服务热线:
86-0755-23229824
您当前所在位置:首页>>光学知识
高光谱图像特征提取方法综述

高光谱遥感技术具有能同时反映遥感对象空间特征和光谱特征等独特优势,但这些优势也带来了波段众多 且相关性强、数据冗余度高、不利于进一步处理与利用等问题。 通过降维可以减少数据中的冗余信息,提高处理效率, 而特征提取作为降维的一种重要方法,具有降维速度快等优点。 因此,特征提取对高光谱图像的利用有重要意义。

1、高光谱图像降维基本原理

高光谱图像降维方法可分为基于特征提取( Fea- ture Extraction)的方法和基于特征选择( Feature Selec- tion)的方法两类] 。高光谱图像特征选择又称波段选择,波段选择的 定义是从一组数量为 K 的原始特征中,按照令准则函 数 JX)最大的原则,选择出数量为 kk < K)的一组特征 X,如图 2 所示。波段选择降维方法又可分为两类:一类是基于信息量的波段选择方法,例如熵与联合熵 的方法、最佳指数法(OIF)、自适应波段选择法等;另 一类是基于类间可分性的波段选择方法,例如时空维方法与光谱维方法等。

1663904313118129.png 

1 高光谱图像示意图

1663904319989318.png

2波段选择过程

1663904325603370.png 

3特征提取过程

高光谱图像特征提取,即将原始高光谱数据从高维光谱特征空间按照某一变换方式,投影到一个维数更低的子空间。特征提取过程如图3所示,其中FX1X5表示一个线性或者非线性的变换方程。

波段选择受搜索算法和准则函数的影响,不可避免地会损失大量信息,而特征提取方法可以经过变 换直接将高维数据降维到目标维数,降维速度快。

2、高光谱图像特征提取研究现状

特征提取方法可分为传统机器学习方法以及深度 学习方法两类,如图 4 所示。其中,传统机器学习方法 根据特征空间映射函数的形式又可分为线性方法和非线性方法。

1663904385154981.png

4 高光谱特征提取方法分类

2.1传统机器学习方法

2.1.1线性方法

假设高维数据采样于线性结构中,并通过一个线性形式的变换实现高光谱图像特征提取。根据利用样本类别信息的情况,线性方法可进一步细分为无监督、有监督及半监督学习3种学习方法。其中,数据集中只有部分样本含有类别标签,同时使用有标记和无标记样本实现降维的算法属于半监督学习方法。因为半监督方法的相关研究较少,所以本文着重对无监督和有监督方法进行介绍。

1)无监督方法。

数据集不包含类别标签,只利用无标记样本实现降维的算法属于无监督学习方法。

2)有监督方法。

利用含有标签信息的标记样本实现降维的算法属于有监督方法,线性判别分析(LDA)等即为有监督特征提取算法。

2.1.2非线性方法

虽然线性方法普遍具有理论成熟、原理简单、便于实现和使用等优点,但高光谱数据属于非线性数据,利用线性方法对高光谱图像数据进行维数约减往往无法取得满意的效果。

1)核方法

核方法的主要思想是:在原始低维空间中无法线性划分的数据,利用核函数将其投影到高维希尔伯特空间中线性可分,最后对变换后的数据进行降维。核方法的优点是有效解决了非线性数据线性不可分的问题,且计算量并没有随着维度的升高而显著增加。

2)流形学习。

流形学习假设高维数据采样于一个低维流形中,通过学习高维数据内蕴的几何结构,求解数据的低维坐标及对应的映射,从而实现对高维数据的降维或可视化。

2.2深度学习方法

深度学习是机器学习领域的分支之一,旨在构造一个可训练的深层模型仿效人脑分析和处理问题的过程。高光谱图像多种多样,一种特征提取方法很难在所有类型的数据中均取得良好的效果,这是传统机器学习方法普遍存在的问题。深度学习方法很好地解决了这个问题,针对不同类型的数据学习特征,深度学习模型可以根据不同的数据自主地学习特征。

3、高光谱图像特征提取存在的问题与研究方向

3.1存在的问题

高光谱图像特征提取技术作为一种预处理技术,减少了数据中的冗余信息,提高了目标检测、分类等后续应用的效果,极大地促进了高光谱遥感技术的发展。但目前的特征提取技术及算法还存在很多局限性,主要表现在以下几个方面。

1)有些高光谱特征提取算法时间复杂度过高、运算时间过长,即使精度有一定提高也得不偿失,不适于某些对算法实时性要求很高的场合。

2)许多高光谱特征提取算法都含有参数,对于算法的使用者而言,调参是一个耗时费力的过程,且参数的取值对算法的效果有显著影响,所以最佳参数的选择是一个难以解决的问题。

3)高光谱图像提供了丰富的空间、光谱信息,但目前绝大多数特征提取算法都只利用了高光谱图像的光谱信息,如何高效地综合利用高光谱图像的空间、光谱信息是有待进一步深入研究的问题。

3.2研究方向

针对高光谱图像特征提取方法的研究现状及存在的问题,提出了一些解决问题的思路及有价值的研究方向。

1)利用SparkCUDA并行编程框架实现诸如流形学习等时间复杂度较高算法的并行化,可以有效缩短算法的运行时间。

2)完善特征提取算法的理论体系,为解决目前存在的问题提供理论依据,例如为核方法中核函数以及核参数的选择提供理论依据。

3)在对高光谱图像数据进行特征提取之前对高光谱图像进行空间滤波,从而综合利用高光谱图像的空间信息及光谱信息。

4)在实际应用中,对高光谱图像数据进行标记的成本较高且有些数据无法进行标记,所以无监督或半监督特征提取算法是后续研究的重点。5) 深度学习作为目前机器学习领域最热门的研究方向,具有许多传统机器学习方法所不具备的独特优势,基于深度学习的高光谱特征提取方法是一个极具价值的研究方向。

1663904403262664.png



关键词相关链接: 紫外泄漏光谱辐射仪 紫外光谱辐射仪 薄膜测量光纤光谱仪 紫外增强宽带光源 水下辐射剖面光谱仪 水质光谱吸收模块 光辐射安全光谱仪 BTDF双向透射分布函数光谱测量仪 工业集成微型光纤光谱仪 可见红外双向反射光谱测量仪(BRDF) 电致发光量子效率光谱系统 光致发光量子效率光谱系统 水质测量光谱吸收光纤探头 IR孔透射积分球 显微透反射光谱系统 太阳模拟器均匀性和稳定性测试仪 荧光比色皿支架 中红外光谱辐射仪 辐射积分球 BRDF双向反射分布函数光谱测量仪 水质光谱紫外吸收模块 便携式矿物红外光谱仪 水体光谱仪 VCSEL激光LIV光谱功率测试仪 全光谱紫外吸收光谱水质模块 COD水质光谱吸收集成模块 全吸收积分球 厌氧停留吸收光谱 全自动水体表现光谱观测系统 VCSEL激光远场测试 VCSEL激光近场测试 单色积分球均匀光源 紫外吸收微型光谱仪 紫外增强卤灯光源 VCSEL激光测试仪 余弦辐射探头 水面高光谱辐射仪 VCSEL光学测试系统 水色遥感光谱仪 LIV激光功率测试 激光LIV人眼安全测试仪 光谱功率积分球 VCSEL激光安全功率测试仪 定制积分球 量子效率光谱系统 手持式地物光谱仪 VCSEL TOF测试 雾度积分球 紫外老化光谱辐射仪 中红外光源 光谱辐射仪 IR孔透过率光谱测试仪 便携式地物光谱仪 VCSEL激光LIV测试系统 地物光谱仪厂家 显微高光谱成像系统 积分球均匀光源 水质测量光谱仪 高光谱相机 机载成像高光谱 海面高光谱 透反射光谱测试仪 积分球光源系统 地物光谱仪 透射积分球 VCSEL激光测试 光通量测试积分球 多光谱相机 无人机高光谱 超连续白光光源 机载高光谱成像仪 紫外可见近红外光谱辐射仪 手持式LIBS激光诱导击穿光谱仪 COD双光路水质光谱吸收模块 水下光谱仪 无人机高光谱成像仪 水体高光谱辐射计 地物光谱仪价格 LIBS激光诱导击穿光谱系统 辐射测量光纤光谱仪 无人机高光谱成像系统 高低温温度控制器 高光谱成像仪 光谱反射率测量仪 光纤光谱仪 光纤镜头 反射积分球 成像光谱仪 激光波长测量光纤光谱仪 水质光谱传感器 激光功率积分球 便携式高光谱相机 积分球 FieldSpec 4 HR NG 蓝菲光学积分球 积分球生产厂家 LED积分球 光谱辐照度仪 便携式光谱辐射计 拉曼测量光纤光谱仪 HR-1024i 颜色测量光纤光谱仪 便携式光谱辐射仪 handheld 2 COD、叶绿素、总氮、总磷等多参数水质分析仪 光纤光源 氘卤组合光源 抗紫外光纤 漫反射标准板 LIBS headwall高光谱成像 国产地物光谱仪 便携式太阳光谱反射仪 野外地物光谱仪 角分辨率光谱系统 太阳光谱反射比 高光谱成像仪价格 地物波谱仪
Copyright © 2020 All Rights Reserved 莱森光学(深圳) 有限公司·版权所有 备案号:粤ICP备18141551号-1