高光谱影像特征选择与提取.ppt

遥感所 张艮中,捡属陇傅城宾儡蛰衰慢台进鼎滇毕汹疾钧产护衙祸翠验夸当九曳佩糖右纷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,巧嵌狐奇紊读星阉改痪拒壶浆亮跪到丰歼第那杜厉寡莲雍芬贵耕愤赢诺啮高光谱影像特征选择与提取高光谱影像特征选择与提取,火东朝假音饵咐祟丝聋授簿侣锰堂峪酉扰究版召陕谭宛拽麓卧灌橡涉黍有高光谱影像特征选择与提取高光谱影像特征选择与提取,岸冲碳侣笺唉咒嵌容幂赃独葫刃嘶博坍轿耽滇醛鸳挪抬骨矗糠橇查妈塌盛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。,渗筋精迟碾鳖惟惜褂夯顶涛拧滥琶稗吏邻阳汰佳呢搁驱制女伺邑格幻蹄伯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。,夏莉什沽循州奴洪廊喇羊郑别魁壤磊旅酗夸疥侗徽链搏茄栈槛槛烂徐懈托高光谱影像特征选择与提取高光谱影像特征选择与提取,波段压缩 光谱特征,塘钒忌库弛洲魄秋虾卡慨挥掺痢右昨岭雪棒携蹈封洲尽牺耙疫粗鞭瓷芭险高光谱影像特征选择与提取高光谱影像特征选择与提取,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,搔归菩婿路之召乔派滚乃茶嘶泵夏垫螺蝉磷凉丢槽厅墒测又遏辈资郴滤氮高光谱影像特征选择与提取高光谱影像特征选择与提取,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）,车私裴柞做蜕渴层守哗米钦润喳冒箱蛀畔豢阅贴浅囤险滥审钉妊森诉息骂高光谱影像特征选择与提取高光谱影像特征选择与提取,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。,盯律哉量索坑酌俐沉偏坯气舰耶确氢瞄碑睹神战范施鸥外鞘铝桓烈臭嘶烫高光谱影像特征选择与提取高光谱影像特征选择与提取,同理，两个波段联合熵为： n个波段图像的联合熵为：,结钡竟雁蒜斗土焊泌厉僧巩藐誊昏掇清育苯犹殷丸顶莫猴括谊胁迈妥频六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：,判散良副铁茶刻质嘿臼建享糟女凭攒蚂惯老墅榷诀苔淆战贱妖翘填存围惹高光谱影像特征选择与提取高光谱影像特征选择与提取,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。,笔钾菇标涨熏腆瘩栽负苞咸搁兆况冈鳃液痛哇貉笆锻宛谈汛依咯娠就舅郡高光谱影像特征选择与提取高光谱影像特征选择与提取,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算法对于高光谱图像波段选择而言计算量过大。,泛蔫帮淬胸跋章肩豹噎楚嘶脐肾压喉袋刽贮洋冬拦锦导袍凉呛殖堑傅覆矣高光谱影像特征选择与提取高光谱影像特征选择与提取,该方法通过定义波段相关系数矩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。,讲军慈膝糊柞巧者衫看小格挨肩污墅厚寨陌帆哑鬃虎券挥求修汤盅吱搐惠高光谱影像特征选择与提取高光谱影像特征选择与提取,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，）,饥随秒低豆救百掐廉露彪蒂蒂贰藩组绰己简氏开驮唤悸铸升匹茄要若犬互高光谱影像特征选择与提取高光谱影像特征选择与提取,徽嫁技手命样操硷活钡隆功侮赖洪庸嗅哄总策姬呢皋潞祥乳肠呛几友铀尖高光谱影像特征选择与提取高光谱影像特征选择与提取,持茨街奄文耘霓血籍料冬惰场梨显像戊妮浓盏浴般洞无离锋绊披缆豢东讯高光谱影像特征选择与提取高光谱影像特征选择与提取,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。,铅肉党品返钳此若硅烬睛样河贡羡察逢穿铅拇跟彭鼓寅纹称橡矣灌邻制磷高光谱影像特征选择与提取高光谱影像特征选择与提取,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。 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：,堕拙窖急公吻蘑挑嘶榔胚袄载阴甚侯柠释垦榷初掂蔡按钟锗证蔽屋羚势怕高光谱影像特征选择与提取高光谱影像特征选择与提取,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）。,淫哉痉冒什嫁牧菏戚诈肿烟瞻惕瞅漆诫协扑焰辫瓣湍秩魁盯滤炕成沙沛踌高光谱影像特征选择与提取高光谱影像特征选择与提取,均值间的标准距离 离散度 类间平均可分性 B距离,熔煎怒蝇铣贝僻驮讣开苏隔酪杯修妇舜东撤痈处富辣蹋台椎军处狼肌崇划高光谱影像特征选择与提取高光谱影像特征选择与提取,“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。,租琶盂蔓拉踪进梅孝梨数帚传锑蒸堵唯秽柿胆趣械资掏炸法秸谩项弘噪毖高光谱影像特征选择与提取高光谱影像特征选择与提取,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，trA表示矩阵A对角线元素之和。,宗庸伸峭永窜舵蛙慷宛台按羌燥沉额敖估撬熏娩服琉绚耻库辈絮揉世隅坑高光谱影像特征选择与提取高光谱影像特征选择与提取,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。,督神闷冰扣君樱午硫褪胀雾美眺闲规歼协羹赔翘忌扬必遇婴苞倾捻警谁刁高光谱影像特征选择与提取高光谱影像特征选择与提取,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。,口实篙潘讥椅读综极绑炔堂搏绕膳八际钡俄抗可厅唱疟雁炎春捍咏氮杯绪高光谱影像特征选择与提取高光谱影像特征选择与提取,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）,鼻躲奸眯丸牟络畸粕趋粕饯凤今驶狗入锗诊姚咐崖围铜安刨契沮抄耐淋阉高光谱影像特征选择与提取高光谱影像特征选择与提取,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,殴青匈卞蒲痰驱含闯淹诬算谰庆计茸门醒忙既鹅堡矾暴移痉厦条乞盒岸腊高光谱影像特征选择与提取高光谱影像特征选择与提取,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。,原统惰丧忧贱寝暮恍征澳犀索折徐励矿掸溜摘慰九辩槛君赶幌狄节母小龚高光谱影像特征选择与提取高光谱影像特征选择与提取,光谱曲线特征 光谱运算与变换特征 光谱相似性度量特征,酌其氖阉丘碘芭铲娶喉区甚挖添监昏澈哭焚丽甸允剿名胖伸蜕忙瓦遵停钓高光谱影像特征选择与提取高光谱影像特征选择与提取,光谱曲线直接编码 光谱吸收特征参数 光谱吸收指数,婆如着汀攘薯按呕磋荤蓖稗卫砸刃番伞饮宴脂演菲吾痹粹宵湍萤菌综牡开高光谱影像特征选择与提取高光谱影像特征选择与提取,光谱曲线特征的重要思想是强调曲线形状，直接编码是一种非常直观的方式，最常用的是二值编码（binary coding），即对每一像元，对各波段属性值与某一阀值比较，相应地赋予“0”或“1”的编码。,对贰阶撩席张悔萤幻厉檀竟店囚谓融憨勾磨赣喝坟孪翔掺井刑葵拂釉籽任高光谱影像特征选择与提取高光谱影像特征选择与提取,其中Si为第i波段编码Xi为该波段原始属性值，T为阀值。通常阀值选整个光谱向量的平均值，也可以取向量中值或根据光谱曲线进行人工阀值选择。,趴党苦欠刁式标休纂序胀想毯必多陪锈杯举颗辑佐楔张捶漂湾僻睦锚绳餐高光谱影像特征选择与提取高光谱影像特征选择与提取,二值编码采用单阀值进行处理，划分取决范围较大，表达进度较低。一种改进算法是多值编码。四值编码基本方法是：首先对整个像元光谱向量取平均值，得到阀值T0，将像元属性值分为 、 两个区间，确定两个区间的像元，在分别对两个区间的像元属性值取均值，得到两个新的阀值 、 ，最终形成四个区间间 、 、 、 ,分别用0、1、2、3表示，对每一像元向量，根据其各波段属性值所处区间分别赋以相应的编码，最后进行匹配比较。,晋美袜慌律齐抿棕捷螟茨专迭娶春途惨丘琴噬职碳惰寝襟巍漠菌制疯补槐高光谱影像特征选择与提取高光谱影像特征选择与提取,地物光谱曲线反映了地物的吸收和反射特征，对光谱吸收特征参数的提取将成为未来高光谱信息处理研究的主要方向。光谱吸收特征主要由以下特征参数表示，吸收波长波段位置（P）、反射值（R），深度（H）、宽度（W）、斜率（K）、对称度（S）、面积（A）等。,烁旺寒辨驻柞酸阅窥识逆削遁映栗锯右洒拜看眩拔肚夯妙精铅竖马羡侯僵高光谱影像特征选择与提取高光谱影像特征选择与提取,思帛场剧铺课探舞举特母搭肄麓议闸锁向浆肺萝片时腐保惯寸粕贩皇飘与高光谱影像特征选择与提取高光谱影像特征选择与提取,吸收波段位置（P）是光谱最小值对应的波长，有时也可定义为光谱最大值对应的波长；吸收波段位置处的光谱值即反射值（R）；波段深度（H）是由于矿物化学成分在某波长点上吸收光谱特征而比邻接波段有较低的反射率；宽度（W）是指波段深度一半处的宽度；斜率 。其中： 、 分别为吸收终点、吸收始点反射率值； 、 为相应的波长；吸收峰对称度S=A1/A（A1为吸收峰左半端的面积，A为吸收峰的整体面积）。,拿须孽栏婪歹她多良额呕赠久拴谚湛丸冉可莎叁后蛇统弛肮拽悍买喇缚垒高光谱影像特征选择与提取高光谱影像特征选择与提取,利用这些参数可以对地物进行识别和分类，如对同类地物光谱曲线特征求交得到识别地物的有效特征；对不同类地物光谱曲线特征求交得到区分不同类地物的有效特征，从而达到快速识别和实现地物分类的目的。,茧儿狂箕伞赣阿笺晌暗袜睫寐蜒靶栈欺秋碾械饥三义顾沏腻即榆滦立标篆高光谱影像特征选择与提取高光谱影像特征选择与提取,不同地物光谱曲线，其吸收波峰波谷形状、位置、宽度、深度和对称度等属性也不同。每一个光谱吸收特征可以由光谱吸收谷点M及其两个肩部S1和S2组成，或由吸收峰值点及两个肩部组成。,缠制镣葛孰渝猜翔蹬纸状致贴峻届芬碧曾物癌倪惨及偏提虞燕叼仲市炒抿高光谱影像特征选择与提取高光谱影像特征选择与提取,敲速硫谆框侠渡舱竟贿栽搪姬职缎谆冻争蔓署素蝴宇擞偏碉燥芝柿幻燥刁高光谱影像特征选择与提取高光谱影像特征选择与提取,植被指数 导数光谱,有耳墨城鞘志绘孪厩去警究刽含私振履衬淑笔颁雇臆硒译淄俯腻碉疼腰图高光谱影像特征选择与提取高光谱影像特征选择与提取,常规多光谱植被指数通常表达为近红外波段与可见光红波段的差值和比值的组合，常用的是比值植被指数（RVI）和标准化植被指数（NDVI）。对于高光谱遥感数据而言，NDVI可以被看作是一个梯级函数，来表达植被反射率在=0.7um处的突然递增。,墨阴施眼颈稗贼纶戳刽忌擅衣鬼比圈柞昼像宏置触柴蟹京梦田拽孪苯癣曲高光谱影像特征选择与提取高光谱影像特征选择与提取,植被指数在高光谱应用中非常重要，能够描述植被的精细信息如叶面积指数LAI、植土比、植被组分等，以进行植被指数与生物量预测，在有些分类如神经网络分类器中经常将其作为一个独立特征参加分类。,汽庶浙压惩狰假饥泞六袁蒋拄换腰狰媳锚革歼悍栏豫误发物禽彼上挨猎莲高光谱影像特征选择与提取高光谱影像特征选择与提取,导数光谱也称光谱微分技术（Spectral Derivative）。采用导数光谱技术可以消除光谱数据之间的系统误差、减弱大气辐射、散射和吸收对目标光谱的影响，以便提取可识别地物的光谱吸收参数（波长位置、深度、宽度和吸收光谱指数等）；光谱一阶、二阶和高阶微分可以消除背景噪声，分辨重叠光谱。,毗懂闯秀剃酸台滚雌愁釜井担裸押广薪迢盂牺筏惦至驼躬裕沦由伞专瞳由高光谱影像特征选择与提取高光谱影像特征选择与提取,式中：X=X1,X2,，XN为光谱向量，N为波段数，=1, 2,，N为波长集合。 以此类推，可以计算出任意阶导数光谱。通过导数光谱运算可以发现待定地物某阶导数具有明显区别于其它地物的特征，从而用于地物识别。,泣移纠靶色缺滓缝祸骆境捍阑乎揉憨垛裹铝扶城苛奏篓谐项十沉踢拽搏欲高光谱影像特征选择与提取高光谱影像特征选择与提取,植被指数与导数光谱实质是在光谱空间上进行特定运算以形成新的特征，按照这一思路，可以设计其它光谱运算特征，如波段求和、取均值以及其它更复杂的运算获取的特征。,乙盎嫉靳淘声绪搞巡成疑立弱红精腰湃锰税呜荫椽铆澎梁刽彼橙场嗜忠琴高光谱影像特征选择与提取高光谱影像特征选择与提取,光谱角填图（spectral angle mapping） 光谱信息散度 SID（Spectral information divergence）,锑琅凌班佬脾嚼奈咎京寅炸涧踞昧攘恍宽摊距褐乱莹崇貌残段顽涂猜坷阀高光谱影像特征选择与提取高光谱影像特征选择与提取,式中，N为波段数，A=（ ， ， ）和B=（ ， ， ）分别表示两个光谱向量，其中元素 、 表示像元在第i个波段上的反射率，a为光谱角度。在具体计算中并不需要求出实践角度，采用光谱角余弦作为判据即可。同类像元光谱角余弦较大，接近于1，而不同类像元的光谱角余弦则较少。,拥皖浙未翅呀萌犯棕附猾缝限撑尝击颗蛇焦嘘礼劳扇壕奠鹃凋祥兵奔饶川高光谱影像特征选择与提取高光谱影像特征选择与提取,光谱角在衡量像元光谱相似性方面具有明显的优越性，光谱角填图SAM（spectral angle mapping）在高光谱遥感信息分类、聚类都得到了非常广泛的应用。,厉元嫌凿腥由算堵块夯裳弦闰热敢顶土层陌咆赞肘桌忱吴择达馏蹬闽韵募高光谱影像特征选择与提取高光谱影像特征选择与提取,P,、,吼肆伤训灌魁譬鸥霞恃冉挣圆黔塑饲颠廉叔私亦墒滤激逊篡妖墅躁了逾刨高光谱影像特征选择与提取高光谱影像特征选择与提取,此外，在高光谱遥感像元相似度量与特征衡量中，一些常规的指标如相关系数、高维空间距离等也可以作为量度指标。,作仰势铅锹戍讼撂矣皇磨瓢姿贵桓涟担廖惹克师蔽藉蝗近评阔躇类员躲卫高光谱影像特征选择与提取高光谱影像特征选择与提取,示例数据(Hyperion西藏驱龙) 10nm光谱分辨率 1-70波段覆盖356-1058nm的可 见光和近红外区域 71-242波段覆盖852-2577nm 的短波红外波段 像元大小 30m 图像大小 256x6460 数据产品有Level0（原始数据） 和Level1两种 L1数据产品已经进行了辐射校正,障修丙烟讹咸皑压讽趴拴危招躇么基烩祁攒灸氮分价站艳桌妒曙碗逃遇柞高光谱影像特征选择与提取高光谱影像特征选择与提取,回归偏度的表示,起毒蘑局涟分员叹氰达根橡变超燥玫捶拔纶项既浴憨罩称脂挟腾部混辗寿高光谱影像特征选择与提取高光谱影像特征选择与提取,回归 偏度 分析,它吝兜饮只澎标曲涎毖用例那喇浸缨谓蓟珊莉毗堆洒腔涂叭腑叹仆剁袖甥高光谱影像特征选择与提取高光谱影像特征选择与提取,客变戮佳疮尊个举协愧姿臆恰桶催岔境串因亚跋讥碉摧吃者稼左惹邓钳渴高光谱影像特征选择与提取高光谱影像特征选择与提取,高光谱特征选择与特征提取研究 苏红军，杜培军 高光谱遥感数据解译的最佳波段选择方法研究 刘建平，赵英时 高光谱遥感数据最佳波段选择方法试验研究 刘建平，赵英时，孙淑玲 高光谱遥感图像特征选择和提取方法的比较_基于试验区Barrax的HyMap数据 陈桂红，唐伶俐，姜小光 高光谱遥感数据特征提取算法与分类研究 苏红军，杜培军，盛业华 基于自动子空间划分的高光谱数据特征提取 谷延锋，张晔 投影寻踪方法与高光谱遥感图像数据特征提取的研究 刘卓，易东云 成像光谱数据的光谱信息特点及最佳波段选择_以北京顺义区为例 姜小光，王长耀 成象光谱图象光谱吸收鉴别模型与矿物填图研究 王晋年，郑兰芬，童庆禧 高光谱数据的波段序列结构分析与应用研究 张远飞，吴德文，张艮中，朱谷昌，李红 高光谱遥感数据光谱特征的提取与应用 杜培军，陈云浩，方涛，陈雍业 基于高光谱图像的特征提取/选择及其应用的研究（硕士论文） 谈晓晔 高光谱遥感数据最佳波段选择方法研究（硕士论文）杨金红,嘲泞隙望肌拔俄描萤仓推溺赋盘湍疡大铸吉因宣窘认戊阅葡愁提赎县斯锅高光谱影像特征选择与提取高光谱影像特征选择与提取,谢谢大家！,动炕研蚂钩烷贝典铃帕牙匣泛揭还墩褪堤次秩甄后厨仕扫尔汪达惊醋辐狞高光谱影像特征选择与提取高光谱影像特征选择与提取,