教学高光谱影像特征选择与提取
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。
高光谱图像特征提取方法的研究与应用
高光谱图像特征提取方法的研究与应用一、引言高光谱图像是一种具有连续光谱信息的遥感图像，其特点是波段数量多且连续。
高光谱图像的分析和处理旨在提取图像中的有效特征，以实现对地物分类、目标检测和环境监测等应用。
本文旨在综述当前高光谱图像特征提取方法的研究进展，并探讨其在实际应用中的潜力。
二、高光谱图像特征提取方法1. 光谱特征提取方法光谱特征提取是高光谱图像分析的基础，通过利用图像中不同波段的光谱信息来揭示地物的特征。
常见的光谱特征提取方法包括像元光谱特征、平均光谱特征和主成分分析等。
像元光谱特征是指通过对图像中单个像素的光谱进行分析，来获取地物光谱特征的方法。
平均光谱特征则是对图像中某一区域内的像素光谱进行求平均，以得到该区域的光谱特征。
2. 空间特征提取方法除了光谱信息外，高光谱图像还包含丰富的空间信息。
因此，空间特征提取方法在高光谱图像处理中也起着重要的作用。
常见的空间特征提取方法包括纹理特征提取和形状特征提取。
纹理特征提取通过分析地物的纹理分布来揭示其特征。
常用的纹理特征提取方法包括灰度共生矩阵（GLCM）和小波变换等。
形状特征提取则通过对地物的外形进行分析，以提取地物的形状特征。
3. 混合特征提取方法为了更准确地描述地物的特征，研究者们也提出了混合特征提取方法，将光谱特征和空间特征相结合。
例如，光谱–空间特征提取方法可以通过光谱相似性和空间相似性来同时描述地物的特征。
此外，也有研究者提出了基于深度学习的特征提取方法，通过深度神经网络模型自动学习并提取高光谱图像中的特征。
三、高光谱图像特征提取方法的应用高光谱图像特征提取方法在许多领域中都有广泛的应用，下面分别介绍其中的几个应用场景。
1. 地物分类地物分类是高光谱图像处理中的重要应用之一。
通过提取地物的光谱特征、纹理特征和形状特征，可以将高光谱图像中的地物按照类别进行分类。
这在土地利用监测、环境保护和农业管理等领域中都有重要的作用。
2. 目标检测高光谱图像中的目标检测是指通过提取图像中目标的特征，以实现对目标的自动识别和检测。
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。
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)。
高光谱遥感;光谱特征;特征提取
高光谱遥感;光谱特征;特征提取
高光谱遥感是一种利用大量连续的窄波段光谱数据来获取地物
信息的技术。
通过高光谱遥感，我们可以获取地表材料的光谱特征，这些光谱特征可以用来识别不同的地物类型，比如植被、水体、土
地利用类型等。
光谱特征是指不同地物在光谱上的反射、吸收和辐
射特性，这些特性在不同波长范围内呈现出独特的表现，因此可以
被用来区分和识别地物。
特征提取是指从原始的高光谱数据中提取出对地物分类和识别
有用的特征信息的过程。
在高光谱遥感中，特征提取通常包括两个
方面，空间特征提取和光谱特征提取。
空间特征提取是指利用地物
在图像上的空间分布和形态特征来进行分类和识别，比如纹理、形
状等特征；而光谱特征提取则是指利用地物在不同波段上的光谱响
应特征来进行分类和识别，比如光谱曲线的形状、波峰和波谷位置
等特征。
在特征提取过程中，常用的方法包括主成分分析（PCA）、线性
判别分析（LDA）、小波变换、光谱角匹配等。
这些方法可以帮助我
们从原始的高光谱数据中提取出最具代表性和区分性的特征，为后
续的地物分类和识别提供支持。
总的来说，高光谱遥感通过获取地物的光谱特征，并利用特征提取方法从中提取有用的信息，为地物分类和识别提供了重要的数据基础和技术手段。
通过充分挖掘高光谱数据中的光谱特征和空间特征，我们可以更准确地理解和描述地球表面的地物信息，为资源环境监测、城市规划、农业生产等提供重要的支持和应用。
高光谱图像处理与特征提取技术研究
高光谱图像处理与特征提取技术研究摘要：高光谱图像是一种具有连续和较窄频谱的多光谱图像。
由于其丰富的信息和广泛的应用领域，高光谱图像处理与特征提取技术备受关注。
本文对高光谱图像处理的基本概念和常用技术进行了介绍，并重点研究了高光谱图像的特征提取技术，包括传统方法和深度学习方法，最后总结了目前的研究进展和未来的发展方向。
1. 引言高光谱图像是一种具有连续和较窄频谱的多光谱图像。
相比于传统的RGB图像，高光谱图像包含了更多的光谱信息，可以提供更丰富的地物特征，因此在农业、环境监测、遥感等领域有着广泛的应用。
为了更好地处理和分析高光谱图像，研究人员提出了各种高光谱图像处理和特征提取技术。
2. 高光谱图像处理技术高光谱图像处理技术旨在对高光谱图像进行去噪、增强、拼接等预处理操作，以提高后续特征提取和分类任务的准确性。
常用的高光谱图像处理技术包括：波段选择、辐射校正、噪声抑制、图像增强等。
2.1 波段选择波段选择是指从高光谱图像中选取最具有代表性的波段用于后续的处理和分析。
通过波段选择可以降低数据的维度和冗余，提高算法的效率。
常用的波段选择方法包括：主成分分析(PCA)、线性判别分析(LDA)和信息熵等。
2.2 辐射校正辐射校正是指将高光谱图像从辐射强度转换为辐射亮度，以消除不同光照条件下的影响。
常用的辐射校正方法包括：大气校正、反射率校正和大地校正等。
2.3 噪声抑制噪声抑制是对高光谱图像中的噪声进行消除，以提高图像的质量和信息内容。
常用的噪声抑制方法包括：中值滤波、均值滤波、小波去噪等。
2.4 图像增强图像增强是指对高光谱图像进行锐化或平滑等操作，以提高图像的视觉效果和特征表达能力。
常用的图像增强方法包括：直方图均衡化、拉普拉斯滤波、卷积运算等。
3. 高光谱图像特征提取技术高光谱图像的特征提取是通过提取图像的纹理、光谱和空间信息等，来表示和描述地物特征。
特征提取技术是高光谱图像处理的核心环节，直接关系到后续分类和识别任务的准确性。
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。
教学]高光谱影像特征选择与提取共59页文档
![教学]高光谱影像特征选择与提取共59页文档](https://img.taocdn.com/s3/m/4cf52ad6eff9aef8951e0697.png)
教学]高光谱影像特征选择与提取
1、合法而稳定的权力在使用得当时很 少遇到 抵抗。 ——塞 ·约翰 逊 2、权力会使人渐渐失去温厚善良的美 德。— —伯克
3、最大限度地行使权力总是令人反感 ；权力 不易确 定之处 始终存 在着危 险。— —塞·约翰逊 4、权力会奴化一切。——塔西佗
5、虽然权力是一头固执的熊，可是金 子可以 拉着它 的鼻子 走。— —莎士 比
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。
- 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)。
? 高光谱遥感大量的光谱波段数据为人们了解地物提 供了丰富的信息，这对于后续进行的地物分类和目 标识别是十分有益的然而波段的增多也必然导致信 息的冗余和数据处理难度的增加。如何既能有效利 用高光谱数据的最大信息，又能较快地处理高光谱 数据成为光谱数据处理的研究热点和未来发展方向。 其中压缩波段和光谱特征提取与选择的研究是两个 重点。
? 上面几种方法是针对两个类别而言，也就是说它们 都是类对间的可分型度量。对于对类别而言，一个 常用的办法是计算平均可分型的平均值，并按平均 值的大小排列所有被评价的子集顺序，从而选择最 佳组合波段。
? 分为最优（Optimal ）搜索算法和次优搜索算法。
目前实际高光谱图像波段选择都使用次优搜索算法。 次优搜索算法是依照准则函数选择一组性能较好的， 但不一定是最好的特征集合。传统的方法有有序贯 前向选择法（Sequential Forward Selection ， SFS ）和序贯后向选择法（ Sequential Backward Selection ,SBS ）
? “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。
? 该方法针对OIF 方法在实际应用中存在的局限性 ,充 分考虑了各波段的空间相关性和谱间相关性。
? 其公式如下：
? 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。
对于高光谱图像波段选择而言计阵及其近邻可传递 相关矢量，将高光谱数据空间划分为适合的数据子 空间。这种划分方法有着充分的理论依据，反映了 数据的局部特性。自动子空间划分就是根据相关系 数矩阵灰度图成块的特点，依据高光谱影像相邻波 段相关系数的大小，将波段划分为适合的数据子空 间。划分好子空间后，再进行波段选择。
? 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。
? 主要有主成份分析（ Principal Component Analysis ，PCA ）、小波变换 (Wavelet Transform ， WT) 、独立成分（ Independent Component Analysis ，ICA 、投影寻踪方法等
? 从操作对象、算法原理、特征性质和应用方式等方 面综合考虑，光谱体系包括光谱曲线特征、光谱变 换特征和光谱相似度量特征三个层次，分别对应于 全部波段的像元光谱曲线分析、部分波段的数据变 换与组合、光谱相似性度量三种应用模式。
? 基于以上考虑，将高光谱数据分为 K 组，每组波段 数分别为n1 ，n2 ，……nk，定义波段指数为：
? 式中（ 为第i波段的均方差， 为第i波段与
所在组内其他波段相关系数的绝对值之和的平均值， 为第i 波段与所在组以外地其它波段之间的相关系数 的绝对值之和）。
? 均值间的标准距离 ? 离散度 ? 类间平均可分性 ? B距离
段的选优方法即最佳指数因子。该方法根据下式给 出N 个波段组合中的最优指数大小：
? 其中：Si 为第i个波段的标准差； Ri ，j表示第i个波 段与第j个波段之间的相关系数。
? 选择的波段数目一般取 3 ，即将所有可能的三个波 段组合在一起。 OIF 越大，则相应组合波段图像的 信息量就越大。
? 在实际应用中，这种方法存在局限性。首先，它选 择出来的最优波段未必是最优点；其次， OIF 算法
遥感所 张艮中
? 高光谱影像特点 ? 高光谱影像特征选择与提取 ? 蚀变信息提取应用示例
? 高光谱遥感是20 世纪最后二十年，人类在对地观测
方面取得的重大技术突破之一，也是当前及以后几 十年内的遥感前沿技术。它利用成像光谱仪纳米级 的光谱分辨率，获取许多非常窄且光谱连续的图像 数据，实现地物空间、辐射、光谱信息的同步获取； 为每个像元提供数十至数百个窄波段的光谱信息， 并生成一条完整而连续的光谱曲线。
? 波段压缩 ? 光谱特征
? 基于信息量原则（波段选择） ? 基于类别可分性原则（波段选择） ? 基于搜索方法（波段选择） ? 基于数学变换
? 熵和联合熵 ? 最佳指数因子（ optimal index factor ，OIF ） ? 自动子空间划分 ? 自适应波段选择（ adaptive band selection ，ABS ） ? 波段指数（band index,BI ）
? 相关矩阵为：
? 进一步地，我们将可传递的相关矢量定义为 :
? 我们对该矢量进行处理，从中提取局部相关的极小 值。根据这些自动提取的极小值（设在波段开区间 （1 ，N ）内这样的极小值共有 P-1 个），我们将高 光谱空间 S 划分为P 个适合的数据子空间（它的维数 是Lj （j=1 ，2 ，……，p-1 ，））
? 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。
? 同理，两个波段联合熵为： ? n 个波段图像的联合熵为：
? 高光谱图像数据波段标准差大，则信息量丰富；而 波段间的相关系数小，波段信息冗余度小。根据以 上原理，Chavez 等人与1982 年提出了一种组合波