高光谱遥感数数据特征选择和提取.ppt

第五章高光谱遥感数据的特征选择与提取 ●●0 ●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。 Pele ny 1000 波段数 单元个数a Hughes现象  ●●@● ●●●● 51光谱特征的选择 ●0● ●●● 光谱特征选择( Feature selection)就是针对特定对象选择光谱特 征空间中的一个子集,这个子集是一个缩小了的光谱特征空间,但它包 括了该对象的主要特征光谱,并在一个含有多种目标对象的组合中,该 子集能够最大限度地区别于其它地物。 高光谱 简化的特 图像 征空间  ●●@● ●●●● ●0● ●●● 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 ●●@● ●●●● ●0● ●●● 选择可分性准则有两个策略: 选择各类平均可分性最大的特征 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。  ●●@● ●●●● ●0● ●●● ●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,提髙分类精度  ●●@● ●●●● ●0● 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。  ●●@● ●●●● ●0● ●●● (2)扩充最优特征子集 、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。 、重复执行第二步,直到最优的特征子集达到m 个为止。  ●●@● ●●●● ●0● ●●● (3)选择最难分类的类对做出正确分类贡献最大。 、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。 、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。 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。  ●●@● ●●●● ●0● ●●● (4)去掉最难分类正确分类贡献最小 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。 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。