高光谱遥感图像的解混和波段选择方法研究
高光谱数据波段选择方法研究
高光谱数据波段选择方法研究高光谱数据波段选择方法研究摘要高光谱遥感技术在农业、环境监测和地质勘探等领域有着广泛的应用。
高光谱数据的特点是具有大量的波段，因此在处理和分析过程中需要进行波段选择。
本文综述了高光谱数据波段选择方法的研究进展，包括传统的统计方法和基于特征选择的方法。
本文还针对不同应用场景提出了一些波段选择的建议，并举例说明了波段选择方法在环境监测中的应用。
1. 引言高光谱遥感技术是一种能够获取物体光谱信息的重要手段，它可以获取超过几十个波段的光谱数据。
然而，这也带来了处理和分析的挑战。
因为高光谱数据的波段数量庞大，如何选择合适的波段用于特定的应用成为一个重要问题。
波段选择方法的好坏直接影响到高光谱数据的处理和分析效果，因此对波段选择方法进行研究具有重要的理论和应用价值。
2. 高光谱数据波段选择方法的研究进展2.1 传统的统计方法传统的统计方法是对高光谱数据进行统计分析，通过计算波段之间的相关性、方差等指标来筛选重要的波段。
常用的统计方法包括相关系数分析、方差分析和主成分分析等。
这些方法在波段选择中能够取得一定的效果，但是忽略了波段间的非线性关系和互信息等因素，因此在某些特定应用场景下可能不适用。
2.2 基于特征选择的方法基于特征选择的方法是通过选择一组最具有代表性的特征波段来表达整个高光谱数据集，以达到简化数据和提高分类效果的目的。
常用的特征选择方法包括相关性分析、信息熵、L1范数和Wrapper等。
这些方法能够根据具体的应用要求选择最具有代表性的波段，提高数据处理和分析的效率。
3. 不同应用场景下的波段选择建议在农业领域，根据不同作物的生长需要和养分吸收特性，可以选择与作物生长和养分相关的波段进行监测和分析。
例如，可通过选择近红外波段来监测作物叶绿素含量和生长状况。
在环境监测中，可以选择与大气污染物、水质和土壤有关的波段来进行监测和评估。
例如，可选择能够反映水体浑浊度和有机质含量的波段进行水质监测。
高光谱遥感图像高效分类与解混方法研究
高光谱遥感图像高效分类与解混方法研究高光谱遥感图像高效分类与解混方法研究摘要：高光谱遥感图像具有信息丰富且具体化的特点，被广泛应用于土地利用、环境监测、农业生产等领域。
然而，高光谱遥感图像面临诸多挑战，如高光谱数据的维度高、数据量大、类间互相重叠等。
因此，高效分类与解混方法的研究就显得尤为重要。
本文主要研究了高光谱遥感图像高效分类与解混方法，并探讨了其在实际应用中的优势和问题。
一、引言高光谱遥感图像是一种将地物不同光谱响应从可见光到近红外光谱范围内进行连续采样的遥感技术。
相比于传统的彩色遥感图像，高光谱遥感图像能够提供更为详细的地物光谱信息。
然而，由于高光谱数据的维度高、数据量大，传统的分类与解混方法在处理高光谱遥感图像时面临较大困难。
二、高光谱遥感图像分类方法研究为了高效地对高光谱遥感图像进行分类，研究者们提出了许多分类方法。
其中，基于光谱信息的分类方法是最常见的方法之一。
该方法通过提取光谱特征，并利用统计模型、聚类算法等来进行分类。
此外，基于空间信息的分类方法也得到了广泛应用。
这些方法结合了地物的空间分布特征，通过纹理分析等方法来提高分类效果。
此外，一些结合光谱和空间信息的联合分类方法也是当前的研究热点。
三、高光谱遥感图像解混方法研究高光谱遥感图像解混是指将混合像素分解为其组成物质的过程，是高光谱图像处理的核心问题之一。
目前，解混方法可以分为光谱解混方法和空间解混方法。
光谱解混方法主要是通过最小二乘法、线性光谱混合模型等来对单像元进行解混，适用于像元内部的光谱变化相对较小的情况。
而空间解混方法则利用相邻像元间的相关性，通过构建像元间的约束条件来实现解混。
四、高光谱遥感图像高效分类与解混方法的应用与挑战高光谱遥感图像高效分类与解混方法在土地利用、环境监测、农业生产等领域具有广泛的应用前景。
例如，在土地利用方面，高光谱遥感图像的分类结果能够提供准确的土地利用信息，为土地资源管理和规划提供重要的参考依据。
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。
高光谱遥感数据解译的最佳波段选择方法研究
第16卷 第2期1999年 10月中国科学院研究生院学报Journal of Graduate School,Academia Sinica Vol.16 No.2 Oct. 1999收稿日期:1999-09-01高光谱遥感数据解译的最佳波段选择方法研究刘建平(第二炮兵80809部队)赵英时(本院地学教学部)摘 要 分析了遥感图像解译中多光谱遥感数据选择最佳波段组合所用信息量诸方法的内在联系,说明了信息量方法用于高光谱遥感数据最佳波段选择的局限性,提出了基于类间可分性的最佳波段选择原则和方法.通过试验,说明了各种处理方法的有效性、局限性和计算复杂度.关键词 高光谱遥感数据,最佳波段选择,信息量,可分性成像光谱遥感技术将成像技术与光谱技术结合在一起,在对目标的空间特征进行成像的同时,对每个空间像元经过色散形成几十个乃至几百个窄波段以进行连续的光谱覆盖,得到包含丰富地表资源与环境信息的海量高光谱遥感数据[1].高光谱数据提供了大量地物组成等光谱特征的微弱差异,通过处理分析,可以直接识别地物类型组分等.但是,在数据分析、专题提取的同时,仍离不开对图像的目视解译.一方面,这可以抓住问题的要害,减少工作量,快速得到所需结果;另一方面,人眼对彩色图像比对全色图像的识别能力强,高光谱遥感数据往往需要通过处理,变成人们易于理解的可视化的信息.高光谱遥感数据波段众多,数据量庞大,这对最佳波段的选择带来很大困难.为快速、准确地从这些数据中提取资源与环境信息,识别不同的物质,揭示目标的本质,则需要依据实际应用的具体要求,选择最佳波段进行处理和解译.对于多光谱遥感应用中的最佳波段选择问题,已有多篇文章分别提出了熵、联合熵、协方差矩阵行列式值以及最佳指数等多种不同的方法[2~6].那么,上述模型、方法在高光谱遥感数据最佳波段选择过程中是否依然有效?它们之间有什么样的内在联系?分别适用于什么样的条件?反映客观实际的精度如何?是否还有适合于高光谱遥感数据最佳波段选择的其他方法?若有,其模型是什么?物理意义怎样?诸如此类问题,在高光谱遥感应用研究中非常重要,本文将对这些问题作以探讨.1 最佳波段选择的理论模型目视解译在高光谱遥感图像分析中仍起到相当大的作用.由于人眼对彩色敏感且分辨能力强,故应充分利用信息丰富的彩色合成图像进行目标判读.一般的数字图像处理系统都采用153红、绿、蓝三色合成原理形成彩色图像,对于n波段图像,选择其中3个波段的方法数为n* (n-1)*(n-2)/3!种,再考虑每个波段有三种原色可选,这样就可以组合成n*(n-1)* (n-2)种彩色图像.对于具有几十个乃至几百个波段的高光谱遥感数据,显然,用一一试验的方法是行不通的,必须解决最佳波段选择问题.选择的原则有两点:(1)所选择的波段或波段组合的信息量最大;(2)所选择的波段或波段组合对于所需识别的地物类别之间最容易区分.1.1基于信息量的最佳波段选择一般来说,选择波段的一个主要依据是该波段的辐射量的方差应尽可能大,因为方差的大小体现了所含信息的多少.但由于景物各波段的辐射特性之间的相关性,用三个方差最大的波段合成的结果并不一定能获得最多的信息.当三者之间相关很强时,各波段所包含的信息之间有着大量的重复和冗余.因此,选择三个波段的组合时,必须同时考虑方差要大而相关性要小这样两个条件,即考虑组合图像的信息量最大.1.1.1熵与联合熵[2]根据仙农信息论的原理,一幅8bit表示的图像X的熵为:H(X)=-E255i=0P i log2P i(比特)式中X为输入图像,P i为图像像素灰度值为i的概率.同理,三个波段图像的联合熵为:H(X1,X2,X3)=-E255i1,i2,i3=0p i1,i2,i3log2p i1,i2,i3这样,对所有可能的波段组合计算其联合熵,并按照从大到小的顺序进行排列,则最佳波段选择问题就得到解决.1.1.2组合波段的协方差矩阵行列式[3~5]在正态分布条件下有:p i(x)=1/k s ex p[-(x- x)T M-1s(x-x)]式中:K s=(2P)N/2|M s|1/2,M s为样区协方差矩阵,x为图像变量,N为波段数,M为样区的象元总数.遥感数据象元变量近似正态分布,故有:S=ln(K s)+12E Mi=1x T*M-1*sP i(x)对于无偏估计,由上式得到:S=N2+ln(K s)=N2+N2ln(2P)+12ln|M s|由此可以看出,图像熵随变量协方差矩阵M s的行列式值的变化而变化.因此,通过计算三个波段组合的协方差矩阵行列式,其数值的大小就反映了组合波段的信息量的大小.1.1.3最佳指数(OIF)[6]因为图像数据的标准差越大,所包含的信息量也越大,而波段间的相关系数越小,表明各波段图像数据的独立性越高,信息的冗余度越小.故也可采用美国查维茨提出的最佳指数(OIF)的概念,即OIF=E3i=1S i/E3i=1|R ij|式中S i为第i个波段的标准差,R i j为i、j两波段的相关系数.154第16卷中国科学院研究生院学报第2期对n波段图像数据,计算其相关系数矩阵,再分别求出所有可能三组合波段对应的OIF. OIF越大,则相应组合图像的信息量越大.对OIF按照从大到小的顺序进行排列,即可选出最优组合方案.若仅对某些特定的区域感兴趣,则可以定义这些特定区域,并按照上面的方法对它们求解相应的最佳组合波段.1.2基于类间可分性的最佳波段选择在进行高光谱数据解译时,对于不同的应用目标往往需要分析不同地物类别之间在哪些波段或组合波段上最容易区分,即要研究高光谱数据各波段、各地物类别间的可分性.其总的思想是求取已知类别样本区域间在各波段和/或波段组合上的统计距离,包括均值间的标准距离、离散度和Bhattacharyya距离(简称B距离)等[7,8].1.2.1均值间的标准距离/均值间的标准距离0d被定义为:d=|u1-u2| R1+R2式中,L1、L2分别为两类对应的样本区域的光谱均值;R1、R2分别为两类对应的样本区域的方差.d反映两类在每一波段内的可分性大小.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,它不适于进行多变量的研究.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.1.2.2离散度表征两个地物类别Wi和Wj之间的可分性,其表达式为:D ij=12t r[(E i-E j)(E-1i-E-1j)]+12t r[(E-1i-E-1j)(U i-U j)(U i-U j)T]式中,U i、U j分别为i、j类的亮度均值矢量,E i、E j分别为i、j类的协方差矩阵,t r[A]表示矩阵A对角线元素之和.1.2.3B距离:表征两个地物类别Wi和Wj之间的可分性,其表达式为:D ij=18(U i-U j)TE i+E j2-1(U i-U j)+12lnE i+E j2(|E i|#|E j|)12式中符号的意义同于/离散度0公式中的定义.对于任何一对给定的地物类别,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,并取最大者,便是区分这两个类别的最佳波段组合,即最优子集. 1.2.4类间平均可分性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性度量.对于多类别而言,一个常用的办法是计算平均可分性,即计算每一种可能的子空间中,每个类对之间的统计距离,再计算这些类对间统计可分性的平均值,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.2试验研究试验在微机上进行(CPU:Pentium Pro,主频:266MH z/s,内存:64M b).笔者在ENV I3.1155 1999年刘建平等:高光谱遥感数据解译的最佳波段选择方法研究10月第16卷中国科学院研究生院学报第2期环境下利用IDL语言开发了/多光谱/高光谱遥感数据最佳波段选择子系统0,进行有关试验研究.多光谱数据选用美国圣迭戈1985年Landsat TM数据(除热红外波段之外的其它六个波段),数据大小:500samples@500lines@6bands.高光谱数据选用美国Cuprite,Nevada,1995年四月25日AVIRIS(Airborne Visible/Infrared Imaging Spectrometer)50个波段的AVIRIS高光谱数据(由JPL提供).数据类型:整型,数据大小:400sam ples@350lines@50bands (AVIRIS的原始数据为224波段,只选用50个波段的数据),波长范围:1.991~2.479毫微米.2.1基于信息量的最佳波段选择方法试验2.1.1多光谱遥感数据对1985年圣迭戈影像图TM1、T M2、TM3、TM4、TM5、TM7等六个波段的20种可能的波段组合所产生复合图像的联合熵、协方差矩阵行列式值以及最佳指数按联合熵的降序列于表1.表11985年圣迭戈TM各种波段组合的信息量比较序号波段组合联合熵行列式值(排序)最佳指数(排序)11,4,513.158 1.02012e+008(1)13.6604(1)23,4,513.124 5.55968e+007(2)12.7915(2)31,4,713.109 5.49733e+007(3)11.3569(8)42,4,513.063 2.99648e+007(4)11.7583(6)51,5,713.047 1.76957e+007(6)12.1747(4)63,4,713.037 2.67053e+007(5)10.7580(10)71,3,513.016 1.07758e+007(9)11.8785(5)81,3,412.988 1.34026e+007(8)10.9572(9)92,4,712.976 1.57294e+007(7)9.65648(14)103,5,712.9689.47268e+006(10)11.5973(7)114,5,712.9579.25825e+006(11)12.4963(3)122,5,712.888 5.54493e+006(12)10.6435(12)131,2,512.834 3.40383e+006(13)10.7049(11)141,3,712.797 3.17464e+006(14)9.38788(16)152,3,512.728 1.74888e+006(17)10.4500(13)161,2,412.708 2.43608e+006(15)9.63108(15)172,3,412.651 2.03664e+006(16)9.38006(17)181,2,712.568 1.15130e+006(18)8.23074(18)192,3,712.338373823(19)8.14526(19)201,2,311.939137230(20)7.64161(20)从表1可以看出,联合熵与协方差矩阵行列式值的排列顺序非常接近.在一般情况下,采用最佳指数也能求得信息量最大的组合波段.联合熵的计算复杂度相当高,协方差矩阵行列式值与最佳指数具有相近的计算复杂度.因此,在正态分布情况下,选用协方差矩阵行列式值法可以在大大减少计算量的同时,得到相对准确的结果.2.1.2高光谱遥感数据由于联合熵的计算具有很高的时空复杂度,特别是对存储空间的要求很高.为了提高试验的效率并在同等条件下对联合熵、协方差矩阵行列式值以及最佳指数进行比较,特意取原始数1561999年刘建平等:高光谱遥感数据解译的最佳波段选择方法研究10月据的一个子区进行试验.下面分别列出三种方法的计算结果.(1)联合熵计算结果计算50个波段所有可能的组合波段的联合熵,并将联合熵值排在最前面的30组结果输出到文件中,结果如下:T here are50bands.There are19600band combinations.Result Records:30.T he integrated entropy for each band combination is ordered as follow ing:Band172vs Band174vs Band181:13.2012739181518550Band172vs Band174vs Band179:13.2012739181518550Band172vs Band173vs Band201:13.2012739181518550Band172vs Band174vs Band178:13.2012739181518550Band172vs Band173vs Band199:13.2012739181518550(其余结果略)这个结果让人吃惊,最初的试验用的是浮点计算,后来改用双精度计算,经过反复选取其他区域进行试验,类似的结果依然出现.从输出结果可以推断,如果再多输出几十个,甚至几百个结果记录,情况依然如故.其原因在于高光谱遥感的波段信息之间的相关性强,冗余度大.可见,对于高光谱遥感数据而言,为目视解译选择最佳波段组合,采用熵和联合熵的方法是不可行的.(2)协方差矩阵行列式值计算结果为便于对结果进行比较分析,专门设计了试验测试程序,在求出高光谱数据各波段协方差矩阵行列式值排列在最前面的那些三波段组合后,同时也计算出对应的组合波段的联合熵,其结果如下:T here are19600band combinations.Actual DETERMINANTs calculated19600.T he determinants and the respective integrated entropy for the first30band combination are ordered as follow ing:Order three band combination determinant integrated entropy0Band172Band183Band1902250208.013.20127391815185501Band172Band189Band2092001264.013.20127391815185502Band172Band181Band1901984384.013.20127391815185503Band172Band189Band1981980224.013.20127391815185504Band172Band187Band1981979472.013.2012739181518550上述计算结果是排列在前30位的组合波段的一部分,若按照Sheffield的推论[5],则上述排列顺序就是各自联合熵大小的排列顺序.但实际的计算结果并非如此.除排在第9、17、25、27位的组合波段的联合熵为12.89552外,其他组合波段的联合熵均为13.20127.原因何在?我们不妨再反过来作一次试验,上述结果涉及到172、177、181等17个波段,对这些波段的所有可能的680种波段组合方式再计算联合熵(结果参见表2).表217个波段各种组合方式的联合熵排列顺序联合熵排列顺序联合熵1~48313.20127640~67212.89552484~63813.04840673~68012.74264 63912.95441157第16卷中国科学院研究生院学报第2期从表中可见,在680种波段组合方式中只有5个不同的联合熵值,这是由于高光谱遥感数据的波段信息之间的强相关性,使得多种波段组合方式具有相同的联合熵.由此可见,按协方差矩阵行列式值方法计算组合波段信息量的排列顺序同实际情况相去甚远.(2)最佳指数计算结果同上节,为便于对结果进行比较分析,专门设计了试验测试程序,在求出高光谱数据最佳指数排列在最前面的那些三波段组合后,同时也计算出对应的组合波段的联合熵,其结果如下(只列出一部分):T he largest30OIFs and the respective integrated entropy are ordered as follow ing:Order three band combination OIF integrated entropy0Band183Band187Band18810.00412113.20127391815185501Band186Band187Band18810.00051113.20127391815185502Band187Band188Band1899.989563913.20127391815185503Band185Band187Band1889.974481613.04839706420898404Band183Band187Band1899.954165513.2012739181518550按照查维茨的理论,上述结果排列顺序就是对应组合波段的信息量大小的排列顺序.但同联合熵的计算结果仍是对应不起来,为了进一步弄清其中的原由,还按上节的思路,反过来计算上述结果所涉及的所有波段(11个波段)的所有可能的三波段组合方式的联合熵(165种).计算结果表明,排在前116位的所有组合波段的联合熵均为13.20127,紧接着的44种组合方式的联合熵为13.04839,其余5种组合方式的联合熵为12.89552.可以看出,这同(2)的结论是相似的.2.2基于类间可分性的最佳波段选择方法试验[9]这里针对高光谱遥感数据首先通过先验知识确定7类目标的样本区域,并分别进行下述各种基于类间可分性的最佳波段选择方法试验.2.2.1类间标准距离对于所有的先验类别,求取两两之间具有最大可分性的单波段并排序.参与试验的共有7个不同的地物类别,分别为干荒地(Playa)、凝灰岩(Varnished Tuff)、硅石(Silica)、明矾石(Alu-nite)、水铵长石(Buddingtonite)、方解石(Calcite)、高岭石(Kaolinite),可组成21个类对,下面仅列出部分类对间标准距离排在前5位的计算结果.T he standard distance betw een every tw o ROIs(classes):Play a&Varnished Tuff:Playa&Silica:Play a&Alunite:0Band17225.478240970Band202 2.869814630Band19123.21077728 1Band17624.640810011Band201 2.805582991Band19422.92634201 2Band19024.143486022Band200 2.803028582Band18922.70220184 3Band18323.363634113Band199 2.760721683Band18822.49652100 4Band18622.973178864Band198 2.693968304Band19022.26128960 Varnished T uff&Buddingtonite Varnished Tuff&Calcite:Silica&Alunite:0Band1728.462351800Band173 3.777848240Band189 4.05426073 1Band173 6.972692491Band176 3.734328031Band190 3.969099567 2Band176 6.538277152Band172 3.619408372Band191 3.93149018 1581999年刘建平等:高光谱遥感数据解译的最佳波段选择方法研究10月3Band197 5.725072863Band175 3.524260763Band188 3.81846213 4Band178 5.632195004Band178 3.483971124Band215 3.66536379 Kaolinite&Buddingtonite:Kaolinite&Calcite:Buddingtonite&Calcite:0Band211 3.363307240Band194 2.472714660Band208 5.51990986 1Band210 3.305135731Band173 2.013990161Band207 5.29949665 2Band209 3.162642722Band172 2.007514242Band202 5.06357861 3Band208 3.133219483Band193 1.971809153Band206 4.40861273 4Band194 2.998620034Band189 1.896153094Band203 4.33902550上述结果一目了然,类间的标准距离值大的波段,则对应的两类地物就比较容易区分.当然,这是一种相对的概念,自然界的景物是非常复杂的,仅仅考虑两类地物可分性最大的单个波段并非总能有效地区分相应的地物.2.2.2离散度在相同的试验条件下,计算每个类对间的离散度,将排列在前10位的组合波段进行排序,下面为部分结果.T he largest discreteness of the three band combinations betw een every tw o ROIs:For ROI Playa and Varnished Tuff,the result follow s:0Band172Band196Band20226702.071Band183Band196Band20224952.31For ROI Varnished Tuff and Silica,the result follow s:0Band184Band192Band193222642.51Band181Band185Band190186650.9For ROI Silica and Alunite,the result follows:0Band184Band192Band193222642.51Band181Band185Band190186650.9从计算结果上分析,该方法所给出的三个波段相对分散一些,波段间的相关性不太强,合成的结果图像色彩较丰富,有利于目标解译.对所有类别计算平均离散度,将排列在前30位的组合波段排序,下面给出部分结果.File:E:\ENV IDATA\C95AVSU B\Cup95rd.int.Number of bands:50.Number of ROIs(Classes):7Number of three band combinations:19600.Number of ROI pairs:21.T he average discreteness of the selected ROIs in the first30.0Band176Band192Band20136914.401Band176Band192Band19832899.342Band176Band192Band21932790.773Band184Band192Band19332650.974Band172Band183Band18430193.812.2.3B距离对7类地物所组成的21种类分别计算其可能的三波段组合的B距离,将排列在前10位的那些波段组合方式进行排序,下面为部分结果.T he largest B-Distance of the three band combinations betw een every tw wo ROIs:159第16卷中国科学院研究生院学报第2期For ROI Playa and Varnished Tuff,the result follow s:0Band189Band190Band1949064.2811Band185Band190Band1949013.705For ROI Varnished Tuff and Silica,the result follow s:0Band178Band190Band19212710.771Band177Band182Band18312624.08For ROI Silica and Alunite,the result follows:0Band177Band182Band18316657.381Band181Band182Band18316367.47For ROI Alunite and Kaolinite,the result follows:0Band177Band182Band18316657.381Band181Band182Band18316367.47For ROI Kaolinite and Buddingtonite,the result follow s:0Band177Band182Band18316657.381Band181Band182Band18316367.47For ROI Buddingtonite and Calcite,the result follow s:0Band177Band182Band18316657.381Band181Band182Band18316367.47上述结果有一个共性,就是所选择的组合波段的波谱距离很近,有许多是相邻的波段,这些波段之间的信息冗余度大,相关性很强,组成的图像色彩不太丰富,但在这些波段中相关的两类地物间的B距离最大,则相对来说在这些波段中较易于区分.对所有类别计算平均B距离,将排列在前30位的组合波段排序,下面给出部分结果.File:E:/ENV IDATA/C95AVSU B/Cup95rd.int.Number of bands:50.Number of ROIs (Classes):7.Number of three band combinations:19600.Number of ROI pairs:21.Total process-ing time:344.38000seconds.The averag e B-Distance of the selected ROIs in the first30.0Band178Band182Band1837436.3331Band177Band182Band1837110.6792Band176Band177Band1816828.4763Band181Band182Band1836774.1344Band180Band182Band1836747.095显然,两种平均可分性的计算结果同类对间的可分性计算结果有类似的特征.3试验结论(1)遥感图像的目视解译是遥感应用的重要环节之一,多光谱和高光谱遥感应用均离不开图像的目视解译,这就要求按照信息量最大或类间可分性最大的原则选择最佳的遥感波段,组合成信息量丰富的彩色图像,以利于目视解译.(2)联合熵、协方差矩阵行列式以及最佳指数等方法,适于进行多光谱遥感数据的最佳波段选择.联合熵的计算具有很高的时空复杂度,数据量大或数据量化级别高都可导致其不可计算.比较而言,协方差矩阵行列式值以及最佳指数方法是进行多光谱遥感数据最佳波段选择的简便、快捷的方法.1601999年刘建平等:高光谱遥感数据解译的最佳波段选择方法研究10月(3)不同于多光谱遥感,高光谱遥感的光谱采样密度高,相邻波段间的相关程度高,信息冗余度大,信息量最大的波段组合方式多.所以,基于组合波段信息量的联合熵、协方差矩阵行列式以及最佳指数等方法,不适于进行高光谱遥感数据的最佳波段选择.(4)高光谱遥感应用是面向目标分类和目标识别的,而基于信息量的最佳波段选择方法并没有就地物间分类和识别的最佳波段选择给出任何解决方法.为了解决这一问题,本文提出了基于遥感图像上不同地物可分性大小的最佳波段或波段组合的选择方法,包括标准距离、离散度、B距离、平均离散度和平均B距离等.类间标准距离的处理结果明确显示各不同类别之间可分性最大的单一波段.离散度和B距离方法都可给出类对间的最佳组合波段,相比较而言,前者给出的组合波段合成图像的效果更好一些,原因在于所给组合波段间有一定的距离,波段间的相关性不那么强,目视解译效果更好.平均离散度和平均B距离均可给出多种类别间可分性最大意义下的最佳组合波段.从效果比较来看,与类对间的最佳波段选择的情形相同;从计算时间上看,离散度方法优于B距离方法.参考文献1陈述彭等.遥感信息机理研究.北京:科学出版社,1998.139~1452贾永红等.四种HIS变换用于SAR与T M影像复合的比较.遥感学报,1998,2(2):103~1063李德熊.TM合成图像波段组合的选择.遥感信息,1989,(4):19~224戴昌达,雷莉萍.TM图像的光谱信息特征与最佳波段组合.环境遥感,1989,4(4):282~2925Sh effield C,Selecting.Band Combinations from M ulti spectral Data,Photogrammetric Engineering&Remote Sensing.1985,51(6):681~6876陆灯盛等.TM图像的信息量分析及特征信息提取的研究.环境遥感,1991,6(4):267~2747陈述彭,赵英时.遥感地学分析.北京:科学出版社,19908Sw ai n P H,Davis S M.Remote S ensing:The Quanti tative Approach.M cGraw-hill International Book Company,19879刘建平.高光谱遥感数据处理分析软件系统设计与实现(硕士论文).1999Methods on Optimal Bands Selectionin Hyperspectral Remote Sensing Data InterpretationLiu Jianping(80809Unit,the S econd Ar tillery A rmy)Zhao Yingshi(G raduate S chool,Academia S inica,Be ijing100039)Abstract the intrinsical relationships of the/entropy0methods on optimal bands selection in multispectral remote sensing data interpretation are analysed,and,limitations of using these meth-ods in hyperspectral remote sensing data interpretation ex plained.T he optimal bands selection principles and methods based on the classes distinguishability are put forw ard.The validity,accu-racy,limitations and computational com plexity of the processing methods concerned are illustrated throug h ex periments.Key words hy perspectral remote sensing data,optimal bands selection,integ rated entropy, distinguishability161。
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。
高光谱遥感图像处理与分析研究
高光谱遥感图像处理与分析研究高光谱遥感图像处理与分析是一项重要的技术，已经被广泛应用于农业、环境、地质、气象等领域。
在过去的几十年里，高光谱遥感图像的获取和处理技术取得了巨大的进展，为我们提供了丰富的空间和光谱信息，从而能够更准确地进行图像分析和解译。
高光谱遥感图像是指通过遥感技术获取的光谱分辨率较高的图像，一般包含数百个甚至数千个波段。
相比于传统的遥感图像，高光谱图像能够提供更为丰富的光谱信息，因此在物质特征分析和分类方面具有更大的优势。
在高光谱遥感图像处理方面，首先需要进行预处理，包括辐射校正、大气校正、几何校正等。
这些预处理步骤的目的是消除图像中的各种干扰，并将图像转化为可分析的形式。
接下来，常用的图像处理技术包括噪声滤波、图像增强、特征提取等。
这些技术能够改善图像质量，提取出感兴趣的信息。
高光谱遥感图像分析是对图像中各个波段的光谱特征进行分析和解译，以获得图像所代表的地物信息。
常见的分析方法包括光谱匹配、光谱混合、主成分分析、线性判别分析等。
这些方法能够从遥感图像中提取出地物的光谱信息，从而进行地物分类、变化检测等应用。
在农业领域，高光谱遥感图像分析可以用于作物生长监测、土壤质量评估、病虫害检测等方面。
通过对不同光谱波段的分析，可以提取出植被指数等生长指标，从而实现对作物生长情况的了解和监测。
此外，高光谱图像还可以对土壤成分进行分析，帮助农民了解土壤的肥力和适宜种植的作物。
同时，通过对病虫害的光谱响应进行分析，可以实现对病虫害的早期检测和预警，从而有效防控和减少损失。
在环境领域，高光谱遥感图像分析可用于水质监测、植被覆盖分析、土地利用分类等方面。
通过对水体光谱特征的分析，可以判断水质的污染程度和变化趋势。
同时，高光谱图像还可以用于植被覆盖分析，通过提取不同植被类型的光谱特征，确定植被分布和状况。
此外，高光谱图像在土地利用分类中也有广泛应用，通过对土地不同波段的光谱响应进行解译，可以实现土地的分类和监测。
高光谱线性解混的理论与方法及应用研究
高光谱线性解混的理论与方法及应用研究高光谱遥感是遥感领域的重要前沿技术之一。
成像光谱仪能够测量散射在数百或数千个光谱通道的瞬时视场内所有物质的电磁能量,它比多光谱相机具有更高的光谱分辨率,覆盖了可见光、近红外光、短波红外线波段(波长范围在0.3~2.5?m之间)。
高光谱遥感已经广泛应用于资源、灾害、全球变化、极地、环境监测、生态、农业、水文和生物医学等领域。
高光谱解混是高光谱遥感图像分析的重要内容之一,是高光谱遥感领域十分关键而具有挑战性的任务。
高光谱成像光谱仪的空间分辨率不高,这一限制条件常导致高光谱图像混合像元的出现,即通常一个像元在瞬时视场内包含了多于一种地物类型的地面信息,形成了混合像元;同时,由于高光谱解混受模型不准确、观测噪声、环境条件、端元不确定以及数据规模等条件限制,使得高光谱解混是一个具有挑战性的不适定性反问题。
因此,能否发展具有鲁棒性、稳定性、可行性和准确性的高光谱解混算法,解决高光谱混合像元分解问题,是高光谱图像分析的核心内容。
本文研究高光谱线性解混的理论与方法,以及其在地物识别中的应用。
首先综述了高光谱线性解混的国内外研究背景和现状,论文内容、创新点,以及全文的结构安排;然后研究了高光谱线性混合模型与子空间辨识,包括:线性混合模型、高光谱解混的处理流程、高光谱解混的思路与问题、高光谱解混反问题的刻画,以及信号子空间辨识;针对最小误差的高光谱信号辨识(HySime)方法的可靠性,我们进一步研究了特征值子集、特征子空间与相关矩阵之间的关系问题,即约束特征值反问题及相关的最佳逼近问题,给出了由特征值和特征向量恢复相关矩阵的一个充分必要条件,以及最佳逼近问题的解的表达式和求解算法;第三部分总结了几种基于几何的高光谱线性解混算法,包括:N-Finder、PPI、VCA、SISAL、AVMAX和SVMAX,并比较了这些方法在仿真的高光谱数据端元提取中的应用。
在非负矩阵分解的理论与方法基础上,第四部分总结了三种高光谱线性解混算法,即含复杂度约束的NMF算法(CC-NMF)、含最小体积约束的NMF算法(MVC-NMF)和同时含复杂度和最小体积约束的NMF算法(CMVC-NMF),以及这些算法在城市高光谱数据解混中的应用。
高光谱图像混合像元解混技术研究
高光谱图像混合像元解混技术研究高光谱图像混合像元解混技术研究随着高光谱遥感技术不断发展,高光谱图像具有显著特点:光谱分辨高,图谱合一,并广泛应用到各个领域。
但遥感技术向定量化方向进一步发展的主要障碍是广泛存在着混合像元。
为了突破遥感图像空间分辨率低的障碍与地物具有复杂多样性的影响,多种类型的地物常包含于独立的单个像元中,要在亚像元级别的精度上得到混合像元的真实属性信息,提高图像分类精度。
在高光谱图像中,关键问题之一是如何有效地对混合像元进行分解已经得到了广泛关注,并一直进行着深入地研究。
本文首先对其所研究内的相关技术及应用进行了叙述,并阐述了高光谱解混的研究现状,混合像元分解存在的问题,如解混效果不理想,算法的目标函数收敛速度慢,图像分类不精确,耗时多等。
针对以上问题,本文在NMF算法的基础上,提出了3种混合像元分解算法:(1)基于图正则和稀疏约束半监督NMF的混合像元分解算法。
该算法加入了拉普拉斯图正则化约束和部分样本的类别信息,并对丰度矩阵施加稀疏约束,最后融合到同一目标函数中,能够改善解混效果;(2)基于图正则和稀疏约束的INMF高光谱解混。
该算法将稀疏非负矩阵分解与增量型学习相结合,既能降低平均运行时间又能提高图像分类精度;(3)基于双图正则的半监督NMF混合像元解混。
该算法不仅考虑了高光谱数据流形与特征流形的几何结构,还将已知的标签类别信息施加于非负矩阵分解中,极大加快了目标函数的收敛速度,改善效果得到进一步提高,耗时少。
本文分别对提出的3种算法在真实遥感数据集上进行仿真实验,在解混性能评价指标均方根误差和光谱角度距离上与NMF和改进的NMF算法作比较,实验结果表明本文提出的3种算法解混可靠性和有效性高。
最后,对3种解混算法进行比较,得到基于双图正则的半监督NMF 混合像元解混算法耗时最少,解混效果最优。
- 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)。
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。
由于三角分解的算法多种多样,所以我们所提出的不只是一种单一的方法,而是一类端元提取的框架,这一框架能够具体推导出形式各异的实现算法,并且从理论上证明这些算法在运算复杂度和数值计算中的优劣,对研究端元提取问题有着重要意义。
3.提出一种结合三角分解的丰度估计方法。
该方法配合端元提取方法使用,能够在短时间内迅速收敛。
通过利用高光谱混合模型的物理约束条件,所提议方法能够在纯象元缺失的情况下对光谱信息进行校正,在一定程度上提高了几何学算法的精度。
4.提出一种基于复杂网络的非监督波段选择方法,用于高光谱数据的降维处理。
我们将复杂网络技术引入到高光谱数据的分析中,利用网络的拓扑特征研究高光谱数据的内在结构,寻找最优波段。
算法通过寻找那些最有能力区分不同物质的网络,提取最优波段。
所提出的方法在降低数据维数的同时有效地保留了重要信息,取得了良好的分类实验效果。