高光譜影像特征選擇與提取

關(guān)于高光譜影像特征選擇與提取第1頁，共57頁，2023年，2月20日，星期日高光譜影像特點(diǎn)高光譜影像特征選擇與提取蝕變信息提取應(yīng)用示例第2頁，共57頁，2023年，2月20日，星期日第3頁，共57頁，2023年，2月20日，星期日第4頁，共57頁，2023年，2月20日，星期日高光譜遙感是20世紀(jì)最后二十年，人類在對(duì)地觀測(cè)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(jí)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(shí)現(xiàn)地物空間、輻射、光譜信息的同步獲取；為每個(gè)像元提供數(shù)十至數(shù)百個(gè)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(diǎn)

第5頁，共57頁，2023年，2月20日，星期日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(duì)于后續(xù)進(jìn)行的地物分類和目標(biāo)識(shí)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(diǎn)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(gè)重點(diǎn)。第6頁，共57頁，2023年，2月20日，星期日波段壓縮光譜特征2、高光譜影像特征選擇與提取

第7頁，共57頁，2023年，2月20日，星期日基于信息量原則（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8頁，共57頁，2023年，2月20日，星期日熵和聯(lián)合熵最佳指數(shù)因子（optimalindexfactor，OIF）自動(dòng)子空間劃分自適應(yīng)波段選擇（adaptivebandselection，ABS）波段指數(shù)（bandindex,BI）2.1.1基于信息量原則

第9頁，共57頁，2023年，2月20日，星期日根據(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10頁，共57頁，2023年，2月20日，星期日同理，兩個(gè)波段聯(lián)合熵為：n個(gè)波段圖像的聯(lián)合熵為：第11頁，共57頁，2023年，2月20日，星期日高光譜圖像數(shù)據(jù)波段標(biāo)準(zhǔn)差大，則信息量豐富；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(gè)波段組合中的最優(yōu)指數(shù)大?。鹤罴阎笖?shù)因子（OIF）

第12頁，共57頁，2023年，2月20日，星期日其中：Si為第i個(gè)波段的標(biāo)準(zhǔn)差；Ri，j表示第i個(gè)波段與第j個(gè)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(gè)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13頁，共57頁，2023年，2月20日，星期日在實(shí)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(diǎn)；其次，OIF算法對(duì)于高光譜圖像波段選擇而言計(jì)算量過大。第14頁，共57頁，2023年，2月20日，星期日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(dòng)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(diǎn)，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(dòng)子空間劃分

第15頁，共57頁，2023年，2月20日，星期日相關(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(duì)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(dòng)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(gè)），我們將高光譜空間S劃分為P個(gè)適合的數(shù)據(jù)子空間（它的維數(shù)是Lj（j=1，2，……，p-1，））第16頁，共57頁，2023年，2月20日，星期日第17頁，共57頁，2023年，2月20日，星期日第18頁，共57頁，2023年，2月20日，星期日該方法針對(duì)OIF方法在實(shí)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(gè)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(gè)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19頁，共57頁，2023年，2月20日，星期日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(gè)連續(xù)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?；谝陨峡紤]，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)（bandindex,BI）

第20頁，共57頁，2023年，2月20日，星期日

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(duì)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(duì)值之和）。第21頁，共57頁，2023年，2月20日，星期日均值間的標(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22頁，共57頁，2023年，2月20日，星期日“均值間的標(biāo)準(zhǔn)距離”d被定義為：式中，u1、u2分別為兩類對(duì)應(yīng)的樣本區(qū)域的光譜均值；

分別為兩類對(duì)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(duì)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23頁，共57頁，2023年，2月20日，星期日式中，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，tr[A]表示矩陣A對(duì)角線元素之和。離散度

第24頁，共57頁，2023年，2月20日，星期日式中符號(hào)的意義同于“離散度”公式中的定義。對(duì)于任何一給定的地物類別，只要算出這兩個(gè)不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(gè)類別的最佳波段組合，即最優(yōu)子集。B距離第25頁，共57頁，2023年，2月20日，星期日上面幾種方法是針對(duì)兩個(gè)類別而言，也就是說它們都是類對(duì)間的可分型度量。對(duì)于對(duì)類別而言，一個(gè)常用的辦法是計(jì)算平均可分型的平均值，并按平均值的大小排列所有被評(píng)價(jià)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26頁，共57頁，2023年，2月20日，星期日分為最優(yōu)（Optimal）搜索算法和次優(yōu)搜索算法。目前實(shí)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。傳統(tǒng)的方法有有序貫前向選擇法（SequentialForwardSelection，SFS）和序貫后向選擇法（SequentialBackwardSelection,SBS）基于搜索方法第27頁，共57頁，2023年，2月20日，星期日主要有主成份分析（PrincipalComponentAnalysis，PCA）、小波變換(WaveletTransform，WT)、獨(dú)立成分（IndependentComponentAnalysis，ICA、投影尋蹤方法等基于數(shù)學(xué)變換第28頁，共57頁，2023年，2月20日，星期日從操作對(duì)象、算法原理、特征性質(zhì)和應(yīng)用方式等方面綜合考慮，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(gè)層次，分別對(duì)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29頁，共57頁，2023年，2月20日，星期日光譜曲線特征光譜運(yùn)算與變換特征光譜相似性度量特征

2.2光譜特征第30頁，共57頁，2023年，2月20日，星期日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31頁，共57頁，2023年，2月20日，星期日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（binarycoding），即對(duì)每一像元，對(duì)各波段屬性值與某一閥值比較，相應(yīng)地賦予“0”或“1”的編碼。光譜曲線直接編碼

第32頁，共57頁，2023年，2月20日，星期日其中S[i]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(gè)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33頁，共57頁，2023年，2月20日，星期日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(duì)整個(gè)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(gè)區(qū)間，確定兩個(gè)區(qū)間的像元，在分別對(duì)兩個(gè)區(qū)間的像元屬性值取均值，得到兩個(gè)新的閥值

、

，最終形成四個(gè)區(qū)間間、、、,分別用0、1、2、3表示，對(duì)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34頁，共57頁，2023年，2月20日，星期日地物光譜曲線反映了地物的吸收和反射特征，對(duì)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(duì)稱度（S）、面積（A）等。光譜吸收特征參數(shù)第35頁，共57頁，2023年，2月20日，星期日第36頁，共57頁，2023年，2月20日，星期日吸收波段位置（P）是光譜最小值對(duì)應(yīng)的波長，有時(shí)也可定義為光譜最大值對(duì)應(yīng)的波長；吸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(diǎn)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(diǎn)、吸收始點(diǎn)反射率值；

、

為相應(yīng)的波長；吸收峰對(duì)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37頁，共57頁，2023年，2月20日，星期日利用這些參數(shù)可以對(duì)地物進(jìn)行識(shí)別和分類，如對(duì)同類地物光譜曲線特征求交得到識(shí)別地物的有效特征；對(duì)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(shí)別和實(shí)現(xiàn)地物分類的目的。第38頁，共57頁，2023年，2月20日，星期日不同地物光譜曲線，其吸收波峰波谷形狀、位置、寬度、深度和對(duì)稱度等屬性也不同。每一個(gè)光譜吸收特征可以由光譜吸收谷點(diǎn)M及其兩個(gè)肩部S1

和S2組成，或由吸收峰值點(diǎn)及兩個(gè)肩部組成。光譜吸收指數(shù)第39頁，共57頁，2023年，2月20日，星期日第40頁，共57頁，2023年，2月20日，星期日植被指數(shù)導(dǎo)數(shù)光譜2.2.2光譜運(yùn)算與變換特征

第41頁，共57頁，2023年，2月20日，星期日常規(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(duì)于高光譜遙感數(shù)據(jù)而言，NDVI可以被看作是一個(gè)梯級(jí)函數(shù)，來表達(dá)植被反射率在=0.7um處的突然遞增。植被指數(shù)

第42頁，共57頁，2023年，2月20日，星期日植被指數(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(cè)，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(gè)獨(dú)立特征參加分類。第43頁，共57頁，2023年，2月20日，星期日導(dǎo)數(shù)光譜也稱光譜微分技術(shù)（SpectralDerivative）。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(duì)目標(biāo)光譜的影響，以便提取可識(shí)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44頁，共57頁，2023年，2月20日，星期日式中：X={X1,X2,……，XN}為光譜向量，N為波段數(shù)，λ={λ1,λ2,……，λN}為波長集合。以此類推，可以計(jì)算出任意階導(dǎo)數(shù)光譜。通過導(dǎo)數(shù)光譜運(yùn)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(shí)別。第45頁，共57頁，2023年，2月20日，星期日植被指數(shù)與導(dǎo)數(shù)光譜實(shí)質(zhì)是在光譜空間上進(jìn)行特定運(yùn)算以形成新的特征，按照這一思路，可以設(shè)計(jì)其它光譜運(yùn)算特征，如波段求和、取均值以及其它更復(fù)雜的運(yùn)算獲取的特征。第46頁，共57頁，2023年，2月20日，星期日光譜角填圖（spectralanglemapping）光譜信息散度SID（Spectralinformationdivergence）2.2.3光譜相似性度量特征

第47頁，共57頁，2023年，2月20日，星期日式中，N為波段數(shù)，A=（

，

，……，

）和B=（

，

，……，

）分別表示兩個(gè)光譜向量，其中元素

、

表示像元在第i個(gè)波段上的反射率，a為光譜角度。在具體計(jì)算中并不需要求出實(shí)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48頁，共57頁，2023年，2月20日，星期日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（spectralanglemapping）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49頁，共57頁，2023年，2月20日，星期日光譜信息散度SID

P、第50頁，共57頁，2023年，2月20日，星期日此外，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51頁，共57頁，2023年，2月20日，星期日示例數(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