高光谱特征提取模板.pptVIP

* 二、基于可分性准则的特征提取原理 2.4求解映射矩阵 * （一）思路： 1.确定降维变换的数学映射表达Y=AX； 2.选定可分性准则函数（J1，J2，J3，J4等）； 3.利用准则函数对A的一阶导数等于零建立方程； 4.立足于方程，寻求A的解或等效解。 二、基于可分性准则的特征提取原理 2.4可分性准则进行特征提取要点小结 设计新型特征提取方法的思路 * （二）实施步骤： 1. 选择样本； 2. 计算原始光谱空间的类内、类间散布矩阵； 4. 利用特征向量构建降维变换矩阵。 3. 求解 的特征值和特征向量 ； 2.4可分性准则进行特征提取要点小结 二、基于可分性准则的特征提取原理 使用已有特征提取方法的步骤 * 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2节 高光谱特征提取 * A.经典PCA B.最小噪声分离法 C.噪声适应主成分法 D.通用光谱模式分解 三、高光谱特征提取主要方法 (P69 典型分析变换 CA) * 3.1 经典PCA (二)实施步骤： 1.计算协方差矩阵的特征值和特征向量; 2.按特征值大小顺序排列特征向量，构成变换矩阵。 (一)基本思想： 使变换后各成分按照按照方差从大到小排序 各成分之间尽可能不包含相同信息 三、高光谱特征提取主要方法 * 3.1 经典PCA (三)从可分性准则降维的角度理解 三、高光谱特征提取主要方法 常见准则： PCA方法所依据的可分性准则是什么？ 降维后的样本总体方差最大 协方差矩阵的极值分析 * 三、高光谱特征提取主要方法 3.2最小噪声分离法(minimum noise fraction,MNF) Green(1988)发展了主成分分析方法，采用最小噪声分离变换使变换后各成分按照信噪比而不是按照方差从大到小排序。 * 三、高光谱特征提取主要方法 3.2最小噪声分离法 * MNF基本流程： 对图像进行低通滤波 分离出噪声图像n 三、高光谱特征提取主要方法 3.2最小噪声分离法 可分性准 则是什么？ * （noise-adjusted principal components, NAPC） 噪声适应主成分法的基本思想与最小噪声分离法类似，考虑到噪声在各个波段分布的不均匀，NAPC方法在进行主成分变换之前，先将各个波段的噪声白化。 三、高光谱特征提取主要方法 3.3噪声适应主成分法 * 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2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 * (