耿修瑞高光谱图像波段选择-Read
高光谱遥感图像的解混和波段选择方法研究
高光谱遥感图像的解混和波段选择方法研究高光谱遥感图像能够以纳米级的光谱分辨率提供海量数据信息,但是由于空间分辨率限制,图像中的一个像元可能包含有多种地物类型,形成混合像元,影响了对地表形态的精确测量和分析。
因此,在实际应用时经常需要将混合像元进行分解,从中得到典型地物的光谱(端元)及这些地物所占比例(丰度),以便充分发掘数据中的光谱信息,研究目标物质。
如何快速有效地进行混合像元的分解,是近年来高光谱图像处理中的一个热点问题。
本论文重点针对混合像元问题,分别从统计学和几何学的角度展开分析,并在此基础上提出相应的解混方法。
此外,针对数据的维数问题,我们还研究了复杂网络的方法,将其应用到高光谱波段选择问题中,用于数据的降维处理。
本论文的主要工作和创新点包括以下几个方面：1.提出一种有约束独立分量分析的解混方法。
该方法通过设计新的目标函数,选择符合高光谱图像物理意义的约束条件,在根本上克服了传统ICA的独立性假设,使算法能够适用于遥感数据的分析。
此外还设计了一种自适应的模型来描述数据的概率分布,能够利用蕴含在观测图像中的统计信息实现自动建模,在提高解混结果精度的同时,使算法对各种不同的遥感数据都表现出良好的适用性。
所提出的算法克服了基于独立分量分析的方法进行光谱解混时所出现的问题,能够得出更优的解。
而且,算法即使在端元数估计错误的情况下仍能得到正确结果,作为一种无需光谱先验信息的算法,为混合像元分解问题提供了一种有效的解决手段。
2.提出一种基于三角分解的端元提取框架。
这既是一种单形体类的几何方法,同时又建立在三角分解的代数原理之上。
我们通过最小化单形体体积寻找端元,在这一过程中引入了三角分解,利用递归操作,只需对数据做一轮体积比较便可完成端元提取任务,得到全局最优解。
该算法能够在原始高维数据上快速而稳定地运行,在实时处理领域有着很好的应用前景。
降维处理不是必要步骤,所以在实际应用中可以根据具体情况选择是否进行降维,具有很好的灵活性。
高光谱图像波段选择方法探究
第一类的方法，通过单一的公式“粗暴”的获取
最优波段， 所选取的波段组合往往不一定是最优的
波段组合。 如 OIF 指数方法，因为高光谱图像相邻的
波段间的相关系数往往很大，很多甚至接近 1，但距
离比较远的波段间的相关系数明显会小的多， 所以 这种方法会很容易选取隔得比较远的波段组合，但 它们的信息量可能并不大。 还有一种情况，当在相关 系数都比较大的情况下， 则基本上是选择信息量大 的波段了。 第二种方法分别考虑波段信息量和波段 间相关系数，方法要更严谨一些，但过程要麻烦，而 且这类方法因为每一步都要设置阈值去除一些波 段，阈值的选取往往很难一步到位，本文实验了一种 分段 OIF 指数法来提取最优波段组合的方法。 除此 之外，本文提出一种由粗到细并一步到位的方法，即 利用循环迭代分别考虑波段间的相关系数 （表示波 段间的相关性） 和波段的标准差 （表示波段的信息 量 ），因 为 是 循 环 迭 代 ，阈 值 可 以 设 定 比 较 宽 松 一 点 然后一步步逼近，同时能够一步到位，不用分成两步 来完成。
关键词： 高光谱图像；波段选择；信息量；相关性
1 引言
高光谱遥感，顾名思义，是一种光谱分辨率特别 高的新型遥感技术。 其光谱分辨率通常小于 10 nm， 波段数量一般数十个乃至数百个。 由于其拥有传统 遥感所不具备的光谱识别能力， 逐渐成为遥感技术 研究的对象。
高光谱遥感是当前遥感技术的前沿领域， 它利 用很多很窄的电磁波波段从感兴趣的物体获得有关 数 据 ［1］， 除 了 传 统 遥 感 常 见 的 空 间 和 辐 射 信 息 外 ， 它 还包含非常丰富的光谱信息。 高光谱遥感的出现是 遥感领域少有的具有划时代意义的事件之一， 通过 高光谱遥感探测技术， 可以探测到很多传统遥感难 以探测到的物质或现象。
高光谱遥感数据最佳波段的选择
高光谱遥感数据最佳波段的选择根据自己对具体影像解译的要求进行波段的选择，以提高解译的速度和精度。
若要获得丰富的地质信息和地表环境信息，可以选择TM(7、4、1)波段的组合，TM(7、4、1)波段组合后的影像清晰度高，干扰信息少，地质可解译程度高，各种构造形迹(褶皱及断裂)显示清楚；若要获得监测火灾前后变化分析的影像，可以选择TM(7、4、3)波段的组合，它们组合后的影像接近自然彩色，所以可通过TM(7、4、3)彩色合成图的分析来掌握林火蔓延与控制及灾后林木的恢复状况；若要获得砂石矿遥感调查情况，可以选择TM(5、4、1)波段组合；用TM影像编制洲地芦苇资源图时，宜用TM(3、4、5)波段组合的影像，分辨率最高，信息最丰富；用MSS图像编制土地利用地图，通常采用MSS(4、5、7)波段的合成影像；若要再区分林、灌、草，则需要选用MSS(5、6、7)波段的组合影像。
遥感影像时相的选择:遥感影像的成像季节直接影响专题内容的解译质量。
对其时相的选择，既要根据地物本身的属性特征，又要考虑同地物不同地域间的差异。
例如解译农作物的种植面积最好选8、9月份，因为这时作物成熟了，但还没有收割，方便各种作物的区别；解译海滨地区的芦苇地及其面积宜用5、6月份的影像；解译黄淮海地区盐碱土分布图宜用3、4月份的影像。
高分辨率影像的选择:分辨率的选择要符合自己的实际需要，分辨率高对解译速度和精度都有很大帮助。
随着科技的不断发展，已经有了15～30m分辨率的ETM／TM影像、2．5～5．0m分辨率的SPORT 影像、2m分辨率的福卫二号、lm分辨率的ORBVIEW3／IKONOS、0．6m分辨率的QUICK BIRD等。
法国SPOT-5卫星影像分辨率可达到2．5m，并可获得立体像对，进行立体观测。
SPOT5卫星上的主要遥感设备是2台高分辨率几何成像仪(HRVIR)，其工作谱段有4个，主要任务是监测自然资源分布，特别是监测农业、林业和矿产资源，观测植被生长状态与农田含水量等项，对农作物进行估产，了解城市建设与城市土地利用状况等。
高光谱图像处理中的波段选择算法研究
高光谱图像处理中的波段选择算法研究一、概述高光谱图像处理是指在高光谱成像过程中，通过对图像数据进行处理和分析，揭示出样本的光谱特征，从而实现对样本进行分类、识别和定量分析的一种手段。
其中，波段选择算法是高光谱图像处理中的关键技术之一，它能对原始图像进行预处理，提取出最具代表性的波段信息，从而简化数据处理的复杂度，提高数据处理的准确度和效率。
二、波段选择算法的分类波段选择算法是高光谱图像处理的重要技术之一，它可以选出最具代表性的波段信息，消除冗余信息，从而减少数据处理的复杂度和提高处理效率。
根据其处理思想和实现方式，波段选择算法可分为以下几类：1. 无监督的波段选择算法无监督的波段选择算法是指在处理高光谱图像数据时，不需要外部信息的参与，其主要任务是从原始数据中挑选出最具代表性的波段信息。
常见的无监督波段选择算法包括PCA、ICA、NMF 等。
其中，PCA是最为常见的一种无监督波段选择算法，其主要作用是对原始数据进行降维，去除冗余信息。
PCA的实现步骤主要是通过对数据的协方差矩阵进行特征值分解，从而得到数据的主成分，然后把主成分作为新的数据信息进行处理。
2. 监督的波段选择算法监督的波段选择算法是指在处理高光谱图像数据时，根据预定义的分类信息，选择出最具代表性的波段，在此基础上进行更为精细的数据处理。
常见的监督波段选择算法包括LDA、LOGD、SVM等。
其中，LDA是监督波段选择算法中最为经典的算法之一，其主要作用是将原始数据降维，从而减轻数据处理的复杂度。
LDA的实现步骤主要是通过计算每个样本在原始数据中的投影向量，从而确定各个波段的权重，然后把不同波段的权重作为新的数据信息进行处理。
三、波段选择算法的实现原理不同类型的波段选择算法，在实现原理方面均有所特异。
下面，以PCA为例，分别介绍波段选择算法的具体实现原理和流程。
1. PCA算法的实现原理PCA属于无监督式的波段选择算法，其主要作用是通过对原始样本特征进行变换，降低数据的维度，并使得新的样本特征最大化地保留原有特征的信息。
高光谱图像选择波段的研究
⾼光谱图像选择波段的研究转⾃：/chenyanqiao2010/article/details/52312483本⽂是根据魏芳洁所著的 “⾼光谱图像波段选择⽅法的研究”⼀⽂⽽写，基本细节皆引⾃此⽂。
⾼光谱主要问题是波段数多，数据量⼤，给⾼光谱图像的分类、识别带来了很⼤困难。
信息冗余度⾼，数据存储所需空间⼤，处理时间长，由于⾼光谱图像波段数多，容易出现维数灾难现象，即分类精度下降，因此，减少数据量、节省资源的降维处理⾮常有必要，特征提取和波段选择是⾼光谱图像的两种主要降维⽅法。
利⽤特征提取进⾏降维，复杂，计算量较⼤，⽽且是通过某种变换来实现降维⽬的，改变了原始数据的物理意义⽽不利于数据翻译，相⽐之下，波段选择是从⾼光谱图像所有波段中选择起主要作⽤的波段⼦集，不仅能⼤⼤降低⾼光谱图像的数据维度，⽽且能⽐较完整的保留有⽤的信息，更有特殊意义。
⾼光谱图像的波段选择是⼀种很复杂的波段组合优化问题,它要求所选的波段组合有较好的性能,即选择出信息量较⼤、相关性较⼩、类别可分性较好的波段组合。
波段选择技术包括两⽅⾯:⼀⽅⾯是准则函数,另⼀⽅⾯是搜索⽅法。
现有的波段选择⽅法⼤多不能兼顾时间效率和精解效率两个⽅⾯,研究⼀种兼顾时间效率和精解效率的波段选择⽅法是急需解决的问题。
1、结合遗传算法和蚁群算法的⾼光谱图像波段选择2、结合拟态物理学优化算法的⾼光谱图像波段选择。
采⽤了类间可分性和波段组合的信息量两个主要性能指标的权重组合作为适应度函数,此外,在算法开始时先对⾼光谱图像进⾏了⼦空间划分,使得最优解中的波段间相关性较⼩,冗余度低。
3、快速 SGA 算法的构建及在波段选择中的应⽤。
⾼光谱图像⾼光谱遥感(Hyperspectral Remote Sensing)是⽤多⽽窄的电磁波波段来获取感兴趣物体的相关信息[2]。
成像光谱学是⼆⼗世纪⼋⼗年代开始建⽴,它是在电磁波的紫外、可见光、近红外和中红外区域获得很多很窄且光谱连续的图像的技术。
高光谱遥感数据最佳波段的选择根据自己对具体影像解译的要求进行波段的选择
高光谱遥感数据最佳波段的选择根据自己对具体影像解译的要求进行波段的选择，以提高解译的速度和精度。
若要获得丰富的地质信息和地表环境信息，可以选择TM(7、4、1)波段的组合，TM(7、4、1)波段组合后的影像清晰度高，干扰信息少，地质可解译程度高，各种构造形迹(褶皱及断裂)显示清楚；若要获得监测火灾前后变化分析的影像，可以选择TM(7、4、3)波段的组合，它们组合后的影像接近自然彩色，所以可通过TM(7、4、3)彩色合成图的分析来掌握林火蔓延与控制及灾后林木的恢复状况；若要获得砂石矿遥感调查情况，可以选择TM(5、4、1)波段组合；用TM影像编制洲地芦苇资源图时，宜用TM(3、4、5)波段组合的影像，分辨率最高，信息最丰富；用MSS图像编制土地利用地图，通常采用MSS(4、5、7)波段的合成影像；若要再区分林、灌、草，则需要选用MSS(5、6、7)波段的组合影像。
遥感影像时相的选择:遥感影像的成像季节直接影响专题内容的解译质量。
对其时相的选择，既要根据地物本身的属性特征，又要考虑同一地物不同地域间的差异。
例如解译农作物的种植面积最好选在8、9月份，因为这时作物成熟了，但还没有收割，方便各种作物的区别；解译海滨地区的芦苇地及其面积宜用5、6月份的影像；解译黄淮海地区盐碱土分布图宜用3、4月份的影像。
高分辨率影像的选择:分辨率的选择要符合自己的实际需要，分辨率高对解译速度和精度都有很大帮助。
随着科技的不断发展，已经有了15～30m分辨率的ETM／TM影像、2．5～5．0m分辨率的SPORT 影像、2m分辨率的福卫二号、lm分辨率的ORBVIEW一3／IKONOS、0．6m分辨率的QUICK BIRD等。
法国SPOT-5卫星影像分辨率可达到2．5m，并可获得立体像对，进行立体观测。
SPOT一5卫星上的主要遥感设备是2台高分辨率几何成像仪(HRVIR)，其工作谱段有4个，主要任务是监测自然资源分布，特别是监测农业、林业和矿产资源，观测植被生长状态与农田含水量等项，对农作物进行估产，了解城市建设与城市土地利用状况等。
高光谱影像波段选择的新方法
高光谱影像波段选择的新方法作者：龚文娟来源：《科教导刊·电子版》2016年第16期摘要为了使波段选择能够较好地保留高光谱图像的信息，提出了一种高光谱影像波段选择的新方法。
实验结果表明，算法在去除高光谱影像冗余信息的同时，有效地减少了计算量，通过与全波段的实验数值对比，验证了所提方法的可行性与有效性。
关键词高光谱影像波段选择联合偏度与峰度矩阵因子中图分类号：TP391.41 文献标识码：A近年来，高光谱遥感图像越来越广泛地被应用到农业、环境监测等方面。
高光谱图像的光谱分辨率较高，具有较高的维数和较大的数据量，这给高光谱图像数据的分析和处理带来了较大的困难。
因此，针对高光谱影像的特点，波段选择已成为高光谱数据预处理的一项重要技术。
波段选择不但能在去除冗余信息的同时，降低数据的维数，而且还能减少计算量，从而可以大大提高计算的效率和准确率。
1波段选择方法随着成像光谱仪的发展日益成熟，高光谱遥感图像的研究已经进入到了一个新的阶段——对获取的高光谱数据进行有效处理和利用的阶段。
高光谱图像相邻的波段之间一般具有较大的相关性，而且并不是所有的波段对于后续处理都有着同等的重要性，需要在不损失重要信息的条件下，通过选择可以代表其他波段信息的最优波段来组成新的高光谱图像空间。
对高光谱影像进行波段选择，要考虑以下几个方面：（1）从信息论方面来说，要选择出信息量最大的波段或波段子集。
（2）从光谱学方面来说，要选择出预识别地物目标的光谱特征差异性最大的波段子集。
（3）从分类方面来说，要选择出使地物类别间可分性最好的波段。
（4）从数理统计方面来说，选择出的波段之间的相关性要最弱，从而可以保证各个波段之间的独立性和有效性。
鉴于此，本文提出了一种高光谱影像波段选择的新方法，该方法首先利用联合偏度与峰度将所有波段依据一定的阈值划分为两组，然后在每组中分别用基于矩阵模式的高光谱波段选择方法得到单一量化指标W，选出每组中量化指标W取一定的值所对应的波段，而该波段集就是所求出的最小波段集。
耿修瑞高光谱图像波段选择-Read
三角形面积
Y (e,f)
Y (e-a,f-b) Y'
(c,d)
(c-a,d-b)
(a,b) O X
O
O' X
X'
ca 1 S abs d b 2
ea f b
1 1 1 S abs a c 2 b d
1 e f
中国科学院空间信息处理与应用系统技术重点实验室
三维空间的三角形面积？
Z'
Z
Z Y'
(x3,y3,z3)
Y
(x3-x1,y3-y1,z3-z1)
Y
(x2,y2,z2) (x1,y1,z1)
O X
(x2-x1,y2-y1,z2-z1)
O' O X X'
中国科学院空间信息处理与应用系统技术重点实验室
行列式的几何意义
Z Y
(x3,y3,z3) (x2,y2,z2) (x1,y1,z1)
) 2det
( WWT )( WWT ) W
1
S ABC 1 BC , A 2 S ABC 1 AC , B 2 S ABC 1 AB C 2
S ABC A
A(1,1)
S ABC B
B(5,1)
S ABC
1 1 det xA 2 yA
高光谱图像波段选择
耿修瑞
中国科学院电子学研究所 2015年12月7日
高光谱遥感的概念
光谱维
光谱分辨率高
图像维
植被
土壤
图谱合一
水体
道路
中国科学院空间信息处理与应用系统技术重点实验室
高光谱数据特点
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
大量训练样本
少量训练样本
基于光谱比较 （角度、OSP） BAO、VNVBS 仅适用两种类别 区分效果差
中国科学院空间信息处理与应用系统技术重点实验室
监督
与分类紧密结合 （JM距离、判别分析、 SVM等） Bruzzon、Huang 样本获取困难 计算复杂度高
行列式的几何意义
三维空间的三角形面积？
Z'
Z
Z Y'
(x3,y3,z3)
Y
(x3-x1,y3-y1,z3-z1)
Y
(x2,y2,z2) (x1,y1,z1)
O X
(x2-x1,y2-y1,z2-z1)
O' O X X'
中国科学院空间信息处理与应用系统技术重点实验室
行列式的几何意义
Z Y
(x3,y3,z3) (x2,y2,z2) (x1,y1,z1)
三角形面积
Y (e,f)
Y (e-a,f-b) Y'
(c,d)
(c-a,d-b)
(a,b) O X
O
O' X
X'
ca 1 S abs d b 2
ea f b
1 1 1 S abs a c 2 b d
1 e f
中国科学院空间信息处理与应用系统技术重点实验室
) 2det
( WWT )( WWT ) W
1
S ABC 1 BC , A 2 S ABC 1 AC , B 2 S ABC 1 AB C 2
S ABC A
A(1,1)
S ABC B
B(5,1)
S ABC
1 1 det xA 2 yA
Y
(c,d) ad-bc (a,b) O X
a b ad bc c d
中国科学院空间信息处理与应用系统技术重点实验室
行列式的几何意义
Z Y
(a,b,c)
a
(g,h,i) O
b e h
c f aei bfg cdh ceg bdi afh i
d g
(d,e,f) X
中国科学院空间信息处理与应用系统技术重点实验室
中国科学院空间信息处理与应用系统技术重点实验室
两种常用体积公式
1 1 E p1 p 2
V (E)
公式1
1 pN
1 abs( E ) ( N 1)!
公式2
1 VN V (p2 p1 , p3 p1 , , p N p1 ) AT N 1A N 1 ( N 1)!
X
T
O
1 S 2
x 2 x1 y 2 y1 z 2 z1 x 2 x 1 y 2 y1 z 2 z 1 x 3 x1 y 3 y1 z 3 z1 x 3 x 1 y 3 y1 z 3 z 1
高光谱数据应用的挑战
数据获取、传输 以及储存
计算复杂度高
维数灾难
中国科学院空间信息处理与应用系统技术重点实验室
两种降维技术
信息保持能力强
〤 没有物理意义
特征提取
具有高区分性
具有物理意义
信息保持能力较弱 区分性较低
特征选择
数据传输、储存 多光谱波段设置 物性理解
中国科学院空间信息处理与应用系统技术重点实验室
波段排序
单波段指标 （方差、信噪比、 信息散度等） MVPCA、IDBS 相关性大 鲁棒性低
准则函数
多波段指标 （联合熵、 体积等） MEV、LPBS 鲁棒性低 计算复杂度高
波段聚类
对波段直接聚类 （K-means、AP等）
非监督
WaLuMI、APBS
A N 1 (p2 p1 , p3 p1 ,, p N p1 )
中国科学院空间信息处理与应用系统技术重点实验室
整体信息量
1.5
1
0.5
0
-0.5
-1
-1.5 1.5 1 0.5 0 -0.5 -1 -1.5 -0.8 -0.4 -0.6 -0.2 0.2 0 0.4 0.6
12
L
中国科学院空间信息处理与应用系统技术重点实验室
整体信息量
1 2 3 4
1 2 3 4
中国科学院空间信息处理与应用系统技术重点实验室
基于体积梯度的快速波段选择
体积梯度的基本思想
W W
W
W W 1
T
(
)Leabharlann TS ABC CC(5,4)
det ( WW
1 xB yB
1 xC yC
S ' ABC
0 0 0 1.5 1.5 0 2 2 0
中国科学院空间信息处理与应用系统技术重点实验室
高光谱图像波段选择
耿修瑞
中国科学院电子学研究所 2015年12月7日
高光谱遥感的概念
光谱维
光谱分辨率高
图像维
植被
土壤
图谱合一
水体
道路
中国科学院空间信息处理与应用系统技术重点实验室
高光谱数据特点
数据量大
1 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0
数据冗余
中国科学院空间信息处理与应用系统技术重点实验室