5-高光谱遥感数据的特征选择与提取教程文件.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???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。;该图列出了波段数增加时，不同的样本个数与类别可分性的变化;为了进行最优选择，我们需要一个准则来衡量。如果特征可以进行分类，那么我们利用分类的错误概率来作为特征选择的准则。前人的研究表明：可分性越高的特征，分类错误的概率越低，选择的特征越优。最优特征——分类错误概率——可分性;可分性准则;设计光谱可分性的准则必须满足三个方面的要求（黄凤岗等，1998）： （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。;满足这个策略的可分性准则有很多，归纳起来可以分为以下四种准则： （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；;（1）各类样本间的平均距离;两种分布的可分性比较;（2）类别间的归一化距离;;当我们用这个距离公式衡量类别的可分性的时候，存在这样的情况，无法衡量两类的差别：;（3）离散度;尽管离散度克服了类均值相等给归一化距离带来的麻烦，但是并非最优的类别可分性度量，当样本的分布存在的情况如下图所示的时候，离散度并不能有效的反映可分性（b的可分性显然要高于a）;（4）J-M 距离（Jeffries-Matusita ）;总结;5.2 光谱特征选择;通过特征选择，可以强化最具可分性的光谱波段，这里分为：光谱特征位置搜索和光谱距离统计。 光谱特征位置搜索：根据专家对特定地物的物理化学性质和光谱特性分析，选择最具有排他性的光谱特征波段。 光谱距离统计：在光谱可分性距离的统计准则下，选择光谱波段子集，使得在某一个光谱可分性距离统计准则下，其统计差异最大或者最优。;1.光谱特征位置搜索; 手工搜索：利用定义手工逐点直线连接突出的“峰”值点，并使得折线在“峰”值点的外角180度，然后用实际光谱波段值去除相应的波段值，这样归一化后，峰值点均为1，非“峰”值点均小于1。这样就很容易测定吸收特征参数。;计算机搜索：;由包络线去除法调整的明矾石光谱曲线;包络线去除前后的光谱反射率曲线对比;举例说明：经过包络线去除后，可以有效的区分高岭石与白云石的有效区间，这里挑选5个特征波段: B1(2.16) B2(2.18) B3(2.21) B4(2.32) B5(2.38);以上的五个特征可以构成一个凸面几何空间，高岭石与白云石在这个投影变换后的特征空间集中在两个彼此分离的区间，两者能够完全区分;3）基于特征位置进行彩色合成;下图是一种地物的光谱曲线，在1.4微米附近有一个特征吸收峰，如果在此特征吸收波段赋值为绿色，在两边的非吸收通道赋值为红色和蓝色，那么在RGB合成图像里面，紫红色的像元就应该是具有该吸收特征的地物。 这样可以为我们进行ROI的选择提供帮助。; 高光谱遥感图像波段众多，如何在可分性的基础 上，从n个特征中选择m个最优子集？介绍两种算 法： （1）单独选择法（按照平均可分性） 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（平均可分性） 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。;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。;光谱距离统计;光谱相关性是指图像同一空间位置的像素在各波段 有相似性。 原因：光谱图像的每个波段图像的像素值，是相同区域地物对各个波段光的反射强度值，相邻波地物反射率是相近的，由此产生了一定的相关性。 光谱相关性的大小很大程度上是由光谱分辨率决定的，光谱分辨率越高，统计相