高光谱数据的降维处理方法研究

第３１卷　第１１期 中南林业科技大学学报 Ｖｏｌ．３１　Ｎｏ．１１　２０１１年１１月Ｊｏｕｒｎａｌ　ｏｆ　Ｃｅｎｔｒａｌ　Ｓｏｕｔｈ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｆｏｒｅｓｔｒｙ　＆Ｔｅｃｈｎｏｌｏｇｙ　Ｎｏｖ．２０１１

高光谱数据的降维处理方法研究

柳萍萍，林　辉，孙　华，严恩萍

（中南林业科技大学林业遥感信息工程研究中心，湖南长沙４１０００４）

摘　要：　高光谱数据具有波段多、光谱范围窄、数据量大等特点，但巨大的数据量给数据处理带来了困难，同时它的高维也容易导致Ｈｕｇｈｅｓ现象的产生。因此，对其进行降维处理显得非常必要。以Ｈｙｐｅｒｉｏｎ数据为研究对象，分别利用特征选择和特征提取的方法达到数据降维的目的。结果表明：（１）波段选择之前进行子空间划分，可剔除相关性大的波段，并能减小数据计算量，避免信息的丢失，从而实现高维遥感数据优化处理和高效利用的目的。（２）ＭＮＦ变换后高光谱数据的有效端元数可为图像的进一步分析和应用提供参考。

关键词：　高光谱数据；降维；特征提取；Ｈｙｐｅｒｉｏｎ

中图分类号：　Ｓ７７１．８文献标志码：　Ａ文章编号：　１６７３－９２３Ｘ（２０１１）１１－００３４－０５Ｄｉｍｅｎｓｉｏｎａｌｉｔｙ　ｒｅｄｕｃｔｉｏｎ　ｍｅｔｈｏｄ　ｏｆ　Ｈｙｐｅｒｉｏｎ　ＥＯ－１　ｄａｔａ

ＬＩＵ　Ｐｉｎｇ－ｐｉｎｇ，ＬＩＮ　Ｈｕｉ，ＳＵＮ　Ｈｕａ，ＹＡＮ　Ｅｎ－ｐｉｎｇ

（Ｒｅｓｅａｒｃｈ　Ｃｅｎｔｅｒ　ｏｆ　Ｆｏｒｅｓｔｒｙ　Ｒｅｍｏｔｅ　Ｓｅｎｓｉｎｇ　Ｉｎｆｏｒｍａｔｉｏｎ＆Ｅｎｇｉｎｅｅｒｉｎｇ，

Ｃｅｎｔｒａｌ　Ｓｏｕｔｈ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｆｏｒｅｓｔｒｙ＆Ｔｅｃｈｎｏｌｏｇｙ，Ｃｈａｎｇｓｈａ　４１０００４，Ｈｕｎａｎ，Ｃｈｉｎａ）

Ａｂｓｔｒａｃｔ：Ｈｙｐｅｒｓｐｅｃｔｒａｌ　ｄａｔａ　ｈａｖｅ　ｍｏｒｅ　ｂａｎｄｓ，ｎａｒｒｏｗ　ｓｐｅｃｔｒａｌ　ｒａｎｇｅ，ｌａｒｇｅ　ｖｏｌｕｍｅｓ　ｏｆ　ｄａｔａ，ｅｔｃ．，ｂｕｔ　ａ　ｈｕｇｅ　ａ－ｍｏｕｎｔ　ｏｆ　ｄａｔａ　ｍａｋｅ　ｄａｔａ　ｐｒｏｃｅｓｓｉｎｇ　ｖｅｒｙ　ｄｉｆｆｉｃｕｌｔ，ｗｈｉｌｅ　ｉｔｓ　ｈｉｇｈ－ｄｉｍｅｎｓｉｏｎａｌ　ｐｈｅｎｏｍｅｎｏｎ　ｃａｎ　ｅａｓｉｌｙ　ｌｅａｄ　ｔｏ　ｔｈｅｇｅｎｅｒａｔｉｏｎ　ｏｆ　Ｈｕｇｈｅｓ．Ｔｈｅｒｅｆｏｒｅ，ｄｉｍｅｎｓｉｏｎａｌｉｔｙ　ｒｅｄｕｃｔｉｏｎ　ｐｒｏｃｅｓｓ　ｉｓ　ｖｅｒｙ　ｎｅｃｅｓｓａｒｙ．Ｂｙ　ｔａｋｉｎｇ　Ｈｙｐｅｒｉｏｎ　ｄａｔａ　ａｓｔｈｅ　ｒｅｓｅａｒｃｈ　ｏｂｊｅｃｔ，ｕｓｉｎｇ　ｆｅａｔｕｒｅ　ｓｅｌｅｃｔｉｏｎ　ａｎｄ　ｆｅａｔｕｒｅ　ｅｘｔｒａｃｔｉｏｎ　ｍｅｔｈｏｄｓ，ｔｈｅ　ｐｕｒｐｏｓｅ　ｏｆ　ｄａｔａ　ｒｅｄｕｃｔｉｏｎ　ｗａｓ　ａ－ｃｈｉｅｖｅｄ．Ｔｈｅ　ｒｅｓｕｌｔｓ　ｓｈｏｗ　ｔｈａｔ　ｄｉｖｉｄｉｎｇ　ｓｐａｃｅ　ｂｅｆｏｒｅ　ｓｕｂ－ｂａｎｄ　ｓｅｌｅｃｔｉｏｎ　ｃａｎ　ｅｌｉｍｉｎａｔｅ　ｔｈｅ　ｂａｎｄ　ｗｉｔｈ　ｂｉｇｇｅｒ　ｃｏｒｒｅｌａ－ｔｉｏｎ，ａｎｄ　ｃａｎ　ｒｅｄｕｃｅ　ｔｈｅ　ａｍｏｕｎｔ　ｏｆ　ｄａｔａ　ｃａｌｃｕｌａｔｉｏｎ，ｔｏ　ａｖｏｉｄ　ｌｏｓｓ　ｏｆ　ｉｎｆｏｒｍａｔｉｏｎ，ｔｈｕｓ　ｒｅａｌｉｚｉｎｇ　ｏｐｔｉｍａｌ　ｈｉｇｈ－ｄｉｍｅｎ－ｓｉｏｎａｌ　ｒｅｍｏｔｅ　ｓｅｎｓｉｎｇ　ｄａｔａ　ｐｒｏｃｅｓｓｉｎｇ　ａｎｄ　ｅｆｆｉｃｉｅｎｔ　ｕｔｉｌｉｚａｔｉｏｎ　ｐｕｒｐｏｓｅｓ．

Ｋｅｙ　ｗｏｒｄｓ：Ｈｙｐｅｒｓｐｅｃｔｒａｌ　ｄａｔａ；ｄｉｍｅｎｓｉｏｎａｌｉｔｙ　ｒｅｄｕｃｔｉｏｎ；ｆｅａｔｕｒｅ　ｅｘｔｒａｃｔｉｏｎ；Ｈｙｐｅｒｉｏｎ　ｄａｔａ

高光谱遥感突破了传统单波段、多光谱遥感的波段数以及波段范围的局限性，它具有较窄的波段区间、较多的波段数量的特点，能够从光谱空间中获取地物连续且精细的光谱特征。由于高光谱遥感信量大、波段多且冗余度高的特点使对其的信息处理困难重重，数据降维问题一直是高光谱遥感应用与信息处理的难题［１－３］。高光谱遥感数据虽然拥有庞大的数据量，但相邻波段之间冗余度也相对较大。因此，为解决高维数据的处理问题，国内外的很多学者对此也做了广泛的研究，通常利用特征提取与特征选择方法进行降维处理［４－７］。

降维处理对Ｈｙｐｅｒｉｏｎ高光谱数据有非常重要

收稿日期：２０１１－０５－１０

基金项目：国家自然科学基金项目（３０８７１９６２）；高等学校博士学科点专项科研基金（２００８０５３８０００１）；国家林业局林业公益项目专题（２０１１０４０２８）

作者简介：柳萍萍（１９８６－），女，河北唐山人，硕士生，主要从事林业遥感与地理信息系统应用研究

通讯作者：林　辉（１９６５－），女，湖北黄冈人，教授，博士，主要从事森林经理学、遥感技术与地理信息系统的教学和科研工作

的意义。一方面，数据降维能够使图像远离噪声，并能使图像的数据质量得到提高；另一方面，去除图像中的无价值波段，从而达到降低计算量，减少波段数的目的，使图像的处理效率得到提高。要实现对高光谱数据的有效利用，降维是不可或缺的部分，而且波段选择的结果直接关系到图像的进一步应用效果。

１　研究区与数据

研究区位于湖南省株洲市攸县黄丰桥国有林场，林场境内森林茂盛，物种丰富。林分类型以杉木人工林为主。

研究采用Ｈｙｐｅｒｉｏｎ高光谱遥感数据作为主要数据源。Ｈｙｐｅｒｉｏｎ是ＥＯ－１卫星所携带的高空间分辨率与高光谱分辨率成像仪，于２０００年１１月１６日发射成功，为太阳同步轨道，轨道高度７０５ｋｍ，倾角９８．７°，ＥＯ－１带有３个基本遥感系统。Ｈｙｐｅｒｉ－ｏｎ数据的光谱分辨率为１０ｎｍ，光谱覆盖范围４００～２　５００ｎｍ，空间分辨率为３０ｍ。

２　研究方法

高光谱数据的降维方法大致可以分为两类，一类是从原始波段空间直接选择若干有效的波段，而不进行任何变化处理，为特征选择；另一类是对一个或若干个原始波段按照一定的操作函数进行变换，得到不同于原始数据的新的特征组合，成为特征提取。

对高光谱数据而言，最佳波段选择是非常重要的。由于波段宽度窄的特点决定了各波段间的冗余度及相关性的存在，利用波段选择方法来选择所需的波段来进行降维可避免计算的重复，大大降低工作量。各波段的信息量可以作为选择波段的第一评价指标，波段间的标准差反映了图像平均值的离散度和像元灰度值，在一定程度上反映各波段所包含的信息量。通过对图像各波段的分析，可以确定波段各部分或各个波段子集所包含的信息量，波段间标准差越大，其波段所包含的信息量也就越大，地物也就越容易被区分开。利用波段选择法对高光谱数据进行降维处理，选出信息量较大的波段，从而进一步对高光谱影像进行彩色合成。对高光谱数据进行假彩色合成，一般从红光波段、近红外波段、短波近红外波段中各自选出一个最优波段

来进行影像的假彩色合成。

ＭＮＦ变换为最小噪声分离变换，是高光谱数据特征提取的常见方法之一。通过ＭＮＦ变换可以确定高光谱数据的维数，识别高光谱数据中的噪声并将其分离，并通过对有效信息的分解来达到对高光谱数据处理时降低计算量的目的［８］。本质上两个串联的主成分变换组成了ＭＮＦ变换。首先是基于噪声的协方差矩阵进行的变换，波段间的相关性被去除，图像中的噪声分布被重新调节。第二个是标准的主成分变换，变换后所有波段按特征值降序排列，波段从前到后噪声逐步增大而方差依次减小，直至波段只存在噪声。噪声统计是基于像元局部方差来估计的，某个像元的原始值减去其相应的水平方向和竖直方向的图像均值，即可得到一幅虚拟的噪声影像。通过对变换后特征曲线的分析，可得到ＭＮＦ变换后高光谱数据的有效端元数。

３　结果与分析

３．１　波段选择

Ｈｙｐｅｒｉｏｎ影像的２４２个波段中，可见光近红外波段（ＶＮＩＲ）的８～５７和短波红外波段（ＳＷＩＲ）的７７～２２４为经过辐射校正的波段，再将受水汽影响的波段剔除后，剩余１７６个波段。保留的波段中仍有一些波段存在着非正常像元，包括坏线、条纹及噪声等。本研究采用相邻列或行平均值法代替原来值实现修复［９－１０］。各波段的标准差一定程度上反映了各波段的信息量，利用ＥＮＶＩ的统计工具计算得到各波段的特征值，可以从图１（左）中看到，１７６个波段中还存在标准差相对较小的波段，仍需要对１７６个波段进行再次处理，将噪声大的波段剔除掉，再进行视觉评估，观测其各波段的标准差值，剔除不合理的和质量差的波段，结果选出了质量较好的１５２个波段，其标准差见图１（右），对比可以看到标准差较小的波段已被部分去除。

由图１可知，在可见光范围，波段５４９～７１２ｎｍ标准差较小（基本都小于６００），在选择波段时可以不予考虑。在可见光红光波段４５８，４８８，７３２ｎｍ为中心的波段标准差在该区间较大，可作为候选波段。在近红外波段，９７３，９８３，９９３ｎｍ为中心的波段标准差较大（基本都大于１０００ｎｍ），在曲线图上呈峰值，９８３ｎｍ标准差最大，为最优波段，所以这些

５

３

第３１卷 中南林业科技大学学报