福州大学空间中心遥感课件_第5讲 特征提取与分类.ppt

遥感图象处理：特征提取与分类 遥感图像特征提取 特征提取与选择 特征提取的准则 形状特征描述与提取 遥感图像特征提取 遥感图像解译，除了利用地物的光谱特征外，还需利用地物的形状特征和空间关系特征，因此需要提取图像的其他特征。对于高分辨率遥感图像，可以清楚地观察到丰富的结构信息，如城市是由许多街区组成的，每个街区又由多个矩形楼房构成，其中人造地物具有明显的形状和结构特征，如建筑物、厂房、农田田埂，因此可以设法提取这类地物的形状特征及其空间关系特征，以作为结构模式识别的依据。 结构模式识别也叫句法模式识别，它可以提取地物的形状特征和空间关系特征，在此基础上识别遥感影像上的目标地物。 光谱特征提取技术 代数运算法 　　对原始波段进行加、减、乘、除、乘方、指数、对数等运算，其中最常见的为比值法，其目的是为了消除乘性因子带来的影响，或者增强某种信息而压抑另一种信息。几种典型的植被指数如比值植被指数(RI)、归一化植被指数(NDVI)、垂直植被指数、抗大气植被指数、增强植被指数(EVI)和土壤可调植被指数(SAVI)等就是通过原始通道反射率进行代数运算得到的。 导数法 　　在高光谱图像处理中，导数法能够提取出不同的光谱参数，如吸收峰位置，植被的红边位置等，导数光谱还能够消除大气效应。有关研究表明，导数法对光谱信号中的噪声非常敏感，在低价导数中的表现又优于高价导数，因而在实际应用中比较有效。 光谱特征提取技术 变换法 　变换法又分为三种类型。一种是代数变换，包括线性和非线性变换。线性变换即通过Y=B·X，主要目的是为了达到某种最优结果，如主成份变换就是为了降低处理数据的维数，同时使信息达到最大程度的保留。常用的方法有缨帽变换(Tasselled cap transform)、主成份分析（PCA）、最小最大自相关因子法(Min/Max Autocorrelation Factor，MAF)最大噪声分量(Maxinium Noise Fraction，MNF)、典范分析法(Canonical Analysis，CA)等。还有采取非线性变换法，甚至变换是隐含的，如神经元网络用于特征提取。 光谱特征提取技术 信号处理方法 　把特征数据作为随机信号，采用信号处理的方法，如傅立叶变换、小波分析等，将之变换到频率域，在频率域进行特征滤波、增强等处理，再反变换回时域，使得有用的信号得到增强，而无用的信号减弱了，从而对不同频率（或不同尺度、不同分辨率）的信号得到分离，这种变换方法可以称为时－频变换法。 彩色变换 　将以RGB三色表示的合成图像转换为HIS形式的合成图像，从而可以对部分信息得到增强，这种方法可以称为色度变换法，如RGB－HIS、HSI－RGB变换。 空间特征提取技术 纹理(共生灰度矩阵) 结构(数学形态) 形状(形状指数) 特征选择 设　　为评价特征子集S对于感兴趣条件（如分类精度等）的性能指标。特征选择问题归结为在特征空间中搜索最优或次优特征子集以使　　具有最佳性能这一优化问题。 特征选取问题可以看成特征加权问题的一个特例，与一个特征相关联的权重值表征了该特征对于分类任务的相关性和显著性。如果我们将权重值限制为二值形式，则特征加权问题就简化为特征选取问题 ． 特征选择方法 穷举搜索法 　通过穷举搜索评价各个可能侯选特征子集的性能　　，并找出其中最优的特征子集。例如Focus算法采用广度优先搜索策略查找满足训练样本的最小特征子集的组合。设总的特征数目为n，则运用穷举搜索策略需要评价的侯选特征子集的个数为 特征选择方法 启发式搜索 前向选择(forward selection)：开始时建立一空特征子集，然后每次加入一个特征，该特征代表剩余特征中最能提高当前评价因子性能的特征。 后向选择（backward selection）：排除开始时建立的包含所有特征的特征集合，然后每次减少一个特征，该特征代表当前被选中最能降低当前评价因子性能的特征。 前向选择与后向排除均能保证当前被选特征子集在每一阶段为最优，却不能保证那些复杂的、相互影响并最终影响分类器性能的特征子集。因此，其得到的特征子集并不是全部特征子集中的最优或次优解。 交换策略方法：先用其他方法选取一个特征子集，然后选择子集中的一个特征与被选特征中的一个交换，以确定是否具有更好的性能表现。如果单调（即增加特征个数，不减），通过分支定界搜索法，能够确保按交换策略能够找到对于一给定子集大小的特征集合中的最优子集。 特征选择方法 随机搜索法 　　随机搜索法采用随机的或概率性的步骤或采样过程．基于种群的启发式搜索技术（如遗传算法）用于决策数和最邻近分类器或规则推理系统的特征选择。利用基于遗传算法的特征选择算法不需要性能指标单调，且本身已包含多重选择条件（如分类精度、特征度量开销等），使其