高光谱遥感数据的特征选择与提取.pptVIP

提取图像端元光谱当MNF变换完成之后，同时输出每个分量的特征值，绘制特征值曲线，当特征为1的时候，代表图像中只有噪声。端元光谱数量直接可以从特征值曲线上读取，即特征值值降到1的波段位置。这种判断方法并不一定正确，有时候需要增加维数。夏桥PHI高光谱：80波段波长范围：0.4174—0.8544mm*第62页，共79页，星期日，2025年，2月5日mnf变换结果的第1分量，第4分量，第8分量，第13分量*第63页，共79页，星期日，2025年，2月5日三、穗帽变换穗帽变换（K-T变换）：是一种基于图像物理特征上的固定转换，与PCA变换相比，转换后的图像具有明确的物理意义，不随数据而变，对于相同传感器获取的不同图像，变换结果可以相互比较，因而得到了广泛应用。*第64页，共79页，星期日，2025年，2月5日对于MSS数据和TM数据，提取植被或土壤信息的穗帽变换的变换系数矩阵分别为：MSSTM*第65页，共79页，星期日，2025年，2月5日实际应用中，对不同的数据，为防止出现负值，需要对变换后的像元矢量加一常数进行修正。穗帽变换对于处理Landsat/MSS和TM数据，尤其是提取的植被信息，由于是利用了所有波段的线性组合，提取的植被信息量比只利用两个波段的植被指数NDVI要高。穗帽变换的缺点是依赖于传感器，固定的转换系数对其他传感器不适用。*第66页，共79页，星期日，2025年，2月5日*第67页，共79页，星期日，2025年，2月5日四、典型分析变换（CA）与PCA主成分变换相比较相同点：都是统计学角度出发的正交变换。不同点：PCA－－在对原始图像缺少先验知识的基础上计算原始图像的总协方差等统计参数CA－－针对具体的类别计算得到统计参量,变换矩阵能够使得变换后的典型成分轴具有最大的类间方差和最小的类内方差。变换后的典型轴按类别可分性大小依此排列。*第68页，共79页，星期日，2025年，2月5日典型成分分析方法的步骤为：（1）首先利用类别样本求出类内协方差矩阵（2）再求样本的类间协方差矩阵：（3）根据变换后，应当保证最大的类间方差和最小的类内方差，组建特征方程：（4）将由特征方程求出的特征值从大到小排列，并求出对应的特征向量矩阵，组建变换矩阵，对原始数据进行变换，即可完成CA变换。*第69页，共79页，星期日，2025年，2月5日典型成分分析方法以类间方差最大和类内方差最小作为优化条件，使变换后第一主成分包含了最大的类间可分性信息，同时降低了数据维数，有利于分类。但是，CA变换是基于类别统计分析的特征空间变换，对于高光谱数据，需要大量的训练样本，以便有足够高的样本数量和波段比，因此，得到类别协方差矩阵比较困难。典型分析变换（CA）的优缺点：*第70页，共79页，星期日，2025年，2月5日5.5高光谱投影变换欧式空间三维空间：向量{x1,x2,x3}在三维空间上必然可以分解为

{x1,x2,x3}=x1{1,0,0}+x2{0,1,0}+x3{0,0,1}这三个分量可以将任何三维向量线性表出。所以三维向量组成的几何空间其实可以用这三个基表达出任何三维向量。向量和点对应，三维向量其实也是对应三维直角坐标系的一个点。n维空间：向量{x1,x2,...,xn}在n维空间上必然可以分解为{x1,x2,...,xn}=x1{1,0,..,0}+...+xn{0,0,...,1}

其实在n维空间上就是由n个基构成的一个线性组合。一个n维向量其实就是一个n维欧式空间的一个点。只不过是有n个向量的。*第71页，共79页，星期日，2025年，2月5日（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。*第30页，共79页，星期日，2025年，2月5日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。注意：*第31页，共79页，星期日，2025年，2月5日光谱距离统计*第32页，共79页，星期日，2025年，2月5日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