57页高光谱影像特征选择与提取(完稿)

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，并生成条完整而连续的光谱曲线。

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，将像元属性值分为两个区间，确定两个区间像元，在分别对两个区间像元属性值取均值，得到两个新阀值，最终形成四个区间间，分别用表示，对每像元向量，根据其各波段属性值所处区间分别赋以相应编码，最后进行匹配比较。

地物光谱曲线反映了地物吸收和反射特征，对光谱吸收特征参数提取将成为未来高光谱信息处理研究主要方向。

光谱吸收特征主要由以下特征参数表示，吸收波长波段位置反射值，深度宽度斜率对称度面积等。

吸收波段位置是光谱最小值对应波长，有时也可定义为光谱最大值对应波长吸收波段位置处光谱值即反射值波段深度是由于矿物化学成分在波长点上吸收光谱特征而比邻接波段有较低反射率宽度是指波段深度半处宽度斜率。

其中分别为吸收终点吸距离”被定义为式中，分别为两类对应样本区域光谱均值分别为两类对于样本区域方差。

反映两类在每波段内地可分性大小。

越大，可分性越大。

此法是维特征空间中两类别间可分性种度量，它不适合进行多变量研究。

对于多维特征空间多变量可分性研究，可用离散度距离等方法。

式中，分别表示类亮度均值矢量，分别为类协方差矩阵，表示矩阵对角线元素之和。

式中符号意义同于“离散度”公式中定义。

对于任何给定地物类别，只要算出这两个不同类别在所有可能波段组合中标准距离离散度或距离，并去最大者，便是区分这两个类别最佳波段组合，即最优子集。

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可分型度量。

对于对类别而言，个常用办法是计算平均可分型平均值，并按平均值大小排列所有被评价子集顺序，从而选择最佳组合波段。

分为最优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组性能较好，但不定是最好特征集合。

传统方法有有序贯前向选择法，和序贯后向选择法，主要有主成份分析，小波变换，成分，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像元光谱曲线分析部分波段数据变换与组合光谱相似性度量三种应用模式。

光谱曲线特征光谱运算与变换特征光谱相似性度量特征光谱曲线直接编码光谱吸收特征参数光谱吸收指数光谱曲线特征重要思想是强调曲线形状，直接编码是种非常直观方式，最常用是二值编码，即对每像元，对各波段属性值与阀值比较，相应地赋予或编码。

其中为第波段编码为该波段原始属性值，为阀值。

通常阀值选整个光谱向量平均值，也可以取向量中值或根据光谱曲线进行人工阀值选择。

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。

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，将像元属性值分为两个区间，确定两个区间像元，在分别对两个区间像元属性值取均值，得到两个新阀值，最终形成四个区间间，分别用表示，对每像元向量，根据其各波段属性值所处区间分别赋以相应编码，最后进行匹配比较。

地物光谱曲线反映了地物吸收和反射特征，对光谱吸收特征参数提取将成为未来高光谱信息处理研究主要方向。

光谱吸收特征主要由以下特征参数表示，吸收波长波段位置反射值，深度宽度斜率对称度面积等。

吸收波段位置是光谱最小值对应波长，有时也可定义为光谱最大值对应波长吸收波段位置处光谱值即反射值波段深度是由于矿物化学成分在波长点上吸收光谱特征而比邻接波段有较低反射率宽度是指波段深度半处宽度斜率。

其中分别为吸收终点吸点及两个肩部组成。

植被指数导数光谱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差值和比值组合，常用是比值植被指数和标准化植被指数。

对于高光谱遥感数据而言，可以被看作是个梯级函数，来表达植被反射率在处突然递增。

植被指数在高光谱应用中非常重要，能够描述植被精细信息如叶面积指数植土比植被组分等，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个特征参加分类。

导数光谱也称光谱微分技术。

采用导数光谱技术可以消除光谱数据之间系统误差减弱大气辐射散射和吸收对目标光谱影响，以便提取可识别地物光谱吸收参数波长位置深度宽度和吸收光谱指数等光谱阶二阶和高阶微分可以消除背景噪声，分辨重叠光谱。

式中，为光谱向量，为波段数为波长集合。

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阶导数具有明显区别于其它地物特征，从而用于地物识别。

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特征，按照这思路，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运算获取特征。

光谱角填图光谱信息散度式中，为波段数和，分别表示两个光谱向量，其中元素表示像元在第个波段上反射率，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，而不同类像元光谱角余弦则较少。

光谱角在衡量像元光谱相似性方面具有明显优越性，光谱角填图在高光谱遥感信息分类聚类都得到了非常广泛应用。

此外，在高光谱遥感像元相似度量与特征衡量中，些常规指标如相关系数高维空间距离等也可以作为量度指标。

示例数据西藏驱龙光谱分辨率波段覆盖可见光和近红外区域波段覆盖短波红外波段像元大小图像大小数据产品有原始数据和两种数据产品已经进行了辐射校正回归偏度表示回归偏度分析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比较基于试验区数据陈桂红，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研究刘卓，易东云成像光谱数据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提取与应用杜培军，陈云浩，方涛，陈雍业基于高光谱图像特征提取选择及其应用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谢谢大家！距离”被定义为式中，分别为两类对应样本区域光谱均值分别为两类对于样本区域方差。

反映两类在每波段内地可分性大小。

越大，可分性越大。

此法是维特征空间中两类别间可分性种度量，它不适合进行多变量研究。

对于多维特征空间多变量可分性研究，可用离散度距离等方法。

式中，分别表示类亮度均值矢量，分别为类协方差矩阵，表示矩阵对角线元素之和。

式中符号意义同于“离散度”公式中定义。

对于任何给定地物类别，只要算出这两个不同类别在所有可能波段组合中标准距离离散度或距离，并去最大者，便是区分这两个类别最佳波段组合，即最优子集。

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可分型度量。

对于对类别而言，个常用办法是计算平均可分型平均值，并按平均值大小排列所有被评价子集顺序，从而选择最佳组合波段。

分为最优搜索算法和次优遥感所张艮中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高光谱遥感是世纪最后二十年，人类在对地观测方面取得重大技术突破之，也是当前及以后几十年内遥感前沿技术。

它利用成像光谱仪纳米级光谱分辨率，获取许多非常窄且光谱连续图像数据，实现地物空间辐射光谱信息同步获取为每个像元提供数十至数百个窄波段光谱信息，并生成条完整而连续光谱曲线。

高光谱遥感大量光谱波段数据为人们了解地物提供了丰富信息，这对于后续进行地物分类和目标识别是十分有益然而波段增多也必然导致信息冗余和数据处理难度增加。

如何既能有效利用高光谱数据最大信息，又能较快地处理高光谱数据成为光谱数据处理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研究是两个重点。

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，自动子空间划分自适应波段选择，波段指数，根据香农信息论原理，幅表示图像熵为式中为输入图像，为图像像素灰度值为概率。

同理，两个波段联合熵为个波段图像联合熵为高光谱图像数据波段标准差大，则信息量丰富而波段间相关系数小，波段信息冗余度小。

根据以上原理，等人与年提出了种组合波段选优方法即最佳指数因子。

该方法根据下式给出个波段组合中最优指数大小其中为第个波段标准差，表示第个波段与第个波段之间相关系数。

选择波段数目般取，即将所有可能三个波段组合在起。

越大，则相应组合波段图像信息量就越大。

在实际应用中，这种方法存在局限性。

首先，它选择出来最优波段未必是最优点其次，算法对于高光谱图像波段选择而言计算量过大。

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数据子空间。

这种划分方法有着充分理论依据，反映了数据局部特性。

自动子空间划分就是根据相关系数矩阵灰度图成块特点，依据高光谱影像相邻波段相关系数大小，将波段划分为适合数据子空间。

划分好子空间后，再进行波段选择。

相关矩阵为进步地，我们将可传递相关矢量定义为我们对该矢量进行处理，从中提取局部相关极小值。

根据这些自动提取极小值设在波段开区间，内这样极小值共有个，我们将高光谱空间划分为个适合数据子空间它维数是该方法针对方法在实际应用中存在局限性，充分考虑了各波段空间相关性和谱间相关性。

其公式如下其中为第个波段标准差和是第波段与其前后两波段相关系数或波段与任意两个波段相关系数是第幅图像指数大小。

由于基于全局波段选择算法，选择波段往往是联虚地集中在个连续子空间中。

而连续子空间往往相似性大，这就造成信息重复使用，影响后续处理效果。

基于以上考虑，将高光谱数据分为组，每组波段数分别为，定义波段指数为式中为第波段均方差，为第波段与所在组内其他波段相关系数绝对值之和平均值，为第波段与所在组以外地其它波段之间相关系数绝对值之和。

均值间标准距离离散度类间平均可分性距离“均值间标准距离”被定义为式中，分别为两类对应样本区域光谱均值分别为两类对于样本区域方差。

反映两类在每波段内地可分性大小。

越大，可分性越大。

此法是维特征空间中两类别间可分性种度量，它不适合进行多变量研究。

对于多维特征空间多变量可分性研究，可用离散度距离等方法。

式中，分别表示类亮度均值矢量，分别为类协方差矩阵，表示矩阵对角线元素之和。

式中符号意义同于“离散度”公式中定义。

对于任何给定地物类别，只要算出这两个不同类别在所有可能波段组合中标准距离离散度或距离，并去最大者，便是区分这两个类别最佳波段组合，即最优子集。

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可分型度量。

对于对类别而言，个常用办法是计算平均可分型平均值，并按平均值大小排列所有被评价子集顺序，从而选择最佳组合波段。

分为最优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组性能较好，但不定是最好特征集合。

传统方法有有序贯前向选择法