高光譜特征提取模板課件

1、1第2節(jié) 高光譜特征提取 高光譜遙感第四章 高光譜數(shù)據(jù)處理1第2節(jié) 高光譜特征提取 高光譜遙感第四2一、高光譜特征提取概念二、基于可分性準(zhǔn)則的特征提取原理三、高光譜特征提取主要方法四、高光譜特征提取新方法及實(shí)例第四章 第2節(jié) 高光譜特征提取2一、高光譜特征提取概念第四章 第2節(jié) 高光譜特征提取3 特征提取包括的內(nèi)容非常廣泛，既可以指影像空間維，也可以指光譜維特征提取。 本節(jié)所講的特征提取是指光譜維特征提取。一、高光譜特征提取概念1.1高光譜特征提取基本定義3 特征提取包括的內(nèi)容非常廣泛，既可以指影像空間維4 特征提取是指對(duì)原始的光譜空間特征進(jìn)行重新組合和優(yōu)化，提取出最適合當(dāng)前應(yīng)用需求的新特征。

2、 高光譜特征提取的要點(diǎn)：1.維數(shù)降低2.特征性能更優(yōu)良3.不能完全取代原始原始高光譜數(shù)據(jù)一、高光譜特征提取概念1.1高光譜特征提取基本定義4 特征提取是指對(duì)原始的光譜空間特征進(jìn)行重新組合和優(yōu)化5 概念上的區(qū)別特征提取特征選擇原始特征空間的重組運(yùn)算原始特征空間的子集挑選1.2 特征提取與特征選擇區(qū)別一、高光譜特征提取概念5 概念上的區(qū)別特征提取特征選擇原始特征空間的重組運(yùn)算原始特6特征提取特征選擇1.2 特征提取與特征選擇區(qū)別一、高光譜特征提取概念6特征提取特征選擇1.2 特征提取與特征選擇區(qū)別一、高光譜特7 技術(shù)特點(diǎn)的區(qū)別特征提取特征選擇特征是未知的特征是已知的運(yùn)算規(guī)則搜索策略映射方式未知波段

3、選擇特征提取過(guò)程的實(shí)質(zhì)是對(duì)特征映射方式的尋求1.2 特征提取與特征選擇區(qū)別一、高光譜特征提取概念7 技術(shù)特點(diǎn)的區(qū)別特征提取特征選擇特征是未知的特征是已知的運(yùn)8一、高光譜特征提取概念二、基于可分性準(zhǔn)則的特征提取原理三、高光譜特征提取主要方法四、高光譜特征提取新方法及實(shí)例第四章 第2節(jié) 高光譜特征提取8一、高光譜特征提取概念第四章 第2節(jié) 高光譜特征提取9基本思想：以類(lèi)別可分性作為特征提取的準(zhǔn)則，要求提取的新特征所構(gòu)成的特征空間具備最佳的類(lèi)別區(qū)分能力。特征映射方式可分性準(zhǔn)則指導(dǎo)可分性準(zhǔn)則在高光譜數(shù)據(jù)降維中有哪兩方面作用？二、基于可分性準(zhǔn)則的特征提取原理2.1基于可分性準(zhǔn)則的特征提取基本思想有樣本支

4、持9基本思想：以類(lèi)別可分性作為特征提取的準(zhǔn)則，要求提取的新特征10二、基于可分性準(zhǔn)則的特征提取原理2.2選擇類(lèi)別可分性準(zhǔn)則可分性準(zhǔn)則：從高維數(shù)據(jù)中獲取一組用來(lái)分類(lèi)的特征，需要一個(gè)定量的標(biāo)準(zhǔn)來(lái)衡量特征對(duì)分類(lèi)的有效性?？煞中詼?zhǔn)則的主要類(lèi)型： 基于幾何距離的可分性準(zhǔn)則 基于概率密度的可分性準(zhǔn)則10二、基于可分性準(zhǔn)則的特征提取原理2.2選擇類(lèi)別可分性準(zhǔn)則11常見(jiàn)準(zhǔn)則：二、基于可分性準(zhǔn)則的特征提取原理2.2選擇類(lèi)別可分性準(zhǔn)則11常見(jiàn)準(zhǔn)則：二、基于可分性準(zhǔn)則的特征提取原理2.2選擇類(lèi)別12降維后的特征原始光譜特征映射矩陣類(lèi)內(nèi)散布矩陣類(lèi)間散布矩陣二、基于可分性準(zhǔn)則的特征提取原理2.3定義特征映射形式12降維

5、后的特征原始光譜特征映射矩陣類(lèi)內(nèi)散布矩陣類(lèi)間散布矩陣13 根據(jù)協(xié)方差傳播律，Y空間里的協(xié)方差矩陣Cy與X空間里的協(xié)方差矩陣Cx有如下關(guān)系： 可推導(dǎo)，Y空間里的散布矩陣與X空間里的散布矩陣有如下關(guān)系：二、基于可分性準(zhǔn)則的特征提取原理2.4求解映射矩陣13 根據(jù)協(xié)方差傳播律，Y空間里的協(xié)方差矩陣Cy與X空14 因此，變換后的Y空間里的可分性準(zhǔn)則函數(shù)：二、基于可分性準(zhǔn)則的特征提取原理2.4求解映射矩陣14 因此，變換后的Y空間里的可分性準(zhǔn)則函數(shù)：二、基于可分性15分析下式：原始高維空間空間中的散布矩陣?yán)脴颖厩蟮梦粗挠成渚仃嚩⒒诳煞中詼?zhǔn)則的特征提取原理2.4求解映射矩陣如何使J1取得最大值？1

6、5分析下式：原始高維空間空間中的散布矩陣?yán)脴颖厩蟮梦粗?6 J1是以矩陣A為變量的函數(shù)，欲使J1最大，可將上式求一階導(dǎo)數(shù)并令其為零：二、基于可分性準(zhǔn)則的特征提取原理2.4求解映射矩陣16 J1是以矩陣A為變量的函數(shù)，欲使J1最大，可將上17整理得到：二、基于可分性準(zhǔn)則的特征提取原理2.4求解映射矩陣17整理得到：二、基于可分性準(zhǔn)則的特征提取原理2.4求解映射18分析公式：代入二、基于可分性準(zhǔn)則的特征提取原理2.4求解映射矩陣18分析公式：代入二、基于可分性準(zhǔn)則的特征提取原理2.4求解19對(duì)于矩陣AB中的每一列，有：二、基于可分性準(zhǔn)則的特征提取原理2.4求解映射矩陣19對(duì)于矩陣AB中的每一列

7、，有：二、基于可分性準(zhǔn)則的特征提取20考察準(zhǔn)則函數(shù)J1在空間Z和Y中的關(guān)系：目的是求變換矩陣A，卻求出了矩陣 =AB接下來(lái)怎么辦？從Y到Z的映射不改變準(zhǔn)則函數(shù)J1的值有興趣的同學(xué)請(qǐng)自己證明二、基于可分性準(zhǔn)則的特征提取原理2.4求解映射矩陣20考察準(zhǔn)則函數(shù)J1在空間Z和Y中的關(guān)系：目的是求變換矩陣A21二、基于可分性準(zhǔn)則的特征提取原理2.4求解映射矩陣21二、基于可分性準(zhǔn)則的特征提取原理2.4求解映射矩陣22（一）思路：1.確定降維變換的數(shù)學(xué)映射表達(dá)Y=AX；2.選定可分性準(zhǔn)則函數(shù)（J1，J2，J3，J4等）；3.利用準(zhǔn)則函數(shù)對(duì)A的一階導(dǎo)數(shù)等于零建立方程；4.立足于方程，尋求A的解或等效解。二、

8、基于可分性準(zhǔn)則的特征提取原理2.4可分性準(zhǔn)則進(jìn)行特征提取要點(diǎn)小結(jié)設(shè)計(jì)新型特征提取方法的思路22（一）思路：1.確定降維變換的數(shù)學(xué)映射表達(dá)Y=AX；2.23（二）實(shí)施步驟：1. 選擇樣本；2. 計(jì)算原始光譜空間的類(lèi)內(nèi)、類(lèi)間散布矩陣；4. 利用特征向量構(gòu)建降維變換矩陣。3. 求解 的特征值和特征向量 ；2.4可分性準(zhǔn)則進(jìn)行特征提取要點(diǎn)小結(jié)二、基于可分性準(zhǔn)則的特征提取原理使用已有特征提取方法的步驟23（二）實(shí)施步驟：1. 選擇樣本；2. 計(jì)算原始光譜空間的24一、高光譜特征提取概念二、基于可分性準(zhǔn)則的特征提取原理三、高光譜特征提取主要方法四、高光譜特征提取新方法及實(shí)例第四章 第2節(jié) 高光譜特征提取2

9、4一、高光譜特征提取概念第四章 第2節(jié) 高光譜特征提取25A.經(jīng)典PCAB.最小噪聲分離法C.噪聲適應(yīng)主成分法D.通用光譜模式分解三、高光譜特征提取主要方法(P69 典型分析變換 CA)25A.經(jīng)典PCA三、高光譜特征提取主要方法(P69 典型263.1 經(jīng)典PCA(二)實(shí)施步驟： 1.計(jì)算協(xié)方差矩陣的特征值和特征向量; 2.按特征值大小順序排列特征向量，構(gòu)成變換矩陣。 (一)基本思想：使變換后各成分按照按照方差從大到小排序各成分之間盡可能不包含相同信息三、高光譜特征提取主要方法263.1 經(jīng)典PCA(二)實(shí)施步驟： (一)基本思想：273.1 經(jīng)典PCA (三)從可分性準(zhǔn)則降維的角度理解三、

10、高光譜特征提取主要方法常見(jiàn)準(zhǔn)則：PCA方法所依據(jù)的可分性準(zhǔn)則是什么？降維后的樣本總體方差最大協(xié)方差矩陣的極值分析273.1 經(jīng)典PCA (三)從可分性準(zhǔn)則降維的角度理解28三、高光譜特征提取主要方法3.2最小噪聲分離法(minimum noise fraction,MNF) Green(1988)發(fā)展了主成分分析方法，采用最小噪聲分離變換使變換后各成分按照信噪比而不是按照方差從大到小排序。28三、高光譜特征提取主要方法3.2最小噪聲分離法(mini29三、高光譜特征提取主要方法3.2最小噪聲分離法29三、高光譜特征提取主要方法3.2最小噪聲分離法30MNF基本流程：對(duì)圖像進(jìn)行低通濾波分離出噪聲

11、圖像n三、高光譜特征提取主要方法3.2最小噪聲分離法可分性準(zhǔn)則是什么？30MNF基本流程：對(duì)圖像進(jìn)行低通濾波分離出噪聲圖像n三、高31（noise-adjusted principal components, NAPC） 噪聲適應(yīng)主成分法的基本思想與最小噪聲分離法類(lèi)似，考慮到噪聲在各個(gè)波段分布的不均勻，NAPC方法在進(jìn)行主成分變換之前，先將各個(gè)波段的噪聲白化。三、高光譜特征提取主要方法3.3噪聲適應(yīng)主成分法31（noise-adjusted principal co32噪聲信號(hào)首先，針對(duì)噪聲求出白化矩陣三、高光譜特征提取主要方法3.3噪聲適應(yīng)主成分法32噪聲信號(hào)首先，針對(duì)噪聲求出白化矩陣三、高

12、光譜特征提取主要33然后，利用噪聲的白化矩陣調(diào)整觀測(cè)數(shù)據(jù)最后，對(duì)調(diào)整后的觀測(cè)數(shù)據(jù)進(jìn)行主成分變換，設(shè)變換矩陣為G,則總的變換矩陣為三、高光譜特征提取主要方法3.3噪聲適應(yīng)主成分法33然后，利用噪聲的白化矩陣調(diào)整觀測(cè)數(shù)據(jù)最后，對(duì)調(diào)整后的觀測(cè)343.4 基于通用光譜模式分解算法 通用光譜模式分解算法（Universal Pattern Decomposition Method, UPDM）將原始高維空間特征轉(zhuǎn)化為UPDM系數(shù)表示的UPDM空間向量值。要點(diǎn)：針對(duì)某幾類(lèi)特定地物目標(biāo)，如水體、植被、土壤等需要進(jìn)行地面光譜的實(shí)地測(cè)量三、高光譜特征提取主要方法343.4 基于通用光譜模式分解算法 通用光譜模式

13、35針對(duì)三類(lèi)3.4 基于通用光譜模式分解算法三、高光譜特征提取主要方法35針對(duì)三類(lèi)3.4 基于通用光譜模式分解算法三、高光譜特征提36矩陣P受兩方面因素影響： 所考察的基本地物類(lèi)型數(shù)目由矩陣P的列體現(xiàn)。 相應(yīng)影像波段的波長(zhǎng)區(qū)間 對(duì)地面實(shí)測(cè)光譜進(jìn)行歸一化處理， 由矩陣P的行體現(xiàn)，與傳感器無(wú)關(guān)。3.4 基于通用光譜模式分解算法三、高光譜特征提取主要方法36矩陣P受兩方面因素影響： 所考察的基本地物類(lèi)型數(shù)目由矩陣37 使用時(shí)根據(jù)傳感器對(duì)應(yīng)波長(zhǎng)截取相應(yīng)的UPDM參數(shù)，構(gòu)成P矩陣：代入方程，即可求得變換后的特征C3.4 基于通用光譜模式分解算法三、高光譜特征提取主要方法37 使用時(shí)根據(jù)傳感器對(duì)應(yīng)波長(zhǎng)截取

14、相應(yīng)的UPDM參38一、高光譜特征提取概念二、基于可分性準(zhǔn)則的特征提取原理三、高光譜特征提取主要方法四、高光譜特征提取新方法及實(shí)例第四章 第2節(jié) 高光譜特征提取38一、高光譜特征提取概念第四章 第2節(jié) 高光譜特征提取39 4.1分段PCA方法 基于分段PCA方法的波段選擇體現(xiàn)了特征選擇和特征提取的綜合利用。 主要思想是將原始的高光譜數(shù)據(jù)分成若干組，然后對(duì)每一組進(jìn)行PCA變換，再根據(jù)變換后的主成分進(jìn)行波段選擇。 對(duì)高光譜數(shù)據(jù)直接利用PCA方法進(jìn)行特征提取從效率和物理意義上往往不能滿(mǎn)足需求。四、高光譜特征提取新方法及實(shí)例39 4.1分段PCA方法 基于分段PCA方法的波段選40 基于分段PCA方法

15、的波段選擇的兩步走方案：針對(duì)每段進(jìn)行波段選擇 4.1分段PCA方法四、高光譜特征提取新方法及實(shí)例40 基于分段PCA方法的波段選擇的兩步走方案：針對(duì)每段進(jìn)41 基于分段PCA方法的波段選擇的具體步驟： (1). 計(jì)算波段間的相關(guān)系數(shù) (2).根據(jù)相關(guān)系數(shù)劃分波段小組 4.1分段PCA方法四、高光譜特征提取新方法及實(shí)例41 基于分段PCA方法的波段選擇的具體步驟： 42(3).對(duì)每個(gè)波段小組進(jìn)行PCA變換, 得到主成分P1,P2,Pk。(4).在各波段小組內(nèi)，根據(jù)每個(gè)波段與P1,P2,Pk相關(guān)系數(shù)平方和計(jì)算其貢獻(xiàn)率。與主成分相關(guān)性越強(qiáng)，包含有用信息越多 (5).按照貢獻(xiàn)率在在各波段小組內(nèi)，選擇代

16、表性波段。 4.1分段PCA方法四、高光譜特征提取新方法及實(shí)例42(3).對(duì)每個(gè)波段小組進(jìn)行PCA變換,(4).在各波段小43 (1).通過(guò)分組方案，減少計(jì)算量，同時(shí)避免全局PCA對(duì)局部特征的忽略。 特點(diǎn)分析 4.1分段PCA方法四、高光譜特征提取新方法及實(shí)例 (2).并不將每組的PCA第一主成分作為特征降維結(jié)果，而是同過(guò)計(jì)算組類(lèi)各波段的貢獻(xiàn)率進(jìn)行波段選擇，未損失反射率的物理意義。43 (1).通過(guò)分組方案，減少計(jì)算量，同時(shí)避免全局PC44降維基于X尋求投影指標(biāo)的最優(yōu)找到投影方向集合A1.由于H(*)的非線(xiàn)性，矩陣A無(wú)法顯式求解；2.m究竟取多少？主要問(wèn)題： 4.2投影尋蹤方法四、高光譜特征提

17、取新方法及實(shí)例44降基于X尋求投影指標(biāo)的最優(yōu)找到投影方向集合A1.由于H(45 逐次投影尋蹤方法，通過(guò)對(duì)高光譜數(shù)據(jù)的多次一維投影，逐步篩取出有效成分，構(gòu)建起新的低維正交空間。一次性的降維(由n維到m維)人為定義維數(shù)投影矩陣的整體求解經(jīng)典投影尋蹤多次的一維投影投影向量的單獨(dú)求解定量衡量投影特征的有效性逐次投影尋蹤 4.2投影尋蹤方法四、高光譜特征提取新方法及實(shí)例45 逐次投影尋蹤方法，通過(guò)對(duì)高光譜數(shù)據(jù)的多次一維投影，46需要解決的關(guān)鍵技術(shù)1.正交方法2.投影指標(biāo)(以下簡(jiǎn)稱(chēng)PI) 在逐次投影尋蹤過(guò)程中，如何確保下一步要選出的投影方向與當(dāng)前已產(chǎn)生的方向是正交的； 投影指標(biāo)(PI)的定義，依據(jù)PI能夠

18、選出最利于光譜空間中各簇區(qū)分的投影方向，同時(shí)，PI對(duì)于是否終止投影具有判據(jù)作用。 4.2投影尋蹤方法四、高光譜特征提取新方法及實(shí)例46需要解決的關(guān)鍵技術(shù)1.正交方法2.投影指標(biāo)(以下簡(jiǎn)稱(chēng)PI47X的協(xié)方差矩陣的特征值構(gòu)成的對(duì)角陣 特征向量構(gòu)成的列矩陣 標(biāo)準(zhǔn)化后的數(shù)據(jù)原始數(shù)據(jù)均值向量“標(biāo)準(zhǔn)化” 處理：使得投影指標(biāo)具備平移不變性每行向量均值為0，方差為1 4.2投影尋蹤方法四、高光譜特征提取新方法及實(shí)例47X的協(xié)方差矩陣的特征值構(gòu)成的對(duì)角陣 特征向量構(gòu)成的列矩陣48 PI指標(biāo)以非正態(tài)性作為衡量投影效果的標(biāo)準(zhǔn) 4.2投影尋蹤方法四、高光譜特征提取新方法及實(shí)例48 PI指標(biāo)以非正態(tài)性作為衡量投影效果的標(biāo)準(zhǔn) 4.2投影49離散狀態(tài)下 ：相對(duì)熵 ： PI指標(biāo) 4.2投影尋蹤方法四、高光譜特征提取新方法及實(shí)例49離散狀態(tài)下 ：相對(duì)熵 ： PI指標(biāo) 4.2投影尋蹤方法四50 實(shí)施步驟數(shù)據(jù)集的球化處理初始投影方向與當(dāng)前投影方向的夾角余弦統(tǒng)計(jì)依據(jù)PI值最大原則選擇下一個(gè)投影方向結(jié)束PI值小于閾值否是 4.2投影尋蹤方法四、高光譜特征提取新方法及實(shí)例建立備選方向集正交判斷50 實(shí)施步驟數(shù)據(jù)集的球化處理初始投影方向與當(dāng)前投影方向的夾51圖(a)至圖(e)分別是PCA方法的第2、4、6、8、15成分影像圖(f)至圖(j)分別是SPP算法與之相應(yīng)的結(jié)果影像 機(jī)載MAIS數(shù)據(jù)30波段PI投影指標(biāo)值序號(hào)S