第4章-3 高光谱特征提取
高光谱光谱特征增强
高光谱光谱特征增强
高光谱光谱特征增强是一种通过对高光谱数据进行处理，增强其光谱特征的方法。
在高光谱图像中，每个像素都对应着一个包含多个波段的光谱信息，而这些波段可以提供物体的细节信息，如颜色、材质、形状等。
但是，由于高光谱数据的维度很高，其中很多波段可能与目标物体无关，因此需要进行特征提取和选择，以便更好地分析和识别目标。
高光谱光谱特征增强的方法包括：
1. 去除噪声：高光谱数据中可能存在噪声，如散射、大气干扰等，这些噪声会影响到特征的提取和识别。
因此，需要对数据进行去噪处理，使得数据更加干净、准确。
2. 特征提取：对高光谱数据进行特征提取，以便更好地描述物体的光谱特征。
常用的特征提取方法包括主成分分析(PCA)、线性判别分析(LDA)、独立成分分析(ICA)等。
3. 特征选择：在提取到光谱特征后，需要对其进行选择，以便更好地区分不同的物体。
特征选择方法包括信息增益、相关系数、卡方检验等。
4. 特征融合：将多个特征融合起来，以便更好地描述目标物体的光谱特征。
常用的特征融合方法包括主成分分析和小波变换。
通过高光谱光谱特征增强方法，可以有效地提高光谱数据的分析和识别精度，对于农业、地质、环境监测等领域具有重要的应用价值。
- 1 -。
典型伪装材料高光谱特征及识别方法研究
典型伪装材料高光谱特征及识别方法研究一、引言伪装是一种常见的战术手段，用于隐藏目标的真实性质以及减少其被敌方察觉的可能性。
伪装材料的应用范围很广，包括军事应用、民用应用等多个领域。
为了有效识别伪装材料，研究人员通过高光谱技术探测伪装材料的高光谱特征，并寻找有效的识别方法。
二、伪装材料的高光谱特征高光谱成像技术是一种能够获取目标物体在一定光谱范围内所有波段的光谱信息的技术，通常包括可见光波段、近红外波段和红外波段。
伪装材料的高光谱特征是其在不同波段下的反射和吸收率变化。
例如，一些常见的伪装材料如红外反射涂料会在红外波段有明显的反射特征，而在可见光波段则表现为类似于周围环境的颜色。
三、伪装材料高光谱特征的研究方法1.高光谱数据获取首先需要获取目标区域的高光谱数据，这可以通过高光谱成像设备如高光谱相机或者高光谱遥感仪器来实现。
通过这些设备可以获得目标区域在不同波段下的光谱信息。
2.高光谱数据预处理高光谱数据的预处理是为了去除噪声和进行辐射定标，以及提取有用的信息。
常见的预处理方法包括大气校正、辐射定标、噪声去除等。
3.特征提取通过对高光谱数据进行特征提取可以得到伪装材料的高光谱特征，例如不同波段下的光谱反射率等。
4.分类与识别通过对提取的高光谱特征进行分类和识别，可以判断目标区域中是否存在伪装材料以及对其进行识别。
四、伪装材料高光谱特征的研究进展目前，关于伪装材料高光谱特征的研究已经取得了一定的进展。
例如，一些研究人员通过对不同类型的伪装材料进行高光谱成像，获得了它们在不同波段下的特征光谱。
同时，还有一些研究人员探索了不同的高光谱数据处理方法，以提高伪装材料的识别率。
五、伪装材料高光谱特征的识别方法针对伪装材料的高光谱特征，研究人员提出了一些有效的识别方法，主要包括以下几种：1.基于特征提取的方法通过对高光谱数据进行特征提取，例如使用主成分分析（PCA）或者线性判别分析（LDA）等方法，来获取特征变量，进而进行伪装材料的识别。
高光谱遥感名词解释
高光谱遥感名词解释
1.高光谱遥感(Hyperspectral Remote Sensing):是遥感技术的一种，利用高光谱数据进行地物信息的提取。
高光谱遥感能够提供每个像元的数十至数百个波段的光谱数据，这些数据可以用来识别不同类型的地物，对地表的物理、化学和生物属性进行精确的定量分析。
2.光谱(Spectrum):是由不同波长的光组成的光线。
在高光谱遥感中，探测器可以测量出每个像元的光谱，也就是不同波长的光在该像元的反射率或辐射率的值。
3.反射率(Reflectance):是地物表面反射入射光的比率，是高光谱遥感中的一个重要参数。
不同地物的反射率在不同波段上表现出不同的特征，可以用来识别地物类型。
4.特征提取(Feature extraction):是高光谱遥感中的重要分析方法，通过数学和统计学方法对光谱数据进行处理，提取出地物的光谱特征，如反射率峰值、谷值和斜率等，用来识别地物类型和进行精确分类。
5.分类(Classification):是将地物根据其光谱特征划分为不同的类别的过程。
高光谱遥感中常用的分类方法包括基于像素的分类、基于物体的分类和基于混合像元的分类等。
6.多光谱遥感(Multispectral Remote Sensing):和高光谱遥感相似，但是只能提供少数几个波段的光谱信息。
多光谱遥感常用于地物类型的粗略分类，而高光谱遥感更加适用于地物的精细分类和属性分析。
基于通道注意力机制的高光谱目标跟踪方法
基于通道注意力机制的高光谱目标跟踪方法基于通道注意力机制的高光谱目标跟踪方法摘要：高光谱图像是由大量窄带的波段组成的特殊传感器获得的，其具有丰富的光谱信息。
高光谱目标跟踪是一项重要的研究课题，在军事、环境监测、农业等领域有着广泛的应用前景。
本文提出了一种基于通道注意力机制的高光谱目标跟踪方法。
该方法首先通过抽取目标区域的高光谱特征，然后利用通道注意力机制动态选择具有重要特征的通道，最后通过目标区域的欧氏距离和背景区域的平均值计算得到类内距离和类间距离，从而实现目标的跟踪。
关键词：高光谱图像、目标跟踪、通道注意力机制、特征提取、距离计算1. 引言高光谱图像是在几十或上百个连续的窄光谱带上采集的光谱信息，并组合成多光谱立体图像。
与传统的红、绿、蓝三波段图像相比，高光谱图像具有更高的光谱分辨率和丰富的光谱信息。
高光谱目标跟踪是在高光谱图像中准确识别和跟踪目标的过程。
由于高光谱图像中的波段数量很大，追踪过程中容易受到多波段数据冗余和干扰的影响，因此需要使用适当的方法提取重要的特征并排除冗余信息。
通道注意力机制是一种可以自动学习特征权重并选择重要特征的方法，被广泛用于计算机视觉领域。
本文将通道注意力机制应用于高光谱目标跟踪中，通过动态选择具有重要特征的通道，提高了目标识别和跟踪的准确性和鲁棒性。
2. 相关工作目标跟踪是计算机视觉领域中的一个基础问题，已经有很多方法被提出来解决这个问题。
传统的目标跟踪方法往往通过提取目标区域的颜色、纹理、形状等特征来描述目标，并使用相关性滤波器、卡尔曼滤波器等方法进行跟踪。
然而，这些方法在处理高光谱图像时往往存在维度灾难和冗余信息的问题。
为了解决这些问题，一些研究者提出了基于主成分分析(Principal Component Analysis, PCA)、独立成分分析(Independent Component Analysis, ICA)、线性判别分析(Linear Discriminant Analysis, LDA)等方法对高光谱数据进行降维处理。
基于特征提取的高光谱数据分类
大， 而且 相邻 波段 之 间存 在 着 很 强 的相 关 性 ， 因此 ， 如果 将所 有 的原始 数 据 参 加 地 物 分类 运算 ， 分类 在 运算 效率 以及 分类精 度 方面不 一 定能 够显 示 出这种
数据 的优势 ， 时候 还起 到负 面作 用 ， 在 某种 程度 有 这
．－—
—
４ ８ ． ９ － — —
西北大学学报 （ 自然 科 学 版 ）
第３ ７卷
和类别 的先 验概 率 。
优 化标 准 可定义 为
一
策界 ， 函数 的积 分在 决策 界上进 行 。 中 （ ）目标 为 其 ６
两 类 问题 ， 很 容易 扩展 到多类 问题 。 但
研 究也 表 明转换 到子 空 间的数 据分 布很 接近
统 的遥感数 据 有 了极 大 的增 强 。但 是 ， 于 高光 谱 由
数据 波段 数 多 （ 往 在 １０个 波 段 以 上 ） 数 据 量 往 ０ 、
于高斯分布， 因此可以借助 于一些基于高斯分布模
型的算 法ቤተ መጻሕፍቲ ባይዱ。
１ １ 辨别分 析特 征 提取 Ｄ Ｅ（ ｉ ｒ ｎ ｎ ｎ ｌ ． ＡＦ ｄｓ ｉ ａ ｔ ａ－ ｃ ｍｉ ａ
高分 类器 的效 能 ， 实现 高维遥 感数据 的优 化 处理 和 高效利 用 。 关 键 词 ： 征提 取 ； 特 数据 降 维 ； 高光谱 数据 ； 别分析 ； 策边 界 ； 辨 决 影像 分类 文献 标识 码 ： Ａ 文章 编号 ：０ ０２ ４Ｘ（ ０ ７ ０ 一４ ７ Ｄ ｌ０ ．７ ２ ０ ）３ Ｄ９ 一４ 中 图分 类号 ： Ｐ ５ ． Ｔ７１１
上 也 阻碍 了高光 谱 数 据 的广 泛 应用 。 因此 ， 何 利 如
全色 多光谱 高光谱影像特征-概述说明以及解释
全色多光谱高光谱影像特征-概述说明以及解释1.引言概述部分的内容可能如下所示：1.1 概述全色、多光谱和高光谱影像是遥感技术中常用的图像数据。
这些影像可以捕捉到地球表面的各种光谱信息，从而为地质、农业、环境等领域的研究提供重要的数据支持。
全色影像是指通过对可见光范围内的全部波段进行拍摄和合成，获得高分辨率的图像数据。
它主要反映了地物的明暗、纹理和细节特征，对于城市规划、土地管理和基础设施建设等方面具有重要的应用价值。
多光谱影像则是采用多个波段的光谱信息，通过某种方式对光谱进行组合和处理，获得不同波段上的图像。
不同波段的图像对应了不同的物质组成和能量反射特征，能够提供更加丰富的地物分类和识别信息，常用于农业、林业和环境监测等领域。
高光谱影像是一种相对于多光谱影像更为细致和细分的光谱数据。
它利用较窄的波段间隔捕捉和分析地物的光谱信息，能够提供更详细的物质组成和光谱特性，广泛应用于矿产勘探、地质调查和环境变化监测等领域。
本文将重点介绍全色、多光谱和高光谱影像的特征和应用领域，并分析它们在遥感技术中的重要性。
同时，也将探讨未来发展方向，以期为相关领域的研究提供参考和启示。
1.2 文章结构文章结构是指文章的组织和布局方式，它的设计直接关系到读者对文章内容的理解和掌握程度。
本文将以全色、多光谱和高光谱影像特征为主线，从整体到细节逐步展开，以便读者能够系统地了解这些影像特征的定义、应用领域和特征分析情况。
本文的文章结构如下所示：第一部分是引言部分，主要包括概述、文章结构和目的。
在概述中，将简要介绍全色、多光谱和高光谱影像特征的背景和意义；在文章结构中，将提供本文的组织结构，使读者能够清晰地了解全文的框架；在目的部分，则明确说明本文的目标是为了全面介绍和分析全色、多光谱和高光谱影像特征。
第二部分是正文部分，是文章的主体部分，主要包括全色影像特征、多光谱影像特征和高光谱影像特征三个章节。
在每个章节中，将先对该影像特征进行定义和概念的介绍，然后分析该影像特征在不同应用领域中的具体应用情况，最后对该影像特征进行详细的特征分析，包括特征的表示、提取和处理方法等。
python处理高光谱数据并输出的方法
Python 是一种强大的编程语言，也是处理高光谱数据的流行工具之一。
以下是一些处理高光谱数据并输出的方法:
1. 导入数据:使用 Python 的内置函数或第三方库(如 HDF5 库)导入高光谱数据。
可以使用 Pandas 库来处理和清理数据。
2. 数据预处理:对数据进行预处理，例如去除异常值、填补缺失值、归一化等。
3. 特征提取:从高光谱数据中提取有用的特征，例如纹理、纹理参数、色彩平衡等。
4. 可视化:使用 Python 的可视化库(如 Matplotlib、Seaborn、Plotly 等)将数据可视化，以便更好地理解数据。
5. 分析:使用 Python 的统计库(如 NumPy、SciPy 等)对数据进行分析和建模。
6. 输出结果:将处理后的数据保存到文件或数据库中，或将其输出到屏幕或显示器上。
Python 提供了许多强大的工具来处理高光谱数据，并且可以轻松地与其他科学计算和绘图库集成。
高光谱遥感的特征
高光谱遥感的特征
高光谱遥感是一种通过收集大量的连续、窄带光谱数据来获取地物光谱信息的遥感技术。
其特征包括以下几个方面：
1. 光谱分辨率高：高光谱遥感能够获取几百到上千个连续光谱波段的信息，使得不同地物具有不同的光谱响应特征可以被有效地区分和识别。
2. 空间分辨率适中：高光谱遥感通常具有中等的空间分辨率，不同波段的图像可以提供关于地物的精细细节信息。
3. 数据多样性：高光谱遥感数据能够提供丰富多样的信息，包括光谱信息、空间信息以及时间信息，可以支持多种遥感应用和科学研究。
4. 光谱特征敏感性：高光谱遥感数据对地物的光谱特征非常敏感，不同地物在光谱上呈现出独特的波谱特征，因此可以对地物进行精确的分类和识别。
5. 特征提取能力强：高光谱遥感数据可以通过光谱分析、像元反演等方法，从数据中提取出多种地物属性特征，如植被指数、地表覆盖类型等，具有较高的特征提取能力。
总之，高光谱遥感具有多光谱波段、高光谱分辨率、适中的空间分辨率和丰富的信息内容等特征，因此在环境监测、农业、地质勘查、城市规划等领域具有广泛
的应用前景。
arcgis 高光谱 分类
ArcGIS 是一款广泛用于地理信息系统（GIS）和遥感数据分析的软件。
高光谱分类是一种用于遥感数据的图像分类方法，它可以识别和分类图像中的不同地物或地表覆盖类型。
下面是一个基本的高光谱分类工作流程，使用ArcGIS 进行高光谱图像分类的概述：1. 数据获取和准备：获取高光谱遥感图像数据。
这些数据通常包括多个波段的图像，每个波段代表不同的光谱范围。
对图像数据进行校正和预处理，包括大气校正、辐射校正和噪声去除，以确保数据的质量和一致性。
2. 地物类别定义：定义您要分类的地物类别，例如水体、森林、农田、城市等。
每个地物类别都应有一个唯一的标识符。
3. 特征提取：从高光谱图像中提取用于分类的特征。
这通常涉及选择特定波段的像素值或光谱反射率作为特征。
4. 训练样本收集：为每个地物类别收集代表性的训练样本。
这些样本是已知地物类别的图像区域，用于训练分类模型。
5. 分类模型训练：使用训练样本训练高光谱分类模型，例如支持向量机（SVM）、随机森林（Random Forest）或最小距离分类器。
模型将根据训练样本学习如何将特征与地物类别相关联。
6. 图像分类：使用训练好的分类模型对整个高光谱图像进行分类。
模型将每个像素分配到最可能的地物类别中。
7. 后处理和验证：对分类结果进行后处理，如消除小面积噪声、连接相邻像素相同类别的区域等。
进行分类精度评估，比较分类结果与参考数据，以验证分类的准确性。
8. 结果可视化：将分类结果可视化呈现在地图中，以便进一步分析和应用。
ArcGIS 提供了丰富的工具和功能，可用于高光谱图像的处理和分类。
您可以使用ArcGIS 中的工具和脚本编写自定义的高光谱分类工作流程，以满足特定的项目需求。
此外，ArcGIS 还支持多波段图像的可视化、分析和空间查询，使您能够更全面地利用高光谱数据进行地理信息分析。
无人机机载高光谱数据获取与处理技术规程
无人机机载高光谱数据获取与处理技术规程
无人机机载高光谱数据获取与处理技术规程是指在无人机平台上获取和处理高光谱遥感数据的一系列操作规范和流程。
以下是相关的技术规程：
1. 无人机选择和配置：根据实际需求选择适当的无人机平台，确保其具备足够的载荷容量和稳定性，以便携带高光谱遥感仪器。
2. 高光谱遥感仪器选择与安装：选择适当的高光谱遥感仪器，确保其性能符合实际需求，并进行正确的安装和校准。
3. 飞行计划与路径规划：根据研究区域和目标确定飞行计划，并进行飞行路径规划，包括飞行高度、航线间距等参数的确定。
4. 飞行操作与数据采集：进行无人机的起飞、飞行控制和降落操作，在飞行过程中采集高光谱数据，并确保数据的质量和完整性。
5. 数据预处理：对采集到的高光谱数据进行预处理，包括数据格式转换、去噪、校正等步骤，以提高数据质量。
6. 数据处理与分析：对预处理后的高光谱数据进行处理和分析，包括光谱特征提取、分类与识别等，以获取感兴趣的地物信息。
7. 数据存储与管理：对处理后的数据进行存储和管理，包括建立数据库、数据备份等，以便后续的数据共享和利用。
8. 结果报告与应用：根据实际需求，将处理后的数据结果整理成报告或图像，用于科研、决策等领域的应用。
这些技术规程的目的是确保无人机机载高光谱数据获取与处理的科学性和规范性，提高数据质量和效率，并促进相关领域的研究和应用。
- 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》
二、基于可分性准则的特征提取原理
2.3定义特征映射形式
m1
y A x
nm
T
n1
m n
降维后的特征
即,准则函数
映射矩阵 原始光谱特征 类间散布矩阵
类内散布矩阵
12
希望在m维的Y 空间里，类别可分性最好
1 J1 Tr[ S yw S yb ]
在Y 空间达到最大
BT S yb B
BT S yw B I
B是一个m m的非奇异方阵
17
武汉大学 龚龑
《高光谱遥感》
二、基于可分性准则的特征提取原理
2.4求解映射矩阵
(S S ) A A(S S yb )
分析公式：
BT S yb B BT S yw B I
1 xw xb
1 yw
代入
《高光谱遥感》
一、高光谱特征提取概念 二、基于可分性准则的特征提取原理 三、高光谱特征提取主要方法 四、高光谱特征提取新方法及实例
8
武汉大学 龚龑
《高光谱遥感》
二、基于可分性准则的特征提取原理
2.1基于可分性准则的特征提取基本思想 基本思想：以类别可分性作为特征提取的准则， 要求提取的新特征所构成的特征空间具备最佳 的类别区分能力。 有样本支持
T
13
武汉大学 龚龑
《高光谱遥感》
二、基于可分性准则的特征提取原理
2.4求解映射矩阵 因此，变换后的Y空间里的可分性准则函数：
S yw A S xw A
T
S yb AT S xb A
J1 Tr[ S S yb ] = Tr[( A S xw A) ( A S xb A)]
14
武汉大学 龚龑
Байду номын сангаас
令U (u1 , u2 ,..., uL ) 特征提取可表示为Y = UT Z
武汉大学 龚龑
30
《高光谱遥感》
三、高光谱特征提取主要方法
3.3噪声适应主成分法 （noise-adjusted principal components, NAPC） 噪声适应主成分法的基本思想与最小噪声 分离法类似，考虑到噪声在各个波段分布的不 均匀，NAPC方法在进行主成分变换之前，先将 各个波段的噪声白化。
1 yw
Tr[ S S yb ]
Tr[] i
i 1 m
1
1 yw
21
武汉大学 龚龑
《高光谱遥感》
二、基于可分性准则的特征提取原理
2.4可分性准则进行特征提取要点小结 （一）思路： 1.确定降维变换的数学映射表达Y=AX； 2.选定可分性准则函数（J1，J2，J3，J4等）；
二、基于可分性准则的特征提取原理
1 2.4求解映射矩阵 (Sxw Sxb ) AB ( AB)
目的是求变换矩阵A，却求出了矩阵 接下来怎么办？
=AB
T z B y 考察准则函数J1在空间Z和Y中的关系： T 1 ( AB ) x T 1 T
Tr[ S zw S zb ] Tr[( B S yw B ) B S yb B ]
2.4求解映射矩阵
J1 Tr[( A Sxw A) ( A Sxb A)]
T T
1
J1是以矩阵A为变量的函数，欲使J1最 大，可将上式求一阶导数并令其为零：
J1 1 1 1 2S xw AS yw S yb S yw 2S xb AS yw 0 A
16
武汉大学 龚龑
《高光谱遥感》
• 高光谱特征提取的要点： 1.维数降低 2.特征性能更优良 3.不能完全取代原始原始高光谱数据
4
武汉大学 龚龑
《高光谱遥感》
一、高光谱特征提取概念
1.2 特征提取与特征选择区别 • 概念上的区别 特征提取 特征选择 原始特征空间的重组运算 原始特征空间的子集挑选
5
武汉大学 龚龑
《高光谱遥感》
一、高光谱特征提取概念
1.2 特征提取与特征选择区别 特征选择
特征提取
6
武汉大学 龚龑
《高光谱遥感》
一、高光谱特征提取概念
1.2 特征提取与特征选择区别 • 技术特点的区别 特征选择 波段选择 特征是已知的 特征提取 搜索策略
映射方式未知
特征是未知的
运算规则
特征提取过程的实质是对特征映射方式的寻求
7
武汉大学 龚龑
第四章 第2节 高光谱特征提取
4. 利用特征向量构建降维变换矩阵。
使用已有特征提取方法的步骤
23
武汉大学 龚龑
第四章 第2节 高光谱特征提取
《高光谱遥感》
一、高光谱特征提取概念 二、基于可分性准则的特征提取原理 三、高光谱特征提取主要方法 四、高光谱特征提取新方法及实例
24
武汉大学 龚龑
《高光谱遥感》
三、高光谱特征提取主要方法
三、高光谱特征提取主要方法
3.2最小噪声分离法 MNF基本流程： 对图像进行低通滤波 分离出噪声图像n
可分性准 则是什么？
的协方差矩阵 Z
求出Z (z1 , z 2 ,...z L )
的协方差矩阵 n
求出N (n1 , n 2 ,...n L )
1 计算 N Z的特征值i 和相应特征向量ui , 并排序
二、基于可分性准则的特征提取原理
2.4求解映射矩阵 J1 1 1 1 2S xw AS yw S yb S yw 2 S xb AS yw 0 A 整理得到：
(S S ) A A(S S yb )
1 xw xb
1 yw
根据矩阵运算知识，可利用线型变换 z BT y将实对称阵S yb和S yw分别对角化：
因为线性变换矩阵B不改变准则函数的值， 所以，可令降维映射矩阵为 (1 , 2 ,..., n ) 使得可分性准则函数J1取得最大值
T 1 T Tr[( S ) S xb ] xw 此时，J1 Tr[S S yb ] 1 Tr[ 1S xw (T ) 1 T S xb ]
可分性准则在高光谱数据降维中有哪两方面作用？
指导
可分性准则
特征映射方式
9
武汉大学 龚龑
《高光谱遥感》
二、基于可分性准则的特征提取原理
2.2选择类别可分性准则 可分性准则：从高维数据中获取一组用来分 类的特征，需要一个定量的标准来衡量特征 对分类的有效性。 可分性准则的主要类型： • 基于几何距离的可分性准则 • 基于概率密度的可分性准则
武汉大学 龚龑
《高光谱遥感》
二、基于可分性准则的特征提取原理
2.4求解映射矩阵 根据协方差传播律，Y空间里的协方差矩阵 Cy与X空间里的协方差矩阵Cx有如下关系：
Cy A Cx A
T
可推导，Y空间里的散布矩阵与X空间里的 散布矩阵有如下关系：
S yw A S xw A
T
S yb A S xb A
T
H FG
33
武汉大学 龚龑
《高光谱遥感》
三、高光谱特征提取主要方法
3.4 基于通用光谱模式分解算法
通用光谱模式分解算法（Universal Pattern Decomposition Method, UPDM）将原始高维空间特 征转化为UPDM系数表示的UPDM空间向量值。 要点： • 针对某几类特定地物目标，如水体、植被、 土壤等 • 需要进行地面光谱的实地测量
31
武汉大学 龚龑
《高光谱遥感》
三、高光谱特征提取主要方法
3.3噪声适应主成分法
z i s i ni
信号 噪声
1 i L, L表示波段
Z n
为Z (z1 , z 2 ,...z L )的协方差矩阵
为N (n1 , n 2 ,...n L )的协方差矩阵
首先，针对噪声求出白化矩阵
S yb ( BT ) 1 B 1 S yw ( BT ) 1 IB 1
1 (Sxw Sxb ) A A( BB1 )
1 (Sxw Sxb ) AB ( AB)
18
武汉大学 龚龑
《高光谱遥感》
二、基于可分性准则的特征提取原理
2.4求解映射矩阵
(S S ) AB ( AB)
对于矩阵AB中的每一列，有：
1 xw xb
(S S )i i i ,
1 xw xb
i 1, 2,..., n
上式说明
1 i , i是矩阵S xw S xb的特征值和特征向量
因此,按照i 大小顺序排列， 可得到 (1 , 2 ...n )
19
武汉大学 龚龑
《高光谱遥感》
降维后的样本总体方差最大
协方差矩阵的极值分析
27
武汉大学 龚龑
《高光谱遥感》
三、高光谱特征提取主要方法
3.2最小噪声分离法(minimum noise fraction,MNF) Green(1988)发展了主成分分析方法，采用最小 噪声分离变换使变换后各成分按照信噪比而不是按 照方差从大到小排序。
矩阵F为 N的白化矩阵,即 FT N F=I, FT F= -1 , N
32
-1 是由 N 特征值构成的对角阵 N
武汉大学 龚龑
《高光谱遥感》
三、高光谱特征提取主要方法
3.3噪声适应主成分法
然后，利用噪声的白化矩阵调整观测数据
W =F N F
最后，对调整后的观测数据进行主成分变 换，设变换矩阵为G,则总的变换矩阵为
1.1高光谱特征提取基本定义 特征提取包括的内容非常广 泛，既可以指影像空间维，也可 以指光谱维特征提取。 本节所讲的特征提取是指 光谱维特征提取。
3
武汉大学 龚龑