0
  • 聊天消息
  • 系统消息
  • 评论与回复
登录后你可以
  • 下载海量资料
  • 学习在线课程
  • 观看技术视频
  • 写文章/发帖/加入社区
会员中心
创作中心

完善资料让更多小伙伴认识你,还能领取20积分哦,立即完善>

3天内不再提示

高光谱图像特征提取方法综述

莱森光学 来源:莱森光学 作者:莱森光学 2022-09-26 13:53 次阅读

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 J(X)最大的原则,选择出数量为 k(k < 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。

poYBAGMxPjyAIs6oAAMNhbw_Bj4006.png

图 1 高光谱图像示意图

pYYBAGMxPj2Ac-jnAAA6Q0QgshI65.jpeg

图 2 波段选择过程

poYBAGMxPj2AYdlLAABiU0iaH8M09.jpeg

图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 F(X1 ,…, X5 )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。

pYYBAGMxPj2AP9IJAACd6BGWIkw381.png

图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 Spark 或 CUDA 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。

审核编辑:汤梓红

声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉
  • 遥感
    +关注

    关注

    0

    文章

    242

    浏览量

    16771
  • 机器学习
    +关注

    关注

    66

    文章

    8347

    浏览量

    132297
  • 高光谱
    +关注

    关注

    0

    文章

    326

    浏览量

    9901
收藏 人收藏

    评论

    相关推荐

    基于光谱遥感数据的辣椒叶片叶绿素含量反演

    以贵州省遵义市种植的辣椒为研究对象,实地采集辣椒盛果期叶片SPAD值,并获取近地光谱数据和无人机低空光谱数据;通过高光谱数据
    的头像 发表于 08-13 15:55 191次阅读
    基于<b class='flag-5'>高</b><b class='flag-5'>光谱</b>遥感数据的辣椒叶片叶绿素含量反演

    光谱成像的黄瓜病虫害识别和特征波长提取方法

    光谱成像的黄瓜病虫害识别和特征波长提取方法黄瓜霜霉病和斑潜蝇是制约黄瓜产业发展的严重病虫害。
    的头像 发表于 08-12 15:36 411次阅读
    <b class='flag-5'>高</b><b class='flag-5'>光谱</b>成像的黄瓜病虫害识别和<b class='flag-5'>特征</b>波长<b class='flag-5'>提取</b><b class='flag-5'>方法</b>

    基于光谱影像的南矶湿地光谱特征分析1.0

    引言 为了解决鄱阳湖湿地生态环境问题,本研究对不同地物反射光谱特征进行差异性分析,利用光谱特征波段选择可有效区分南矶湿地地物的特征波段,以此
    的头像 发表于 07-25 14:07 367次阅读
    基于<b class='flag-5'>高</b><b class='flag-5'>光谱</b>影像的南矶湿地<b class='flag-5'>光谱</b><b class='flag-5'>特征</b>分析1.0

    图像识别算法的核心技术是什么

    提取出有用的信息,为后续的分类和识别提供依据。特征提取方法有很多,常见的有: 1.1 颜色特征:颜色是图像最基本的属性之一,常见的颜色
    的头像 发表于 07-16 11:02 532次阅读

    图像识别技术的原理是什么

    值化、滤波、边缘检测等操作。这些操作可以提高图像的质量,减少噪声,突出图像特征,为后续的特征提取和分类器设计提供基础。 1.1 去噪 去噪是去除
    的头像 发表于 07-16 10:46 790次阅读

    光谱成像系统:光谱遥感图像光谱混合模型

    光谱遥感是成像技术和光谱技术相结合的多维信息获取技术,可以同时获取地面目标的光谱信息和空间信息。光谱
    的头像 发表于 07-10 11:54 585次阅读
    <b class='flag-5'>高</b><b class='flag-5'>光谱</b>成像系统:<b class='flag-5'>高</b><b class='flag-5'>光谱</b>遥感<b class='flag-5'>图像</b>的<b class='flag-5'>光谱</b>混合模型

    便携式光谱成像系统:岩矿光谱遥感

    光谱成像作为目前遥感领域最先进的技术,在地质应用中取得了巨大成功。岩石 和矿物由于电子过程和分子振动可以产生特征光谱吸收,因此可以利用
    的头像 发表于 06-21 15:02 517次阅读
    便携式<b class='flag-5'>高</b><b class='flag-5'>光谱</b>成像系统:岩矿<b class='flag-5'>高</b><b class='flag-5'>光谱</b>遥感

    烤烟发病叶片光谱特征分析

    烤烟发病叶片光谱特征分析烤烟是我国重要的经济作物之一,在国民经济收入中占有重要的地位。
    的头像 发表于 06-04 15:48 265次阅读
    烤烟发病叶片<b class='flag-5'>高</b><b class='flag-5'>光谱</b><b class='flag-5'>特征</b>分析

    光谱成像系统:湖南省典型植被光谱信息获取与特征分析

    为填补湖南省典型植被光谱信息的空白,方便其他研究者对湖南省或周边省份进行相关的研究,我们于湖南省衡阳市对典型植被树种做了光谱信息采集,并分析了其光谱特征
    的头像 发表于 04-30 10:59 402次阅读
    ​<b class='flag-5'>高</b><b class='flag-5'>光谱</b>成像系统:湖南省典型植被<b class='flag-5'>光谱</b>信息获取与<b class='flag-5'>特征</b>分析

    如何提取、匹配图像特征

    我们习惯从图像中选取比较有代表性的点,然后,在此基础上,讨论相机位姿估计问题,以及这些点的定位问题。 在经典 SLAM 模型中,把它们称为路标,而在视觉 SLAM 中,路标则是指图像特征(Features)。
    的头像 发表于 04-19 11:41 590次阅读

    光谱成像技术:从原理到应用的全面指南

    的应用。 1. 光谱成像简介 光谱成像是一种利用光谱信息来获取图像中每个像素的频谱的技术。相
    的头像 发表于 04-15 17:36 1745次阅读
    <b class='flag-5'>高</b><b class='flag-5'>光谱</b>成像技术:从原理到应用的全面指南

    避免光谱成像数据中的光谱混叠问题

    光谱成像技术在农业、环境监测、医学诊断等领域具有广泛的应用前景。然而,光谱混叠是光谱成像数据分析中常见的问题之一,它会影响数据的解释和应
    的头像 发表于 02-27 15:27 720次阅读

    友思特分享 | 清晰光谱空间:全自动可调波长系统的光谱成像优势

    了解更多产品信息,欢迎访问友思特:全自动可调谐光源解决方案 | 友思特 机器视觉 光电检测 光谱成像技术 光谱成像技术是一种捕获和分析宽波长信息的技术,能够对材料和
    的头像 发表于 01-18 13:45 442次阅读
    友思特分享 | 清晰<b class='flag-5'>光谱</b>空间:全自动可调波长系统的<b class='flag-5'>高</b><b class='flag-5'>光谱</b>成像优势

    OpenCV4图像分析之BLOB特征分析

    BLOB是图像中灰度块的一种专业称呼,更加变通一点的可以说它跟我们前面二值图像分析的联通组件类似,通过特征提取实现常见的各种灰度BLOB对象组件检测与分离。使用该检测器的时候,可以根据需要输入不同参数,得到的结果跟输入的参数息息
    的头像 发表于 12-28 12:28 1164次阅读
    OpenCV4<b class='flag-5'>图像</b>分析之BLOB<b class='flag-5'>特征</b>分析

    如何区分光谱、多光谱光谱

    图像光谱测量则是结合了光谱技术和成像技术,将光谱分辨能力和图形分辨能力相结合,造就了空间维度上的面光谱分析,也就是现在的多
    发表于 12-04 11:49 731次阅读
    如何区分<b class='flag-5'>光谱</b>、多<b class='flag-5'>光谱</b>和<b class='flag-5'>高</b><b class='flag-5'>光谱</b>