[物理]09高光谱特征提取.pptVIP

第3节 高光谱特征提取 武汉大学遥感信息工程学院 龚 龑 需要解决的关键技术 PI指标 实施步骤 噪声 信号 首先，针对噪声求出白化矩阵 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 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 三、高光谱特征提取主要方法 3.3噪声适应主成分法 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 三、高光谱特征提取主要方法 针对三类 3.4 基于通用光谱模式分解算法 三、高光谱特征提取主要方法 矩阵P受两方面因素影响： 所考察的基本地物类型数目由矩阵P的列体现。 相应影像波段的波长区间 对地面实测光谱进行归一化处理， 由矩阵P的行体现，与传感器无关。 3.4 基于通用光谱模式分解算法 三、高光谱特征提取主要方法 使用时根据传感器对应波长截取相应的UPDM参数，构成P矩阵： 代入方程，即可求得变换后的特征C 3.4 基于通用光谱模式分解算法 三、高光谱特征提取主要方法 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 第四章 第3节 高光谱特征提取 4.1分段PCA方法 基于分段PCA方法的波段选择体现了特征选择和特征提取的综合利用。 主要思想是将原始的高光谱数据分成若干组，然后对每一组进行PCA变换，再根据变换后的主成分进行波段选择。 对高光谱数据直接利用PCA方法进行特征提取从效率和物理意义上往往不能满足需求。 四、高光谱特征提取新方法及实例 基于分段PCA方法的波段选择的两步走方案： 针对每段进行波段选择 4.1分段PCA方法 四、高光谱特征提取新方法及实例 基于分段PCA方法的波段选择的具体步骤： (1). 计算波段间的相关系数 (2).根据相关系数划分波段小组 4.1分段PCA方法 四、高光谱特征提取新方法及实例 (3).对每个波段小组进行PCA变换, 得到主成分P1,P2,…,Pk。 (4).在各波段小组内，根据每个波段与P1,P2,…,Pk相关系数平方和计算其贡献率。 与主成分相关性越强，包含有用信息越多 (5).按照贡献率在在各波段小组内，选择代表性波段。 4.1分段PCA方法 四、高光谱特征提取新方法及实例 (1).通过分组方案，减少计算量，同时避免全局PCA对局部特征的忽略。 特点分析 4.1分段PCA方法 四、高光谱特征提取新方法及实例 (2).并不将每组的PCA第一主成分作为特征降维结果，而是同过计算组类各波段的贡献率进行波段选择，未损失反射率的物理意义。 降 维 基于X 寻求投影指标的最优 找到投影方向集合A 1.由于H(*)的非线性，矩阵A无法显式求解； 2.m究竟取多少？ 主要问题： 4.2投影寻踪方法 四、高光谱特征提取新方法及实例 逐次投影寻踪方法，通过对高光谱数据的多次一维投影，逐步筛取出有效成分，构建起新的低维正交空间。 一次性的降维(由n维到m维) 人为定义维数 投影矩阵的整体求解 经典投影寻踪 多次的一维投影 投影向量的单独求解 定量衡量投影特征的有效性 逐次投影寻踪 4.2投影寻踪方法 四、高光谱特征提取新方法及实例 1.正交方法 2.投影指标(以下简称PI) 在逐次投影寻踪过程中，如何确保下一步要选出的投影方向与当前已产生的方向是正交的； 投影指标(PI)的定义，依据PI能够选出最利于光谱空间中各簇区分的投影方向，同时，PI对于是否终止投影具有判据作用。 4.2投影寻踪方法 四、高光谱特征提取新方法及实例 X的协方差矩阵的特征值构成的对角阵 特征向量构成的列矩阵 标准化后的数据 原始数据 均值向量 “标准化” 处理：使得投影指标具备平移不变性 每行向量均值为0，方差为1 4.2投影寻踪方法 四、高光谱特征提取新方法及实例 以非正态性作为衡量投影效果的标准 4.2投影寻踪方法 四、高光谱特征提取新方法及实例 武汉大学 龚龑 《高光谱遥感》 《高光谱遥感》第四章 高光谱数据处理 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 第四章 第3节 高光谱特征提取 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