第2 章高光谱图像特征提取技术.pdf

2.1 特征提取技术概述 高光谱遥感图像具有大量的光谱波段，有助于地物的精细分类与识别；然而，波段的增加 却导致数据出现大量冗余，使数据处理复杂性急剧提高。因此，高光谱图像特征提取常被用做 图像分类、混合像素分解、异常目标检测等高光谱应用的预处理过程。特征提取指通过不同的 方法选取包含信息量大的波段或特征，以降低数据冗余度，因此，特征提取算法要求既能降低 原始数据特征波段的数量，又能保留数据的主要信息。然而，当光谱波段数增加时，特征波段 的组合方式以指数增加，庞大的特征波段组合数目极大地影响了后续处理算法的运算效率。 目前，国内外学者在高维数据特征提取方面已经提出了一些较为成熟的算法，其中代表 算法为主成分分析(Principal Component Analysis, PCA)和线性判别分析(Linear Discriminant Analysis, LDA)。主成分分析又称为KL 变换，是一种非监督特征提取算法，主要思想是利用 图像数据的统计量寻找一种线性变换，将原始数据集投影到新的特征空间，使得映射后的数 据集互不相关。但通过主成分分析对数据进行预处理需要假设数据服从高斯分布，然而实际 数据往往不是线性的，这使得算法丢失大量非线性信息。线性判别分析是另一种常用的监督 特征提取算法，主要思想是假设高维数据空间有相同标号的数据具有相同的高斯分布模型， 通过设计最优变换，令类间散布矩阵与类内散布矩阵的比值最大化，使具有相同标号的数据 互相靠近，具有不同标号的数据互相远离。以上两种方法均为线性特征提取算法，将其应用 到包含非线性特征的高光谱遥感数据时，会丢失原始数据集中的非线性信息。为了解决这一 问题，国内外学者先后提出了一些非线性特征提取算法。其中，核主成分分析的提出完成了 线性变换到非线性变换的过渡，该方法的理论基础是模式可分性理论，即在低维空间中不可 分的数据在高维空间中是线性可分的，主要思想是利用核函数将原始数据集映射到高维特征 空间，以便在高维特征空间利用线性算法进行特征提取。核主成分分析不需要给出映射函数 的实际形式，克服了一般非线性映射函数参数的不确定性，另外其运算的本质是利用内积进 行高维映射，算法的复杂度与特征空间维数无关，降低了映射过程的计算量。近年来，流形 学习越来越受到学者们的广泛关注，逐渐成为广泛使用的非线性特征提取算法。其基本假设 是高维空间的数据并不是均匀分布的，而是分布在低维流形上，所以通过寻找高维特征空间 到低维嵌入流形的映射关系可以实现降维。这一类流形学习算法是基于数据导向型，不需要 数据集的先验知识，相对比基于先验信息的核主成分分析，该方法在数据的泛化性方面有较 大优势。基于流形学习的特征提取算法分为，学习数据全局结构的全局流形算法和保持数据 间局部邻域特性的局部流形算法。2004 年 Bachman 等人利用等距特征映射算法(ISOmetric feature MAPping, ISOMAP)学习高光谱遥感数据集的低维嵌入流形曲面，该方法首先建立数据 点的邻域图，然后通过迪科特斯拉算法计算样本点邻域内外的最短距离，最后寻求原始高维 数据集的低维嵌入映射。Isomap 算法是一种典型的非监督全局流形特征提取算法，具有较好 的数据泛化能力。2000 年提出的局部线性嵌入算法考虑了高维数据不存在全局线性结构，但 在数据点的邻域范围内，可以近似为局部线性欧氏空间，这样，高维空间中的数据结构能够 第2 章 高光谱图像特征提取技术 13 在低维空间恢复信息。拉普拉斯特征映射算法在构建局部邻域图时，通过核函数定义样本点 与其邻域之间的权重值，相对于局部线性嵌入算法提高了算法的抗噪声能力。与上述算法不 同，局部切空间排列算法利用样本点的切空间来描述数据的几何结构，将切空间进行排列以 构造数据的全局流形嵌入坐标，算法对于描述复杂的流形结构具有较强的适应性。上述局部 算法都没有确定的映射函数，以至不能将已有算法应用到新的数据集上，为此He 等人在2005 年提出了邻域保持嵌入算法，算法在计算样本点的权重矩阵后，引入线性变换，即计算线性 投影以便可以应用到测试数据。同年，He 等人对拉普拉斯特征映射算法进行改进，提出了局 部保持投影算法，该算法对拉普拉斯特征映射算法进行线性化，同样需要计算线性映射函数。 高光谱图像具有较高的光谱分辨率，使其对地物目标具