卫星（ENVISAT）上的MERIS， 以及欧洲的CHRIS卫星相继升空，宣告了航天高光谱时代的来临。
2021/8/24
13
2021/8/24
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。
特征选择
高维的数据集中包含了大量的特征(属性)。比如一个文本数据集中，
每一个文本都可以用一个向量来表示，向量中的每一个元素就是每
一个词在该文本中出现的频率。在这种情况下，这个数据集中就存 在着成千上万的特征。这种高维的数据给数据挖掘带来了“维灾 难”(The Curse of Dimensionality)问题。
2017/10/16 数据挖掘中的特征选择 2
特征选择方法的模型
一般地，特征选择方法可以分为三种模型，分别是：过
滤模型、包裹模型和嵌入模型。
2017/10/16
数据挖掘中的特征选择
3
过滤模型
根据训练集进行特征选择，在特征选择的过程中并不涉
及任何学习算法。即特征子集在学习算法运行之前就被
单独选定。但学习算法用于测试最终特征子集的性能。
2017/10/16
数据挖掘中的特征选择
7
12.
2017/10/16
数据挖掘中的特征选择
8
L为相似度矩阵对应的拉普拉斯矩阵
2017/10/16
数据挖掘中的特征选择
9
数据挖掘中的特征选择
6
L1范数美名又约Lasso Regularization，指的是向量 中每个元素的绝对值之和，这样在优化目标函数的过程中， 就会使得w尽可能地小，在一定程度上起到了防止过拟合 的作用，同时与L2范数（Ridge Regularization ） 不同的是，L1范数会使得部分w变为0， 从而达到了特 征选择的效果。
过滤模型简单且效率很高。由于过滤模型中的特征选择 过程独立于学习算法，这就容易与后面的学习算法产生 偏差，因此为了克服这个缺点提出了包裹模型。
高光谱整理
1.遥感图像的最基本单元是像元，每个像元具有空间特征和属性特征。
空间特征：是用X值和Y值来表示；（纹理，形状，大小，方位）属性特征：常用亮度值表示。
（灰度值，亮度值）2.遥感图像特征（②，③遥感成像技术发展的方向）①时间分辨率：对同一地点进行遥感采样的时间间隔，集采样的时间频率。
也称重访周期。
②空间分辨率：像素所代表的地面范围的大小，或地面物体能分辨的最小单元；③光谱分辨率：传感器在接收目标辐射的光谱时能分辨的最小波长间隔；④辐射分辨率：指传感器接收波谱信号时，能分辨的最小辐射度差；3.高光谱遥感基本概念：①多光谱遥感（Multirspectral Remote Sensing）,光谱分辨率在波长的1/10数量级范围内(几十个至几百个nm)的遥感；②高光谱遥感（Hyperspectral Remote Sensing）,光谱分辨率在波长的1/100数量级范围内（几个nm）的遥感；③超光谱遥感（Ultraspectral Remote Sensing）,光谱分辨率在波长的1/1000数量级范围内（0.2-1nm）的遥感。
4.高光谱遥感与常规多光谱遥感的比较：①高光谱遥感：即高光谱分辨率成像光谱遥感，幅宽小，成像范围小，其细微的波段可进行地物成分的识别，风度估计（精细识别）。
②常规多光谱遥感：幅宽大，成像范围宽，可进行宏观地物影像分析，不可被高光谱遥感完全取代（宏观变化趋势）。
研究宏观的变化情况则必须用多光谱成像仪。
5.高光谱遥感发展概况：高光谱遥感的基础是光谱学(spectroscopy).①光谱学：实验室分析地物光谱特征(获得谱信息)②成像技术：把遥感传感器放置航空或航天平台(获得地物的图像信息)③成像光谱学：把实验室仪器放置航空或航天平台(获得地物的图和谱信息)注：光学遥感的发展——空间、光谱分辨率的不断提高：①全色Panchromatic：主要通过形状（空间信息）识别地物。
②彩色color photography：增加了颜色的感知，加强型的颜色感知。
第4章-3 高光谱特征提取
《高光谱遥感》
二、基于可分性准则的特征提取原理
2.3定义特征映射形式
m1
y A x
nm
T
n1
m n
降维后的特征
即,准则函数
映射矩阵 原始光谱特征 类间散布矩阵
类内散布矩阵
12
希望在m维的Y 空间里，类别可分性最好
1 J1 Tr[ S yw S yb ]
在Y 空间达到最大
BT S yb B
BT S yw B I
B是一个m m的非奇异方阵
17
武汉大学 龚龑
《高光谱遥感》
二、基于可分性准则的特征提取原理
2.4求解映射矩阵
(S S ) A A(S S yb )
分析公式：
BT S yb B BT S yw B I
1 xw xb
1 yw
代入
《高光谱遥感》
一、高光谱特征提取概念 二、基于可分性准则的特征提取原理 三、高光谱特征提取主要方法 四、高光谱特征提取新方法及实例
8
武汉大学 龚龑
《高光谱遥感》
二、基于可分性准则的特征提取原理
2.1基于可分性准则的特征提取基本思想 基本思想：以类别可分性作为特征提取的准则， 要求提取的新特征所构成的特征空间具备最佳 的类别区分能力。 有样本支持
T
13
武汉大学 龚龑
《高光谱遥感》
二、基于可分性准则的特征提取原理
2.4求解映射矩阵 因此，变换后的Y空间里的可分性准则函数：
S yw A S xw A
T
S yb AT S xb A
J1 Tr[ S S yb ] = Tr[( A S xw A) ( A S xb A)]
高光谱特征参量和光谱库
40
基于光谱库旳光谱匹配技术：
（1）二值编码匹配
高岭土与明矾石旳成像光谱图像数据编码匹配时，只 需要将二值编码光谱数据库内感爱好旳二值编码向量 （已知）同未知旳高光谱二值编码图（像元）匹配并 计算匹配系数。人们根据匹配系数旳大小来拟定和提 取位置图像上感爱好旳地物信息。
光谱吸收特征分析输入参数界面
干草清除包络线前后旳光谱曲线
38
6.3 基于光谱库旳光谱匹配
在成像光谱图像处理中，光谱匹配技术是成像 光谱地物辨认旳关键技术之一。
所谓光谱匹配是经过研究两个光谱曲线旳相同 度来判断地物旳归属类别。它是由已知地物类 型旳反射光谱，经过波形或特征匹配比较来到 达辨认地物类型旳目旳。
在建库模块中，顾客能够重命名地物光谱曲线名 称，能够添加、删除、显示任意条光谱曲线，并 实现数据库文件和ASCII码文件两种格式旳保存。
36
光谱库建库模块界面以及几种功能菜单
在光谱重采样模块，提供了顾客自定义 滤波重采样、数据滤波重采样、传感器 滤据旳特点，系统提供了光谱 特征分析旳功能：如光谱吸收特征分析、 包络线清除等。而且在高光谱影像上点击 显示图像像素旳光谱曲线图。
20
6）光谱积分
21
7）光谱曲线模拟
经典旳地物具有经典旳波形形态，为了精 确旳描述、拟定光谱曲线旳特点，我们能 够将整条光谱曲线或者是曲线中旳某一段 用一种数学函数来体现出来，这就称为是 光谱曲线模拟。
以植被旳曲线模拟为例：分为两个阶段旳 模拟，500~680可见光以及670~780红边
22
h(n)=0, if x(n)<=T;
h(n)=1,if x(n)>=T; 其中x(n)是像元第n通道旳亮度值，h(n)是其编码，T是 选定旳门限制，一般选为光谱旳平均亮度，这么每个 像元灰度值变为1bit，像元光谱变为一种与波段数长度 相同旳编码序列。
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
地理科学第28卷(2008)总目次
… … … … … … … … … … … … ・
— — — — — —
综
述
国内外道路侵蚀研究 回顾与展望 ……………………………………………………………………・ ………………………………“ 张科利 徐宪利 罗丽芳 （ １ ） １ ９ 西方城 市社会地理学研究进展及对 中国研究 的意 义 ………………………………………………………………………………………… … 李 健 宁越敏 （２ ） １４ 西方 国家城市 内部居住迁移研究综述 ………………………………………………………………………………………………… 刘望保 闫小培 曹小曙（ ３ ） １１ 征稿简则 ……………………………………………………………………………………………………………………………………………………………… （ ３ ） １ ８
第 ２期
长江三角洲地 区人 口分布演化 与偏移增长 …………………………………………………………………………… ……………… 段学军 王书 国 陈 雯 （３ ） １ ９ 产业集群与 区域经济空 间的耦合度分析 ……………………………………………………………………………… ………………………… 王 琦 陈 才 （４ ） １ ５ 辽中城市群县域综合发展水平差异的时空特征分析 …………………………………………………… ………………………… 桑 秋 张平宇 高晓娜等（ ５ ） １０ 中国东北地区资源型城市棚户区改造与反贫困研究 ……………………………………………… ……………………………… 郑文升 丁四保 王晓芳等（ ５ ） １６ 老工业城市产业转型及其就业变化研究 以沈 阳市为例 …………………………………………………………………………………… ……………………………………… 董丽晶 张平宇（ ６ ） １ ２ 基于引力模型的江西省经济 区划与协调发展研究 ……………………………………………………………………………………………… 徐 辉 彭 萍（ ６ ） １９ 半城市化地区城乡一体化协调发展模式研究 以成都市双流县为例 ………………………………………………………… …………………………………………… 王开泳 陈 田 王丽艳等（ ７ ） １３ 劳动力跨地区流动与地区差距 ………………………………………………………… …………………………………………………………………… 严浩坤（ ７ ） １９ 基于 Ｄ Ａ方法的城市土地利用经济效益分析 Ｅ 以哈尔滨市为例 …・ ……………………………… … ……・ 宋 戈， 高 楠（ ８ ） １５ 区域土地资源人 口承载力理论模型及实证研究 …………………………………………………………………………………… 哈斯 巴根 李百岁 宝 音（８ ） １９ 基 于 Ｇ Ｓ的采煤塌陷区土地复量项 目规划设计研究……………………………………………………………………………… 王慎敏 金魔斌 周寅康等（ ９ ） Ｉ １５ 长春高新技术产业开发区绿地景观生态规划 ……… …… …………… ……………………………………………………………… 付 瑶 汤 洁 粱喜￣（ ｏ ） ２ ｏ 西藏交通社会效益评价及优化研究 ………………… …… …………… ……………………… …………………………………………………………… 梅 ￣（ ｏ ） ２ ５ “ 省公顷” 在小城镇生态足迹分析 中的应用研究 以山东省晏城镇生态建设为例 …………… …… …………… … 冯 娟 赵全升 谢文霞等（ ０ ） ２ ９ 耕地 与建设用地变化驱动力 比较分析 ……………… …… …………… … 赵小观 代力民 陈文波等（ １ ） ２ ４ 基于 Ｅ Ｄ Ｍ 分析的山 东省土地承载 力的 动力学预 …………………… 测 张衍广 林振山 梁仁君 （ １ ） ２ ９ 增 暖背景下中国东北地区极端降水事件的演变特征 ………………… … 杨素英 孙风华 马建中（ ２ ） ２ ４ 中国典型季风海洋性冰川区“ 冰川 一 径流” 系统 的全球变化敏感性研究 李宗省 何元庆 贸文雄等（ ２ ） ２ ９ 夏 季风期间青藏高原地形对降水的影响 …………… …… …………… … 张 杰 李栋梁 王 文（ ３ ） ２ ５ 基 于复杂性测度的中国洪灾受灾面积变化研究 …… ・ …………………－ － 尹义星 许有鹏 陈 莹（ ４ ） ２１
【江苏省自然科学基金】_特征样本提取_期刊发文热词逐年推荐_20140814
53 54 55 56 57 58 59 60
人脸图像 二维类增广主成分分析(2dcapca) 二维主成分分析(2dpca) 主题模型 pls投影分析算法 plsda gabor小波 3d人脸识别
1 1 1 1 1 1 1 1
2013年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43
科研热词 推荐指数 特征提取 2 支持向量机 2 局部保持投影 2 图像处理 2 人脸识别 2 高斯混合模型 1 高光谱图像技术 1 非迭代双边二维主成分分析 1 非线性特征 1 非约束环境 1 镜像对称性 1 聚类 1 算法 1 移动窗vi法 1 相似度 1 玉米种子 1 特征提取方法 1 特征抽取 1 熵 1 模块化fpca 1 智能诊断 1 故障检测 1 支持向量数据描述 1 排斥图 1 彩色图像识别 1 彩色m-fpca 1 康复机器人 1 广义动态模糊神经网络 1 局部加权 1 小样本问题 1 小样本 1 对称非迭代双边二维主成分分析 1 奇偶校验 1 图像分割 1 因子化主成分分析 1 吸引图 1 反对称变换 1 农田 1 信息贡献率 1 传感器冗余 1 人脸特征定位 1 二维主成分分析 1 主成分分析 1
科研热词 推荐指数 特征提取 4 人脸识别 3 典型相关分析(cca) 2 高光谱图像技术 1 高光谱图像 1 非负矩阵分解 1 非负分解 1 近红外光谱 1 融合识别 1 融合技术 1 网络安全 1 类增广主成分分析(capca) 1 空间关系特征 1 稀疏表示 1 稀疏保持投影(spp) 1 稀疏保持典型相关分析(spcca) 1 种子 1 离散小波变换 1 相似性匹配 1 目标跟踪 1 目标检测 1 玉米种类 1 玉米种子 1 玉米 1 猪肉 1 特征融合 1 潜在迪利克雷分布 1 模糊密度 1 核矩阵 1 机器视觉 1 智能分块 1 挥发性盐基氮 1 恶意代码 1 形状滤波 1 形态特征 1 局部保持 1 子空间学习 1 增量半监督判别分析 1 基矩阵 1 图像熵 1 图像 1 品种识别 1 变分推理 1 卷积滤波 1 区域协方差特征描述子 1 分类 1 几何图像 1 光谱术 1 光谱分析 1 光谱信息 1 偏最小二乘判别分析 1 人脸表情识别 1
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。
- 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)。
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。
总的来说，高光谱特征选择是一项重要的任务，它可以提高数据的可解释性和预测能力。
根据不同的数据特点和需求，可以选择不同的特征选择方法。
这些方法可以帮助我们从海量的光谱数据中选择出最具代表性的特征，进而为各种应用提供有价值的信息。