第五章-特征选择与特征提取.pptVIP

第五章 高光谱遥感数据的特征选择与提取 高光谱遥感数据有助于我们完成更加细致的遥感地物分类和目标识别，然而波段的增多也必然导致信息的冗余和数据处理复杂性的增加。具体表现在： （1）数据量急剧增加：波段的增加，使得高光谱数据比传统数据多1-2个数量级，表现在显示，存储，管理方面相当繁琐 （2）计算量增大：数据的膨胀导致计算机处理载荷大幅度增加，寻找有效地降维空间手段是必要的 （3）统计参数的估计误差增大：利用统计方法为了达到比较精确的估计，样本个数一般是波段数的100倍以上，这在高光谱数据中往往无法实现，因此，导致了分类精度的普遍下降。 当光谱维数增加的时候，特征组合形式成指数倍增加，如何优化光谱特征空间，进行光谱选择非常重要。 5.1 光谱特征的选择 特征选择的方法是根据专家知识来进行挑选或者是根据类别可分性准则选择。前者由于涉及到人为的因素比较多，因此不作讨论；后者根据类别可分性准则，挑选光谱特征。 选择步骤： A、选择可分性准则，确定使用策略 B、确定选择特征的算法 A、选择可分性准则 选择可分性准则有两个策略： 一、选择各类平均可分性最大的特征 二、选择最难分的类别具有的可分性最大的特征 第一个策略比较难照顾到分布比较集中的类别，如 果使用这个策略，选用能均衡照顾到各类的可以弥 补其不足；第二个策略能照顾到最难分的类别，但 是可能会漏掉某些可分性最大的特征，从而使分类 精度下降。 实际的应用当中，要综合两种策略的思想，使效率和模式分布能够达到平衡。如果模式分布的比较均匀，选择哪一个策略都是无关紧要的；但是如果模式分布的不均匀，选择第一个策略就必须考虑可分性准则的有效性，选择第二个策略就必须考虑最难分的类别，提高分类精度。 B、选择特征的算法 定义：短时间内找出高光谱数据波段中最 优的一组特征常用算法介绍： （1）单独选择法 根据可分性准则函数计算n个特征中每个特征可分性，然后根据各个特征的可分性大小进行排序，选择可分性最大的前m（nm）个特征。 （2）扩充最优特征子集 一、计算每个特征对应的所有类别的可分性，选择可分性最大的进入到最优子集当中； 二、增加一个特征构成新的特征集，重新计算特征集合的可分性，选择最大的特征组合作为新的最优子集。 三、重复执行第二步，直到最优的特征子集达到m个为止。 （3）选择最难分类的类对做出正确分类贡献最大 一、根据类别可分性函数计算每一个类对的可分性，找出最难分的类对。 二、计算各个特征对于最难分的类对的可分性，选择可分性最大的特征进入最优子集。 三、增加一个特征，形成新的组合，计算新组合对于最难分的类对的可分性，选择可分性最大的特征组合作为新的最优特征子集。 四、重复执行第三步，直到最优的特征子集达到m。 （4）去掉最难分类正确分类贡献最小 一、根据类别可分性函数计算每一个类对的可分性，找出最难分的类对。 二、计算各个特征对于最难分的类对的可分性，去掉择可分性最小的特征，剩下特征作为最优子集。 三、减少一个特征，形成新的组合，计算新组合对于最难分的类对的可分性，选择可分性最大的特征组合作为新的最优特征子集。 四、重复执行第三步，直到最优的特征子集达到m。 （5）搜索树 是一种自上而下的搜索方法，具有回溯功 能，使得所有的特征组合都能被考虑到。搜 索树具有最大的特点是所用到的可分性函数 具有单调性，利用单调性的特点，减少对一 些特征组合的搜索。 必须指出的是以上的算法均假设各个特征之 间相互独立，没有考虑特征之间的相关性。 实际上，各个特征之间是存在相关性的，首 先应该剔除一些可分性小，与其他特征相关 性大的特征，选择最优，可分性最大的特征 组。 光谱特征选择的策略按照以上选择的方法来划分类别，我们从以下三个方面的内容来具体介绍： 一、光谱距离统计 二、光谱特征位置搜索 三、光谱相关性分析 5.1.1 光谱距离统计 光谱距离统计是考虑在进行特征选择时，需要依据一定的准则进行判断。类别可分性根据这些判据能够反映各类在特征空间的分布情况，还能刻划各特征分量在分类识别中的重要性或贡献。 满足光谱距离可分性的要求： 设计光谱可分性的准则必须满足三个方面的要求： （1）与错误概率具有单调关系，这样准则取最大值的情况下，所得到的错误概率应该是最小的。 （2）度量特性。设定两类地物类别i，j的度量特性为 ， 越大，两类特征的分离程度越大。 （3）单调性，新加入的特征，准则函数的值并不减小。 光谱距离可分性准则 从n个特征中求取最有效的m个特征，相应的组合方式有： 种，主要的考核指标： （1）各样本之间的平均距离； （2）类别间的相对距离； （3）离散度； （4）J-M距离； （5）基于熵函数的可分性准则 （1）