第五章特征选择与特征提取(与“波段”相关文档)共74张PPT.pptx

第五章高光谱遥感数据的特征选择与提取;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;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;（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。???

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

;光谱距离统计;满足光谱距离可分性的要求：;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）各类样本间的平均距离;两种分布的可分离性比较;（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;;24;手工搜索方法：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。;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;经过包络线去除后，高岭石与白云石的可分有效区间，这里选择了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体，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;2）基于特征位置进行彩色合成;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。产生这种相似性的原因有以下两点：

一、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。

二、由于不同波段的图像所涉及的地面目标相同，它们具有相同的空间拓扑结构。光谱相关性主要指的是统计相关性，即各个波段图像的灰度分布是相关的，其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，统计相关性也越高。;光谱相关性波段选择;方差（或标准差）统计;通过分析遥感图像各波段的数据值，可以确定各个波段包含的信息量的多少，各波段的方差（标准差）反映了图像各像元灰度值与平均值总的离散度，一定程度上反映了各波段信息量，其值越大，所包含的信息量越大，地物之间越容易区分。

下面以128个波段的omis影像为例，介绍图像方差（标准差）