流形学习算法在高光谱中的应用要点详解.pptVIP

* * * Cuprite赤铜矿 Virginia Coast Reserve弗吉尼亚海岸保护区 * MNF把数据中的噪声分离出来，留下数据的内在维数。是先进行白化噪声，再进行PCA * * * * * 任意3个波段构成的散点图的非线性特征 Probe2一种高光谱航空遥感系统，ground instantaneous field of view (GIFOV)地面瞬时视场，同义词是空间分辨率spatial revolution * 在ORASIS (Optical Real-time Adaptative Spectral Identification System)系统中，有一个称之为“样本选择”的算法来选择端元。首先选择一组样本像元，再与图像的其他数据作光谱角匹配，去除光谱角相近的像元，只保留光谱角超过某个阈值的像元作为新的样本光谱。接着利用修正的Gram–Schmidt正交化过程得到数目较少的一组基来构成子空间，再将样本光谱投影到子空间中，利用最小体积算法找到子空间中包含所有数据点的外接单形体，单形体的角点即为端元。由于外接单形体的角点并不一定是图像上的数据点，因此即使图像上没有包含纯像元，ORASIS也可能找到端元光谱。 * * * * * * 三个不同小图片，a是有植被的陆地覆盖，b是shallow water浅水区，c是非植被区 横坐标是特征值索引 纵坐标是 表面isomap大部分方差用5-15个特征就可以，而mnf需要更多 * 场景的100*100部分对于芦苇和莎草位置的superimposed differential GPS(DGPS叠加差分)地面真实调研数据，即通过GPS确定相应位置的确定地物类别 Phragmites australis一种湿地芦苇 Scirpus spp一种莎草 这两种植被形态上不相似，但谱特征相似， 左图：黄线是芦苇的DGPS研究区域，白线是莎草的。 右图：每类种子区域中每个种子各波段辐射值的均值一条线，均值加标准方差一条线，均值减标准方差一条线：红的是芦苇，蓝的是莎草 * 红的是芦苇种子区域，青色的是莎草种子区域 左图用ORASIS线性混合模型的2,3,4个成份 * 用DGPS包围的像素作为种子，也就是作为训练数据，只在两个分布不相交的区域进行分类 左图用ORASIS分类后3个不同区域错误标记为芦苇(红色)：1是在左上角莎草控制的沼泽地，2是在右下角的沙丘后面backdune和沙滩，3在坐下临近芦苇种子像素 为什么会出现错误分类？因为线性混合模型中其他类型的邻接像素和种子像素直接邻接，而isomap中是同类的邻接。 * 1.Mi是第i个tile manifold的tie-points坐标矩阵，Mj是这些点在第j个tile manifold的坐标矩阵，P就是第i个流形到第j个流形的坐标变换矩阵。（这里假设两个tile之间线性变换，且tie points的变换可以推广到其他点） 2通过随机采样，在原场景定义一个数据立方。找足够多的样本表示可能谱样本的全局空间，tile manifold被拼接到脊柱backbone上。从每个tile上随机找s个样本形成backbone，就可以从局部tile流形变为全局坐标化的backbone manifold。这里Mi是第i个tile上所有点的流形坐标，B是从第i个tile上采样的那s个数据的backbone流形坐标矩阵。 3Mi是Ti上所有点经isomap求的流形坐标矩阵，Mj*是Ti上点在Tj流形上用lle求得的流形坐标。 * 这个图是probe2于2001年8月22日采集，数据来源：/albums/flights_0/album53/Smith-Island-2001_-PROBE2-HSI-Imagery-and-Woody-Shrub-Model/ Backbone方法用的样本数较多，在实验中用了50%的tile像素。 而lle方法复杂度小为O(fi2)，在实验中75*75的tile用了300个像素，大概占5% Tie-points如果稀疏采样，会出现孤立包，影响效果，要克服这，又需要更多的tie-points，又导致耗时 * 左上角是2001年10月18日采集的124波段probe2遥感成像的original hyperspectral scene Smith岛导出的RGB图，显示9个邻接的tile，把场景分成75*75像素大小的tile。所有的tile最终被对齐到右上角的tile。第一阶段，第6和9tile转换成第8tile的流形坐标，这些是仅仅显示沙滩，沙丘，海浪的tile。转换后的tile和余下的tile对齐到右上角的tile。第9tile和其他tile类别差异较大，找不到足够的邻域（实验中用300），所有用延伸因子stretch。海浪