高光谱遥感数据特征选择与提取.ppt

《高光谱遥感数据特征选择与提取.ppt》由会员分享，可在线阅读，更多相关《高光谱遥感数据特征选择与提取.ppt（77页珍藏版）》请在三一办公上搜索。

1、1,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。,2,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

2、光谱特征空间，进行光谱选择非常重要。,3,5.1 光谱特征的选择,4,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,5,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。,

3、6,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。,7,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。,8,（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

4、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。,9,（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。,10,（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

5、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。,11,（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。,12,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

6、，可分性最大的特征组。,13,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,14,5.1.1 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。,15,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

7、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。,16,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,光谱距离可分性准则,17,（1）各类样本间的平均距离,各类样本之间的距离越大，类别可分性越大，因此可以利用各类样本之间的距离的平均值作为可分性的准则。常用的距离函数有：欧氏距离，马氏距离，明氏距离等。欧几里德距离：需要注意：很多情况下，类别之间的平均距离并不一定代表了类别之间的可分性。如下图所示,18,两种分布的可分离性比较,19,（

8、2）类别间的相对距离,根据费歇尔准则，分类时总是希望类内的离散度尽量小，类间的离散度尽量大，那么根据这个定律，可以作为相对距离的一个度量，度量的公式，都是根据类内和类间离散度矩阵来进行定义。,20,（3）离散度,相对距离是基于类间距离和类内方差，类内方差越大，分类误差越大。而离散度则是基于条件概率之差，表达式为：代表某一点的似然比 代表似然比的自然对数 E 代表期望值,21,（4）J-M 距离,J-M距离也是基于类条件概率之差，与离散度的评价方式一样，其表达式为：J-M距离的组成成分与离散度是一样的，只是函数表现形式不一样，因此，把离散度加以改造，也能够很好的区分类别之间的距离和可分离性。,2

9、2,（5）基于熵函数的可分性准则,在信息论中，一般用“熵”作为不确定性的度量，是错误概率的函数。为了对所有特征进行评价，需要计算空间中每一个点的熵函数，因此利用熵函数期望值就可以表征类别的分离成都，它可以用来作为提取特征分类性能的准则函数。熵是一种不确定性的度量，熵函数越大，模式归属为那一类的就越模糊，从而类别间的可分性就越小。,23,5.1.2 光谱特征位置搜索,特征位置通常是指：特征吸收波段的位置包络线去除（包络线归一化）方法的具体步骤如下：,24,25,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

10、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。,26,由包络线去除法调整的明矾石光谱曲线,27,包络线去除前后的光谱反射率曲线对比,28,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),1）选择特征波段区分地物,29,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,30,2）基于特征位置进行彩色合成,彩色合成采取RGB来构成波段组成，利用特征位置，可以缩小候选区域，突出感兴趣像元光谱的提

11、取以及感兴趣区域的划分。,31,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。,5.1.3 光谱自相关性分析,32,光谱相关性波段选择,光谱波段选择一般遵循以下3个原则：（1）所选择的波段信息总量要大（2）所选的波段

12、相关性弱（3）目标地物类型要在所选的波段组合内与其他地物有很好的可分性。主要选择的方法有：方差、相关系数矩阵、OIF指数等,33,方差（或标准差）统计,定义：每一个波段的亮度值与平均亮度值差的平方和，再取平均数。单波段的方差越大，表明波段的离散程度越大，信息量越丰富。,34,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）所反应出来的图像信息量大小。,35,（a）第10 波

13、段的图像,(b)第65波段的图像,（C）第126 波段的图像,36,图像在128个波段的标准差。可以看出，波段65-96这些波段的标准差较小（几乎都小于50），所以这些波段子集包含的信息量就少。而波段27-30，35-39，113-114，116-118的标准差较大（基本都大于400），这些波段包含的信息量就较多。高光谱遥感图像各波段的信息量分布并没有规律，在一个很小的波长范围内，各波段的信息量分布不均匀。就是相邻两个波段的信息量有时差别也很大。,37,相关系数法,通过相关系数r来比较两个光谱图像之间的相关性，它反映了不同变量之间的相关程度，大小取决于两个变量之间的协方差和它们各自的标准差，其

14、计算公式为：这里定义j=i+1，即：比较相邻两个波段之间的相关性，可以用下面的表来显示,38,39,用图像的直方图形式来统计相关性,40,41,42,43,5.2 光谱特征的提取,光谱特征的提取是光谱特征空间降维的过程。现有的降维方法可以分两类：一类是基于非变换的，如利用光谱位置搜索进行波段选择。它的优点是保持了图像的原有特征。另一类是基于变换的方法，如主成分分析PCA（K-L变换），最小噪声分离变换MNF，小波变换等，基于变换的降维方式的优点是可以经过若干变换直接将高维数据降低到几维，降维速度快。,44,光谱自相关性的波段选择空间自相关性的波段选择,5.2.1 波段组合选择,45,OIF指数

15、（Optimum index）最佳指数，用来计算几个波段所包含的信息量。利用它可以用来选择组合波段，通过组合波段的标准差之和最大，组合波段间相关系数之和最小作为准则来加以判断最佳波段组合的选择，计算公式如下：S代表标准差，R代表相关系数,光谱自相关,46,空间自相关性,空间自相关性的判别，多是采用纹理分析的方法，即利用纹理自相关函数进行纹理测度：代表横坐标方向的移动步长 代表纵坐标方向的移动步长,47,当 和 变化时，可以画出图像的自相关系数随 变化的曲线。可以通过这种自相关系数来确定图像的纹理粗糙程度。当d不变的时候，粗纹理的自相关纹理的自相关系数比细纹理的自相关系数大,48,空间自相关模型

16、的目标：,可以将空间自相关模型用到波段选择里面，目标是：地物集中区域灰度反差越大越好，地物集中区域越集中越好，波段之间越独立越好。,49,评价指数Gearys c值的公式如下：,其中,50,Gearys C index值介于0与2之间，当Gearys C值大于1的时候，表示两个区域之间存在负相关，当Gearys C值小于1的时候，呈现正相关，如果等于1，代表两者不相关。,51,利用Gearys c值可以反映两个方面的情况，第一 反映影像质量，影像的Gearys c值越小，方差越大，影像质量越高 第二 选择波段，比较两个波段的比值图像的空间自相关值，值越小，说明构成比值的图像信息量越大，两波段应

17、入选,52,Gearys c值反映图像质量 分别为0.428与0.169,53,Gearys c值反映波段之间相关性 分别为0.617与0.223,强烈相关的中心波长为：0.727与0.724,不相关的中心波长为：0.727与0.548,54,主成份分析（K-L）MNF变换穗帽变换典型分析（CA）,5.2.2 特征变换方式,55,一、基于主成分变换,理论上K-L变换是最佳变换。它是建立在统计特征基础上的多维正交线性变换。也是基于均方误差最小的变换，多波段图像通过这种变换后产生一组新的组分图像。组分图像数目可以等于或少于原来图像的波段数目。一幅高光谱图像通过KL变换能够把原来多个波段中的有用信息

18、尽量集中到数目尽可能少的新的组分图像中，使图像数据得到有效的压缩，而且还能够使新的组分图像中的组分之间互不相关。,56,为主分量变换后图像的n维向量 为主分量变换前图像的n维向量，变换矩阵为由原始图像的协方差矩阵的特征向量组成，特征向量是按其对应的特征值由大到小的顺序，重新进行排列而成,主成分分析方法可用变换矩阵表示如下：,57,根据KL变换的定义,有m个波段的高光谱图像KL变换的过程概括如下:,58,59,（a）第1波段图像,（C）第4波段图像,（d）第7波段图像,（b）第4波段图像,60,从图中可以看出变换后的新波段各主分量包含的信息量呈逐渐减少的趋势，,经KL变换后图像的标准差曲线图,6

19、1,K-L变换后部份波段的谱间相关系数,62,经过K-L变换后的RGB合成,一般人眼对灰度的分辨率只有二三十种，而对彩色的分辨要比对灰度的分辨多得多，256种彩色对人眼来说极为丰富。为此若一般的黑白图像处理成彩色图像，显然可提高原图像的分辨能力，获得更好的判读效果。彩色合成处理就是依照人眼色觉原理发展形成的一种光学增强处理方法。随着传感器光谱分辨率的提高，遥感图像波段数目的增加，彩色合成方案也随着增多。,63,原始遥感图像共有128个波段，所以有128*127*126种合成方案。对原始高光谱图像我们随机选择的50种方案。KL图像我们选择了30种方案，选出目视效果最佳的两幅图像如下：,64,原始

20、图像的RGB图（R：10 G：40 B 70）,KL图像的RGB图（R：1 G：2 B：3）,65,二、MNF变换(minimum noise fraction),最小噪声分离法，使变换后各成分按照信噪比而不是方差从大到小来进行排列。MNF变换用于确定固有特征的分布范围，分离和平衡图像数据中的噪声，减低后续处理计算量。,66,67,MNF组成：由两个串联的主成分变换来组成。第一个主成分变换基于噪声的协方差矩阵进行的，去除相关性，重新调节图像中的噪声分布。经过这个处理以后，噪声在各个波段之间没有相关性。第二个主成分变换是标准的主成分变换。在变换后的前几个分量图像按照方差大小顺序进行排列，向后方差

21、一次减少，噪声逐步增大，甚至全部为噪声。,68,MNF变换作用：消除噪声,操作如下：首先进行正向变换，判定哪些波段包含相关图像（根据对图像和特征值的检验），然后进行一个反向MNF变换，用波谱子集（只包括“好”波段）或在反向变换前平滑噪声的方法来消除噪声。从MNF反变换后图像提取的波谱曲线和从原图像中提取的波谱曲线相比较，更为平滑，更接近于地物的实际波谱特征。,69,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，即特征值曲线上斜率降到1的波段位置。这种判断方法并不一定正确，有时候需要

22、增加维数。,夏桥PHI高光谱：80波段波长范围：0.41740.8544mm,70,mnf变换结果的第1分量，第4分量，第8分量，第13分量,71,三、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。,72,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：,73,74,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（有专家指出，这一点影响了其实用性）。穗帽变换对于处理Lands

23、at/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。,75,四、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。,76,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。,77,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：,