高光譜影像特征選擇和提取

1、關(guān)于高光譜影像特征選擇與提取第一張，PPT共五十七頁，創(chuàng)作于2022年6月高光譜影像特點高光譜影像特征選擇與提取蝕變信息提取應(yīng)用示例第二張，PPT共五十七頁，創(chuàng)作于2022年6月第三張，PPT共五十七頁，創(chuàng)作于2022年6月第四張，PPT共五十七頁，創(chuàng)作于2022年6月高光譜遙感是20世紀(jì)最后二十年，人類在對地觀測方面取得的重大技術(shù)突破之一，也是當(dāng)前及以后幾十年內(nèi)的遙感前沿技術(shù)。它利用成像光譜儀納米級的光譜分辨率，獲取許多非常窄且光譜連續(xù)的圖像數(shù)據(jù)，實現(xiàn)地物空間、輻射、光譜信息的同步獲??；為每個像元提供數(shù)十至數(shù)百個窄波段的光譜信息，并生成一條完整而連續(xù)的光譜曲線。1、高光譜影像特點第五張，PP

2、T共五十七頁，創(chuàng)作于2022年6月高光譜遙感大量的光譜波段數(shù)據(jù)為人們了解地物提供了豐富的信息，這對于后續(xù)進(jìn)行的地物分類和目標(biāo)識別是十分有益的然而波段的增多也必然導(dǎo)致信息的冗余和數(shù)據(jù)處理難度的增加。如何既能有效利用高光譜數(shù)據(jù)的最大信息，又能較快地處理高光譜數(shù)據(jù)成為光譜數(shù)據(jù)處理的研究熱點和未來發(fā)展方向。其中壓縮波段和光譜特征提取與選擇的研究是兩個重點。第六張，PPT共五十七頁，創(chuàng)作于2022年6月波段壓縮光譜特征2、高光譜影像特征選擇與提取第七張，PPT共五十七頁，創(chuàng)作于2022年6月基于信息量原則（波段選擇）基于類別可分性原則（波段選擇）基于搜索方法（波段選擇）基于數(shù)學(xué)變換2.1 波段壓縮第八張

3、，PPT共五十七頁，創(chuàng)作于2022年6月熵和聯(lián)合熵最佳指數(shù)因子（optimal index factor，OIF）自動子空間劃分自適應(yīng)波段選擇（adaptive band selection，ABS）波段指數(shù)（band index,BI）2.1.1 基于信息量原則第九張，PPT共五十七頁，創(chuàng)作于2022年6月根據(jù)香農(nóng)信息論原理，一幅8bit表示的圖像X的熵為：式中：X為輸入圖像，Pi為圖像像素灰度值為i的概率。熵及聯(lián)合熵第十張，PPT共五十七頁，創(chuàng)作于2022年6月同理，兩個波段聯(lián)合熵為：n個波段圖像的聯(lián)合熵為：第十一張，PPT共五十七頁，創(chuàng)作于2022年6月高光譜圖像數(shù)據(jù)波段標(biāo)準(zhǔn)差大，則信息

4、量豐富；而波段間的相關(guān)系數(shù)小，波段信息冗余度小。根據(jù)以上原理，Chavez等人與1982年提出了一種組合波段的選優(yōu)方法即最佳指數(shù)因子。該方法根據(jù)下式給出N個波段組合中的最優(yōu)指數(shù)大?。鹤罴阎笖?shù)因子（OIF）第十二張，PPT共五十七頁，創(chuàng)作于2022年6月其中：Si為第i個波段的標(biāo)準(zhǔn)差；Ri，j表示第i個波段與第j個波段之間的相關(guān)系數(shù)。選擇的波段數(shù)目一般取3，即將所有可能的三個波段組合在一起。OIF越大，則相應(yīng)組合波段圖像的信息量就越大。第十三張，PPT共五十七頁，創(chuàng)作于2022年6月在實際應(yīng)用中，這種方法存在局限性。首先，它選擇出來的最優(yōu)波段未必是最優(yōu)點；其次，OIF算法對于高光譜圖像波段選擇而

5、言計算量過大。第十四張，PPT共五十七頁，創(chuàng)作于2022年6月該方法通過定義波段相關(guān)系數(shù)矩陣及其近鄰可傳遞相關(guān)矢量，將高光譜數(shù)據(jù)空間劃分為適合的數(shù)據(jù)子空間。這種劃分方法有著充分的理論依據(jù)，反映了數(shù)據(jù)的局部特性。自動子空間劃分就是根據(jù)相關(guān)系數(shù)矩陣灰度圖成塊的特點，依據(jù)高光譜影像相鄰波段相關(guān)系數(shù)的大小，將波段劃分為適合的數(shù)據(jù)子空間。劃分好子空間后，再進(jìn)行波段選擇。自動子空間劃分第十五張，PPT共五十七頁，創(chuàng)作于2022年6月相關(guān)矩陣為：進(jìn)一步地，我們將可傳遞的相關(guān)矢量定義為:我們對該矢量進(jìn)行處理，從中提取局部相關(guān)的極小值。根據(jù)這些自動提取的極小值（設(shè)在波段開區(qū)間（1，N）內(nèi)這樣的極小值共有P-1個

6、），我們將高光譜空間S劃分為P個適合的數(shù)據(jù)子空間（它的維數(shù)是Lj（j=1，2，p-1，）第十六張，PPT共五十七頁，創(chuàng)作于2022年6月第十七張，PPT共五十七頁，創(chuàng)作于2022年6月第十八張，PPT共五十七頁，創(chuàng)作于2022年6月該方法針對OIF方法在實際應(yīng)用中存在的局限性,充分考慮了各波段的空間相關(guān)性和譜間相關(guān)性。其公式如下：其中：Si為第i個波段的標(biāo)準(zhǔn)差； 和 是第i波段與其前后兩波段的相關(guān)系數(shù)或i波段與任意兩個波段的相關(guān)系數(shù)；是第i幅圖像指數(shù)的大小。自適應(yīng)波段選擇（ABS）第十九張，PPT共五十七頁，創(chuàng)作于2022年6月由于基于全局的波段選擇算法，選擇的波段往往是聯(lián)虛地集中在某一個連續(xù)

7、子空間中。而連續(xù)子空間往往相似性大，這就造成信息重復(fù)使用，影響后續(xù)的處理效果。基于以上考慮，將高光譜數(shù)據(jù)分為K組，每組波段數(shù)分別為n1，n2，nk，定義波段指數(shù)為：波段指數(shù)（band index,BI）第二十張，PPT共五十七頁，創(chuàng)作于2022年6月 式中（ 為第i波段的均方差， 為第i波段與所在組內(nèi)其他波段相關(guān)系數(shù)的絕對值之和的平均值，為第i波段與所在組以外地其它波段之間的相關(guān)系數(shù)的絕對值之和）。第二十一張，PPT共五十七頁，創(chuàng)作于2022年6月均值間的標(biāo)準(zhǔn)距離離散度類間平均可分性B距離2.1.2 基于類間可分性原則第二十二張，PPT共五十七頁，創(chuàng)作于2022年6月“均值間的標(biāo)準(zhǔn)距離”d被定

8、義為：式中，u1、u2分別為兩類對應(yīng)的樣本區(qū)域的光譜均值； 分別為兩類對于的樣本區(qū)域的方差。d反映兩類在每一波段內(nèi)地可分性大小。d越大，可分性越大。此法是一維特征空間中兩類別間可分性的一種度量，它不適合進(jìn)行多變量的研究。對于多維特征空間、多變量的可分性研究，可用離散度、B距離等方法。均值間的標(biāo)準(zhǔn)距離第二十三張，PPT共五十七頁，創(chuàng)作于2022年6月式中，Ui、Uj分別表示i、j類的亮度均值矢量， 分別為i、j類的協(xié)方差矩陣，trA表示矩陣A對角線元素之和。離散度第二十四張，PPT共五十七頁，創(chuàng)作于2022年6月式中符號的意義同于“離散度”公式中的定義。對于任何一給定的地物類別，只要算出這兩個不

9、同類別在所有可能的波段組合中的標(biāo)準(zhǔn)距離、離散度或B距離，并去最大者，便是區(qū)分這兩個類別的最佳波段組合，即最優(yōu)子集。B距離第二十五張，PPT共五十七頁，創(chuàng)作于2022年6月上面幾種方法是針對兩個類別而言，也就是說它們都是類對間的可分型度量。對于對類別而言，一個常用的辦法是計算平均可分型的平均值，并按平均值的大小排列所有被評價的子集順序，從而選擇最佳組合波段。2.1.3 類間平均可分性第二十六張，PPT共五十七頁，創(chuàng)作于2022年6月分為最優(yōu)（Optimal）搜索算法和次優(yōu)搜索算法。目前實際高光譜圖像波段選擇都使用次優(yōu)搜索算法。次優(yōu)搜索算法是依照準(zhǔn)則函數(shù)選擇一組性能較好的，但不一定是最好的特征集合

10、。傳統(tǒng)的方法有有序貫前向選擇法（Sequential Forward Selection，SFS）和序貫后向選擇法（Sequential Backward Selection ,SBS）基于搜索方法第二十七張，PPT共五十七頁，創(chuàng)作于2022年6月主要有主成份分析（Principal Component Analysis，PCA）、小波變換(Wavelet Transform，WT)、獨立成分（Independent Component Analysis ，ICA、投影尋蹤方法等基于數(shù)學(xué)變換第二十八張，PPT共五十七頁，創(chuàng)作于2022年6月從操作對象、算法原理、特征性質(zhì)和應(yīng)用方式等方面綜合考慮

11、，光譜體系包括光譜曲線特征、光譜變換特征和光譜相似度量特征三個層次，分別對應(yīng)于全部波段的像元光譜曲線分析、部分波段的數(shù)據(jù)變換與組合、光譜相似性度量三種應(yīng)用模式。2.2 光譜特征第二十九張，PPT共五十七頁，創(chuàng)作于2022年6月光譜曲線特征光譜運算與變換特征光譜相似性度量特征2.2 光譜特征第三十張，PPT共五十七頁，創(chuàng)作于2022年6月光譜曲線直接編碼光譜吸收特征參數(shù)光譜吸收指數(shù)2.2.1 光譜曲線特征第三十一張，PPT共五十七頁，創(chuàng)作于2022年6月光譜曲線特征的重要思想是強(qiáng)調(diào)曲線形狀，直接編碼是一種非常直觀的方式，最常用的是二值編碼（binary coding），即對每一像元，對各波段屬性

12、值與某一閥值比較，相應(yīng)地賦予“0”或“1”的編碼。光譜曲線直接編碼第三十二張，PPT共五十七頁，創(chuàng)作于2022年6月 其中Si為第i波段編碼Xi為該波段原始屬性值，T為閥值。通常閥值選整個光譜向量的平均值，也可以取向量中值或根據(jù)光譜曲線進(jìn)行人工閥值選擇。第三十三張，PPT共五十七頁，創(chuàng)作于2022年6月 二值編碼采用單閥值進(jìn)行處理，劃分取決范圍較大，表達(dá)進(jìn)度較低。一種改進(jìn)算法是多值編碼。四值編碼基本方法是：首先對整個像元光譜向量取平均值，得到閥值T0，將像元屬性值分為 、 兩個區(qū)間，確定兩個區(qū)間的像元，在分別對兩個區(qū)間的像元屬性值取均值，得到兩個新的閥值 、 ，最終形成四個區(qū)間間 、 、 、

13、,分別用0、1、2、3表示，對每一像元向量，根據(jù)其各波段屬性值所處區(qū)間分別賦以相應(yīng)的編碼，最后進(jìn)行匹配比較。 第三十四張，PPT共五十七頁，創(chuàng)作于2022年6月 地物光譜曲線反映了地物的吸收和反射特征，對光譜吸收特征參數(shù)的提取將成為未來高光譜信息處理研究的主要方向。光譜吸收特征主要由以下特征參數(shù)表示，吸收波長波段位置（P）、反射值（R），深度（H）、寬度（W）、斜率（K）、對稱度（S）、面積（A）等。光譜吸收特征參數(shù)第三十五張，PPT共五十七頁，創(chuàng)作于2022年6月第三十六張，PPT共五十七頁，創(chuàng)作于2022年6月吸收波段位置（P）是光譜最小值對應(yīng)的波長，有時也可定義為光譜最大值對應(yīng)的波長；吸

14、收波段位置處的光譜值即反射值（R）；波段深度（H）是由于礦物化學(xué)成分在某波長點上吸收光譜特征而比鄰接波段有較低的反射率；寬度（W）是指波段深度一半處的寬度；斜率 。其中： 、 分別為吸收終點、吸收始點反射率值； 、 為相應(yīng)的波長；吸收峰對稱度S=A1/A（A1為吸收峰左半端的面積，A為吸收峰的整體面積）。第三十七張，PPT共五十七頁，創(chuàng)作于2022年6月利用這些參數(shù)可以對地物進(jìn)行識別和分類，如對同類地物光譜曲線特征求交得到識別地物的有效特征；對不同類地物光譜曲線特征求交得到區(qū)分不同類地物的有效特征，從而達(dá)到快速識別和實現(xiàn)地物分類的目的。第三十八張，PPT共五十七頁，創(chuàng)作于2022年6月不同地物

15、光譜曲線，其吸收波峰波谷形狀、位置、寬度、深度和對稱度等屬性也不同。每一個光譜吸收特征可以由光譜吸收谷點M及其兩個肩部S1和S2組成，或由吸收峰值點及兩個肩部組成。光譜吸收指數(shù)第三十九張，PPT共五十七頁，創(chuàng)作于2022年6月第四十張，PPT共五十七頁，創(chuàng)作于2022年6月植被指數(shù)導(dǎo)數(shù)光譜2.2.2 光譜運算與變換特征第四十一張，PPT共五十七頁，創(chuàng)作于2022年6月常規(guī)多光譜植被指數(shù)通常表達(dá)為近紅外波段與可見光紅波段的差值和比值的組合，常用的是比值植被指數(shù)（RVI）和標(biāo)準(zhǔn)化植被指數(shù)（NDVI）。對于高光譜遙感數(shù)據(jù)而言，NDVI可以被看作是一個梯級函數(shù)，來表達(dá)植被反射率在=0.7um處的突然遞

16、增。植被指數(shù)第四十二張，PPT共五十七頁，創(chuàng)作于2022年6月植被指數(shù)在高光譜應(yīng)用中非常重要，能夠描述植被的精細(xì)信息如葉面積指數(shù)LAI、植土比、植被組分等，以進(jìn)行植被指數(shù)與生物量預(yù)測，在有些分類如神經(jīng)網(wǎng)絡(luò)分類器中經(jīng)常將其作為一個獨立特征參加分類。第四十三張，PPT共五十七頁，創(chuàng)作于2022年6月導(dǎo)數(shù)光譜也稱光譜微分技術(shù)（Spectral Derivative）。采用導(dǎo)數(shù)光譜技術(shù)可以消除光譜數(shù)據(jù)之間的系統(tǒng)誤差、減弱大氣輻射、散射和吸收對目標(biāo)光譜的影響，以便提取可識別地物的光譜吸收參數(shù)（波長位置、深度、寬度和吸收光譜指數(shù)等）；光譜一階、二階和高階微分可以消除背景噪聲，分辨重疊光譜。導(dǎo)數(shù)光譜第四十四

17、張，PPT共五十七頁，創(chuàng)作于2022年6月式中：X=X1,X2,，XN為光譜向量，N為波段數(shù)，=1, 2,，N為波長集合。以此類推，可以計算出任意階導(dǎo)數(shù)光譜。通過導(dǎo)數(shù)光譜運算可以發(fā)現(xiàn)待定地物某階導(dǎo)數(shù)具有明顯區(qū)別于其它地物的特征，從而用于地物識別。第四十五張，PPT共五十七頁，創(chuàng)作于2022年6月植被指數(shù)與導(dǎo)數(shù)光譜實質(zhì)是在光譜空間上進(jìn)行特定運算以形成新的特征，按照這一思路，可以設(shè)計其它光譜運算特征，如波段求和、取均值以及其它更復(fù)雜的運算獲取的特征。第四十六張，PPT共五十七頁，創(chuàng)作于2022年6月光譜角填圖（spectral angle mapping）光譜信息散度 SID（Spectral i

18、nformation divergence）2.2.3 光譜相似性度量特征第四十七張，PPT共五十七頁，創(chuàng)作于2022年6月式中，N為波段數(shù)，A=（ ， ， ）和B=（ ， ， ）分別表示兩個光譜向量，其中元素 、 表示像元在第i個波段上的反射率，a為光譜角度。在具體計算中并不需要求出實踐角度，采用光譜角余弦作為判據(jù)即可。同類像元光譜角余弦較大，接近于1，而不同類像元的光譜角余弦則較少。光譜角填圖第四十八張，PPT共五十七頁，創(chuàng)作于2022年6月光譜角在衡量像元光譜相似性方面具有明顯的優(yōu)越性，光譜角填圖SAM（spectral angle mapping）在高光譜遙感信息分類、聚類都得到了非常廣泛的應(yīng)用。第四十九張，PPT共五十七頁，創(chuàng)作于2022年6月光譜信息散度 SIDP、 第五十張，PPT共五十七頁，創(chuàng)作于2022年6月此外，在高光譜遙感像元相似度量與特征衡量中，一些常規(guī)的指標(biāo)如相關(guān)系數(shù)、高維空間距離等也可以作為量度指標(biāo)。第五十一張，PPT共五十七頁，創(chuàng)作于2022年6月示例數(shù)據(jù)(Hyperion西藏驅(qū)龍)10nm光譜分辨率1-70波段覆蓋356-1058nm的可 見光和近紅外區(qū)域71-242波段覆蓋852-2577nm 的短波紅外波段像元大小 30m 圖像大小 256x6460數(shù)據(jù)產(chǎn)品有Level0（原始數(shù)據(jù)） 和Lev