高光谱遥感数据最佳波段选择方法试验研究

刘建平,赵英时,孙淑玲(中国科技大学研究生院　北京　100039)摘要:分析了多光谱遥感数据最佳波段选择的联合熵、行列式值及最佳指数等信息量计算方法的内在联系,说明了信息量方法用于高光谱遥感数据最佳波段选择的局限性,提出了基于类间可分性的最佳波段选择原则和方法。通过试验,说明了各种处理方法的有效性、局限性和计算复杂度。关　键　词:高光谱遥感数据;最佳波段选择;信息量;可分性中图分类号:TP 751.1/TP 79     

高光谱遥感数据最佳波段选择方法试验研究

分析了多光谱遥感数据最佳波段选择的信息量诸方法的内在联系,说明了信息量方法用于高光谱遥感数据最佳波段选择的局限性,提出了基于类间可分性的最佳波段选择原则和方法。通过试验,说明了各种处理方法的有效性、局限性和计算复杂度。     

一种改进的高光谱数据自适应波段选择方法

高光谱遥感数据具有的波段数目多、波段宽度窄、数据量庞大等特点给图像的进一步解译带来了困难。为了解决这一问题,对自适应波段选择的降维方法进行了改进,不仅考虑了高光谱遥感图像波段的信息量和波段间的相关性,更重要的是考虑了各地物连续光谱间的可分性。光谱间的可分性距离越大,表明类间的可分性越大,地物越清晰。首先选出了能有效区分图像上任意两类别的理想波段子集,再根据波段子集中任意3波段的相关系数之和最小和它们的均方差最小两个指标,选出任意两类对间那些包含信息量大、相关性又小、谱间差异又大的3波段组合(且不唯一),最后对整幅影像选出的最佳3波段45、75、85合成的假彩色图像用光谱角度制图法(SAM)进行了分类,总体分类精度达到91.7%,Kappa系数达到0.82。     

联合光谱角与组合特征参数的高光谱影像分类

光谱角匹配分类以光谱整体相似度作为分类准则,却无法充分考虑光谱的局部细节特征,导致高光谱遥感影像的分类结果存在着较大的误差.针对此问题,提出一种联合光谱角与组合特征参数(spectral angle mapping-combination characteristic parameter,SAM-CCP)的新型高光谱影...     

高光谱影像波段选择算法研究

基于高光谱影像数据的特点,分析了高光谱数据的降维方法。着重探讨了波段选择的若干算法:熵及联合熵、最佳指数因子、自动子空间划分、自适应波段选择、波段指数和最优波段指数等算法。分析了各种算法的有效性、局限性和计算复杂度,并针对波段指数的不足,设计了最优波段指数(OBI)波段选择新算法。最后通过具体的试验,验证了各种算法的性能。     

高光谱数据特征选择与特征提取研究

高光谱遥感数据的最主要特点是: 传统图像维与光谱维信息融合为一体, 即“图谱合一”。针对高光谱数据波段多、数据量大、冗余度大等特点, 论述了特征选择和特征提取的若干算法, 分析了各自的优缺点。重点研究了导数光谱算法, 并针对二值编码的不足研究了其改进算法-- 四值编码算法。最后用编码技术和导数光谱技术提取了地物的光谱特征参数; 试验表明: 四值编码算法比二值编码算法效果更佳; 光谱导数阶数越高, 对地物特征的表达越有效。     

月球表面多光谱数据最佳波段选择研究

从传统的多光谱遥感数据最佳波段选择理论入手,结合月球表面的特殊环境,针对月球表面主要岩石对不同波段电磁波的反射特性,分析适合月球表面多光谱数据最佳波段选择的一些方法.     

基于波段聚类的高光谱图像波段选择

为使无监督的波段选择能够更好地保留高光谱图像的信息,提出一种基于波段聚类的高光谱图像无监督波段选择方法.首先,计算高光谱图像各波段间的互信息,以此衡量各波段间的相关程度;然后,根据各波段间的互信息,对波段集合进行聚类;通过迭代使得各波段分组自动地聚集在信息量较大且具有代表性的波段周围,直到各聚类中心不再变化,则聚类结束.通过波段聚类过程保证了冗余波段的去除和有用信息的保留,最后,以各聚类中心波段作为所选的波段组合.实验结果证明,与传统方法相比,使用文中的方法选择波段,能够更有效地保留光谱信息,得到更高的分类精度.     

基于类别可分性的高光谱图像波段选择

高光谱遥感数据具有丰富的光谱信息,应用十分广泛,但其冗余的光谱信息有时会限制高光谱图像的分类等的精度以及计算复杂度.为了提高解译效率,高光谱图像降维不可或缺,这也是高光谱图像处理的研究热点之一.提出了一种基于类别可分性的高光谱图像波段选择方法(Endmember Separability Based band Selection,ESBB),该方法通过Mahalanobis距离最大化图像中各类地物的可分性来确定最优的波段组合.相较于其他监督波段选择算法,该方法不需要大量训练样本,不用对每个组合做分类处理.对波段选择后的结果进行分类的实验结果证明,该方法是一个快速有效的波段选择方法,可以得到一个较好的分类精度.     

高光谱遥感图像波段选择研究进展综述

高光谱成像遥感技术可获取地物的光谱、辐射和空间信息,在国民经济的各个领域得到广泛的应用.但其狭窄的波段间距带来丰富光谱信息的同时,也带来了信息冗余,增加了数据处理的难度.因此,高光谱遥感数据在进行实际应用前,需要进行波段选择并提取光谱特征,降低数据维数.对高光谱遥感图像的波段选择研究进展进行了综述,在分析、归纳波段选择...     

基于经验模分解高光谱图像数据尺度变换的光谱保真性分析

经验模分解是具有自适应性特点的尺度变换方法。高光谱图像数据近乎连续的光谱是开展信息提取的重要信息来源,然而尺度变换会使光谱发生变化。因此,分析EMD尺度变换后高光谱图像数据的光谱保真性具有重要意义。应用CHRIS高光谱图像数据,使用光谱相关系数、光谱偏差、光谱相对偏差和光谱角等评价指标,开展EMD升尺度图像及其典型地物的光谱保真性实验,并将EMD与Mallat小波变换光谱保真性比较。实验结果得出:11~10级EMD尺度变换后图像整体光谱保真性都较好,相关系数均在0.979以上,偏差小于55,相对偏差小于0.036,光谱角在0.041以内;2图像光谱保真性随EMD尺度变换次数增加而略有降低,且前4级变换光谱失真相对明显,后续降幅微弱;31~10级尺度变换后7种湿地典型地物的光谱保真性都较好,其中芦苇和河流的光谱保真程度较突出,养殖水面的相对不理想;4EMD与小波变换光谱保真性比较,随着变换次数的增加EMD表现出相对稳定且较小的光谱失真。     

利于目标识别的高光谱影像波段选择方法

遥感图像数据量大、波段数目多、信息冗余多等特点给图像的进一步解译带来了困难.为了解决这个问题,在使用相邻波段间的互信息量与全部波段间的相关系数矩阵相结合的方法对波段进行分组的基础上,运用波段指数和光谱角制图算法,提出了针对某个感兴趣目标的波段选择方法.首先对校正后的全部有效波段进行分组(划分子空间),然后提取出各个子空间中指数最大的波段,最后依据地物光谱可分性选取最佳的波段组合.通过试验及与常见的波段选择方法进行比较的结果显示,所提方法目标提取效果明显.     

基于多态蚁群算法的高光谱遥感影像最优波段选择

由于传统蚁群算法搜索空间大,算法时间复杂度高等,导致基于传统蚁群算法的高光谱数据波段选择算法(ACA-BS)耗时长,算法效率低下,且易陷入局部最优。而多态蚁群算法能大大缩小算法的搜索空间,降低算法时间复杂度。因此,研究设计了基于多态蚁群算法的高光谱数据波段选择算法(PACA-BS)。从算法运行时间、波段子集的类别可分性及信息量、总体分类精度等方面对算法进行对比分析。用于实验的数据为Hyperion和AVIRIS高光谱影像。实验结果表明:PACA-BS的运行时间较ACA-BS大大减少;对Hyperion影像进行降维时,基于PACA-BS的运行时间约为ACA-BS的一半。两种算法获得的波段子集的类别可分性大小较为接近,但PACA-BS获得的波段子集的信息量和总体分类精度优于ACA-BS。研究表明PACA-BS是一种效率较高的高光谱波段选择算法。     

基于核最小噪声分离变换的高光谱遥感影像特征提取研究

高光谱遥感影像具有高维非线性的特点,线性特征提取方法容易造成信息丢失和失真。在最小噪声分离变换(MNF)线性特征提取算法的基础上,引入核方法,提出核最小噪声分离变换(KMNF)高光谱遥感影像非线性特征提取方法。KMNF通过核函数,将样本映射到高维特征空间,在特征空间中运算线性MNF,实现原始空间中的非线性KMNF算法。进行基于KMNF的高光谱影像特征提取实验,分析样本个数对KMNF特征提取的效果,发现样本数量对KMNF特征提取的结果影响很小,较少的样本数即可达到较多样本时特征提取的效果。对比KMNF与MNF特征提取的效果,分析它们降维的效率与保留的信息量,发现KMNF总体降维效率与MNF相当,且体现出高光谱图像的非线性特征;在KMNF和MNF特征提取的基础上,利用SVM进行高光谱图像分类,KMNF+SVM的分类精度优于MNF+SVM。     

高光谱遥感在生态系统研究中的应用进展

遥感技术在生态系统调查与研究中具有广阔的应用潜力,但是传统的多光谱遥感主要侧重在面上的普查,很难对生态系统中各种复杂地物属性和生化参量进行精确反演。高光谱遥感突破了光谱分辨率的限制,大大提高了人们获取多种生态系统模型输入参数的类型和精度。在阐述高光谱遥感的原理和信息特点的基础上,系统评述了目前国内外高光谱遥感在生态系统过程与属性研究中的应用,并对未来高光谱遥感在生态学领域的研究方向做出展望。      

基于成对约束半监督降维的高光谱遥感影像特征提取

半监督降维(Semi\|Supervised Dimensionality Reduction,SSDR)框架下,基于成对约束提出一种半监督降维算法SCSSDR。利用成对样本进行构图,在保持局部结构的同时顾及数据的全局结构。通过最优化目标函数,使得同类样本更加紧凑\,异类样本更加离散。采用UCI数据集对算法进行定量分析,发现该方法优于PCA及传统流形学习算法,进一步的UCI数据集和高光谱数据集分类实验表明:该方法适合于进行分类目的特征提取。     

基于信噪比估计的波段选择与高光谱异常检测

有效的波段选择方法可以极大地提高高光谱图像处理速度的同时改善处理效果。为了自动判断低信噪比波段,提出了一种基于小波变换的图像信噪比估计(SNR estimation,SNRE)方法,利用小波变换后对角方向上的高频成分估计噪声方差并计算信噪比。将该方法分别结合基于方差和相关系数(V_COR)的最优索引指数、最大信息量(MI)、高阶矩(偏度或峰度)结合信息散度(K3_KL)等3种基于信息量的波段选择方法后选择波段。将这些改进后的波段选择方法应用于高光谱异常检测。实验结果表明SNRE预选波段结合MI和K3_KL选择波段用于异常检测能进一步提高检测精度。