光谱感知中高光谱数据的特征约研究.pdfVIP

光谱感知中高光谱数据的特征约1 何明一黄睿夏建涛 (西北工业大学电子信息学院，陕西省信息获取与处理重点实验室，西安710072) E-mail：myhe@nwpu．edu．C 摘要：利用二维、三维图象数据中的形态信息和多光谱、高光谱数据中的光谱信息是机 器视觉感知中两个非常重要的方面。机器视觉感知中，光谱感知突破了一般视觉感知中可见 光的限制，利用反映物体在较宽光谱范围的多种物理特性的光谱特性对其进行识别和理解， 具有广泛的应用前景。随着正在形成的空间信息技术学科的发展、光谱感知将成为机器感知 中非常重要的发展方向。高光谱数据为光谱感知提供了细致精确的目标光谱信息，但高维数 据也对后续分析处理带来很多困难。采用特征约简进行数据降维是解决该难题的重要方法。 综述了高光谱数据特征约简方法，并对当前的研究工作进行了总结，重点介绍了作者建立的 两种特征约简方法，即基于BhattacharyTa距离准则的核空间特征提取算法和基于特征加权 的特征选择算法，用高光谱遥感数据的分类实验证明了方法的有效性。 关键词：特征约简，特征提取，特征选择，光谱感知 1引言 机器感知(Machineperception)使机器具有类似子人的感知能力，是机器获取外部信息 的基本途径，也是机器智能化不可缺少的组成部分。当前对机器感知的研究以视觉与听觉为 主。视觉感知(Visionperception)使得机器能够识别并理解文字、图像、景物等，比如形 perception) 状感知(Shapeperception)、颜色感知(Colorperception)、纹理感知(Texmre specmal 以及包括x光、紫外、可见光、红外等的光谱感知(Spectralperception,Orsensing)。 听觉感知则使得机器能识别并理解语言、声响等，比如自然语言理解、声感知。 视觉感知中，光谱感知突破了一般视觉感知中可见光的限制，利用反映物体在较宽光谱 范围的多种物理特性的光谱特性对其进行识别和理解，具有广泛的应用前景。随着正在形成 的空间信息技术学科的发展，光谱感知将成为机器感知中非常莺要的方面。 遥感对地观测技术经过60多年的发展，已经在遥感平台、传感器、遥感信息处理和遥感 应用等方面取得了长足进步。传感器方面，上世纪∞年代光谱成像仪的研制推动了高光谱分 辨率遥感的迅速发展…。高光谱遥感在许多相互邻接、甚至相互重叠的狭窄光谱波段上同时 收集地面的辐射数据，为地物提供数十至数百个窄波段的光谱信息，通常波段宽度小予lOnm， 产生连续的光谱曲线。这种具有极高光谱分辨率的遥感数据称为高光谱数据，它提供了比多 光谱传感器详尽精确的地物光谱信息，极大地提高了对地物类别的识别能力，可有效地用于 地物类型的像素级甚至亚像素级识别。但在另一方面，成百波段的高维数据也增加了数据处 理的难度和计算复杂度，“Hughes”现象凸现，传统模式识别方法无法适用于高维空间l厶引。 利用高光谱谱间存在的高度相关性与冗余性的特点进行降维处理。针对应用目的(如分 类、识别、压缩等)获取有效特征，降低计算量，是解决高维数据问题的重要方法之一。数 Extraction) 据降维通过特征约简(FeatureReduction)实现，其方法可分为特征提取(Feature 和特征选择(FeatureSelection)两类。特征提取一般采用由高维空间向低维空间的投影变换 实现降维，该投影应尽量保留有用信息；特征选择则是按照搜索策略在愿始波段空间寻找满 足某准则函数的波段子集来达到目的。严格说来，特征选择是特征提取韵特例，但与詹昔不 同的是特征选择傈持了原始波段的物理含义。蟪物分析中，分类固然是一个重要的应用目的， 但进一步确定究竟哪些波段影响分类结果对了解地物盼光谱特性氇是很有意义的州。 1得到国家自然科学基金(项目批准号和973项目资助。 本文综述了高光谱数据特征约简方法，并对我们的研究工作进行了总结，介绍了两种特 征约简方法，即基于Bh鼬ar