正文

高光譜圖像特征提?。ǜ吖庾V圖像特征提取MATLAB）

發(fā)布時間：2023-04-13 21:11:06 稿源：創(chuàng)意嶺閱讀： 64

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于高光譜圖像特征提取的問題，以下是小編對此問題的歸納整理，讓我們一起來看看吧。

開始之前先推薦一個非常厲害的Ai人工智能工具，一鍵生成原創(chuàng)文章、方案、文案、工作計劃、工作報告、論文、代碼、作文、做題和對話答疑等等

只需要輸入關(guān)鍵詞，就能返回你想要的內(nèi)容，越精準，寫出的就越詳細，有微信小程序端、在線網(wǎng)頁版、PC客戶端

官網(wǎng)：https://ai.de1919.com。

創(chuàng)意嶺作為行業(yè)內(nèi)優(yōu)秀的企業(yè)，服務客戶遍布全球各地，如需了解SEO相關(guān)業(yè)務請撥打電話175-8598-2043，或添加微信：1454722008

本文目錄:

1、如何深度學習抽取圖片特征，并利用這些特征和已知數(shù)值建立模型進行預測？
2、遙感光譜數(shù)據(jù)的獲取
3、基于小波包變換的高光譜影像目標識別算法與實現(xiàn)
4、應用于高光譜影像精細分類的關(guān)鍵點

高光譜圖像特征提取（高光譜圖像特征提取MATLAB）

一、如何深度學習抽取圖片特征，并利用這些特征和已知數(shù)值建立模型進行預測？

你這應該不是數(shù)字圖像處理，應該是一種包含其它信息的特殊圖片，我的方向是高光譜，如果是結(jié)合高光譜圖像技術(shù)的話，要結(jié)合一定的化學計量學方法，具體是哪個化學分式影響水果糖度不同，主要應用的工程軟件，MATLAB比較通用一點，也好溝通，特征提取后，建立一個數(shù)學的預測模型，把你的圖片加載到MATLAB的算法內(nèi)，一步步跑出來，這就是你的程序側(cè)。

主要還是依靠算法實現(xiàn)，如果你要用深度學習去實現(xiàn)預測水果糖度，還是要了解一下食品檢測的最新算法，目前我了解的，還是CNN開拓性比較大一些。算法要看你的側(cè)重了，側(cè)重在降維、特征提取還是回歸模型的建立，還是全部的新算法。

二、遙感光譜數(shù)據(jù)的獲取

遙感技術(shù)從航空攝影測量逐步演變發(fā)展起來，大致經(jīng)歷了3個發(fā)展階段：

1.航空攝影測量發(fā)展階段

目前仍保存著的最早一幀航空相片是1860年J.W.布萊克從氣球上拍攝的波士頓市的相片。在地質(zhì)上的應用則始于1913年，有人在飛機上用攝影機對著非洲利比亞的本格遜油田攝影成像，并用這套骯空相片編制了本格遜油田地質(zhì)圖。航空攝影遙感主要以飛機或者氣球為運載工具，用航空攝影機對目標獲取信息，然后再經(jīng)過負片和正片過程得到最終的航空相片。航空攝影利用的是電磁波可見光全色波段，用感光膠片接受所攝目標物反射來的太陽光線感光、成像，一般感光片的感光范圍是0.3～0.9μm。航空攝影大多數(shù)情況下是垂直攝影，即航空攝影機主軸保持沿鉛垂方向進行拍照；在特殊情況下，利用專門相機進行斜傾攝影。航空攝影按所利用的電磁波波段、相應的感光片及所成圖像的特點，分成4種，即：航空可見光全色黑白圖像；航空可見光真彩色圖像：航空紅外假彩色圖像：航空紅外黑白圖像。其中，航空可見光全色黑白圖像和航空紅外假彩色圖像最為常用，它們主要利用地物波譜的寬波段反射強度特性。

2.多光譜衛(wèi)星遙感階段

數(shù)字衛(wèi)星成像首先是從氣象衛(wèi)星開始的，在1960年TIROS-1氣象衛(wèi)星提供了非常粗糙的衛(wèi)星圖像，主要用來展示云的樣式。隨后，在1970年代，美國國家海洋和大氣管理局（NOAA）發(fā)射了甚高分辨率輻射傳感器（AVHRR）進行氣象預報，它的地面分辨率是1.1km，我們在電視氣象預報節(jié)目中看到它所獲得的云圖。同時，從1970年代開始，相繼發(fā)射了一些搭載更高分辨率傳感器的衛(wèi)星。如：1972年7月23日，美國國家航空和宇宙航行局（NASA）發(fā)射了第一顆專門用來進行地球表面監(jiān)測和填圖的地球資源技術(shù)衛(wèi)星（ERTS-U），1975年被更名為陸地衛(wèi)星（Landsat）。在Landsatl-3上都裝有多光譜掃描儀（MSS），該掃描儀有4個波段，即綠、紅和兩個紅外波段，地面分辨率約為80m。1982年，Landsat4搭載了專題制圖儀（TM），它有7個波段，比MSS覆蓋波譜范圍更寬，波段寬度劃分得更細些，更能反映地物反射光譜特性的變化規(guī)律，其地面分辨率除第6波段為120m外，均為30m。多光譜遙感的最典型特征是能夠利用多個波段同時獲取同一目標的多個波譜特征。這樣就大大提高了遙感識別地物的能力。隨后各國紛紛效仿，傳感器的光譜范圍從可見光、紅外直至微波波段，應用范圍也不斷擴大。

3.成像光譜遙感技術(shù)發(fā)展階段

成像光譜遙感技術(shù)是多光譜技術(shù)發(fā)展的一次跨越。Hunt的研究結(jié)果表明特征礦物的吸收寬度大約在20～40nm，而多光譜遙感數(shù)據(jù)（例如，MSS和TM）的光譜分辨率僅為100nm左右，因此遙感科學家們開始研究高光譜分辨率和空間分辨率的遙感傳感器。1981年，一臺航天飛機多光譜紅外輻射計（SMIRR）隨著美國航天飛機“哥倫比亞”號對地球表面進行了一次有限航帶的觀測，第一次實現(xiàn)了從空間通過高光譜分辨率遙感直鑒別碳酸鹽巖以及粘土高嶺土礦物，由此拉開了成像光譜遙感巖性識別的新篇章。繼JPL的AIS-1和AIS-2以及AVIRIS航空成像光譜儀研制成功之后，加拿大也先后研制成功了FIL/PML，CAS1及SFSI等幾種成像光譜儀（童慶禧等，1993）。其他的還有：HIRIS（high resolution imaging spectrometer）成像光譜儀，在0.4～2.5μm范圍內(nèi)有192 個光譜波段，地面分辨率30m，在0.4～1.0μm波長范圍光譜分辨率為9.4nm，1.0～2.5μm范圍內(nèi)為11.7nm（Goetz＆ Herring 1989；Kerekes ＆ Landgrebe，1991）。美國地球物理環(huán)境研究公司（Geophysical and Environ-mental Research Corporation）的63通道成像光譜儀（GER）是專門為地質(zhì)遙感研究設(shè)計的，被多次用于巖性填圖（鄭蘭芬等，1992；Bamaby W rockwell，1997）。除航空成像光譜儀外，美國和歐洲空間局（ESA）已制定了發(fā)展航天成像光譜儀的計劃，其中美國的中分辨率成像光譜儀（MODIS）已經(jīng)加入地球觀測系統(tǒng)（EOS）發(fā)射入軌，對地球?qū)崿F(xiàn)周期性的高光譜分辨率遙感觀測。歐空局的中分辨率成像光譜儀（MERIS）也將于同時發(fā)射（童慶禧等，1993）。

從1990～1995年，Roger N.Clark等人先后利用AVIRIS數(shù)據(jù)在美國內(nèi)華達州，卡普來特試驗場進行了礦物和巖性的識別和填圖，他們發(fā)現(xiàn)成像光譜儀不僅能區(qū)分地表發(fā)射光譜中總體亮度和坡度差異（多光譜技術(shù)MSS，TM和SPOT區(qū)分地物的基礎(chǔ)），而且能得出用于識別特殊地物的光譜吸收波段，成像光譜數(shù)據(jù)的光譜分析可以對任何在測量光譜范圍內(nèi)有獨特吸收特征的物質(zhì)（礦物、植被、人T物體、水體、雪等）進行識別和填圖（Clark，R.N.et al.，1996）。

中國科學院上海技術(shù)物理研究所是我國成像光譜儀的主要研制機構(gòu)。1983年研制成功了第一臺工作于短波紅外光譜區(qū)（2.05～2.5μm）的6通道紅外細分光譜掃描儀，其光譜分辨率在30～50nm之間。1987年，在國家和中國科學院黃金找礦任務的驅(qū)動下，該儀器發(fā)展到12個通道，其波段位置更趨于與地面粘土礦物、碳酸鹽巖礦物的吸收波段相一致，因而在地質(zhì)巖性識別方面具有更大的能力（童慶禧等，1993）。另外還有熱紅外多光譜掃描儀（TIMS），19 波段多光譜掃描儀（AMSS）以及71波段多光譜機載成像光譜儀（MATS）等。這些光譜儀的數(shù)據(jù)主要用于油氣資源遙感（朱振海，1993）和礦物制圖（王晉年等，1996）等方面，數(shù)據(jù)的處理技術(shù)和礦物識別的理論研究都取得了不同程度的進展（李天宏，1997）。

綜觀遙感光譜數(shù)據(jù)的獲取，具有幾個新的發(fā)展：

①擴展了應用光譜范圍，增加了光譜波段；②提高了光譜和空間分辨率；③具有獲得立體像對的功能，打破了只有航空相片才能有立體像對的能力（如SPOT圖像）；④改進了探測器性能或探測器器件，即線、面陣CCD器件；⑤提高了圖像數(shù)據(jù)精度；⑥應用領(lǐng)域縱向發(fā)展，如用TM圖像數(shù)據(jù)直接可以識別赤鐵礦、針鐵礦等礦物。

在20世紀末和21世紀初，空間高光譜成像衛(wèi)星已成為遙感對地觀測中的一項重要前沿技術(shù)，在研究地球資源、監(jiān)測地球環(huán)境中發(fā)揮越來越重要的作用。

高光譜分辨率遙感技術(shù)的發(fā)展是20世紀末的最后兩個10年中人類在對地觀測方面所取得的重大技術(shù)突破之一，是當前乃至21世紀初的遙感前沿技術(shù)、通過高光譜成像所獲取的地球表面的圖像包含了豐富的空間、輻射和光譜三重信息。進入20世紀90年代后期，伴隨著高光譜遙感應用的一系列基本問題，如高光譜成像信息的定標和定量化、成像光譜圖像信息可視化及多維表達、圖像-光譜變換、大數(shù)據(jù)量信息處理等的解決、高光譜遙感已由實驗研究階段逐步轉(zhuǎn)向?qū)嶋H應用階段，而作為高光譜遙感應用這一熱點中的重點就是高光譜數(shù)據(jù)信息挖掘技術(shù)的提高和與之緊密相連的應用領(lǐng)域的擴展。

高光譜遙感數(shù)據(jù)最主要的特點是：將傳統(tǒng)的圖像維與光譜維信息融合為一體，在獲取地表空間圖像的同時，得到每個地物的連續(xù)光譜信息，從而實現(xiàn)依據(jù)地物光譜特征的地物成分信息反演與地物識別。它由以下3部分組成：

（1）空間圖像維

在空間圖像維，高光譜數(shù)據(jù)與一般的圖像相似。一般的遙感圖像模式識別算法是適用的信息挖掘技術(shù)。

（2）光譜維

從高光譜圖像的每一個象元可以獲得一個“連續(xù)”的光譜曲線，基于光譜數(shù)據(jù)庫的“光譜匹配”技術(shù)可以實現(xiàn)識別地物的目的。同時大多數(shù)地物具有典型的光譜波形特征，尤其是光譜吸收特征與地物化學成分密切相關(guān)，對光譜吸收特征參數(shù)（吸收波長位置、吸收深度、吸收寬度）的提取將成為高光譜信息挖掘的主要方面。

（3）特征空間維

高光譜圖像提供一個超維特征空間，對高光譜信息挖掘需要深切了解地物在高光譜數(shù)據(jù)形成的二維特征空間中分布的特點與行為，研究發(fā)現(xiàn)：高光譜的高維空間是相當空的，數(shù)據(jù)分布不均勻，且趨向于集中在超維立方體空間的角端，典型數(shù)據(jù)的差異性，可以映射到一系列低維的子空間，因此迫切需要發(fā)展有效的特征提取算法去發(fā)現(xiàn)保持重要差異性的低維子空間，從而有效地實現(xiàn)信息挖掘。

三、基于小波包變換的高光譜影像目標識別算法與實現(xiàn)

5.2.1.1 小波基獲取算法的基本思想

小波包變換優(yōu)于小波變換的地方是其良好的時頻局部化能力，所以可運用小波包變換來處理高光譜數(shù)據(jù)?；谛〔ò儞Q的高光譜影像目標識別算法的基本思想為：選取適當?shù)男〔ò负瘮?shù)，對像元光譜進行小波包變換，獲得樹形結(jié)構(gòu)的小波包系數(shù)；選擇信息代價函數(shù)，并利用最佳基搜索算法選取最佳基，得到最佳基在樹形結(jié)構(gòu)中的位置（序號）；選取低頻部分的幾個最佳基的序號組成特征向量，作為分類參量。這里要注意幾個基本問題：

（1）基本小波函數(shù)的選取

基本小波函數(shù)的選取直接影響小波包分解系數(shù)，進而會影響最佳基的選取及最后分類特征參量的提取。故而，基本小波的選取直接影響分類的效果。比較常用的小波基函數(shù)主要有Daubechies正交小波系、Meyer小波、Morlet小波、Mexihat小波等。一般小波變換應用中，小波基的選擇主要考慮以下幾方面：(1)小波基如果具有正交性，則分解后的各尺度間和尺度內(nèi)的系數(shù)具有較小的相關(guān)性。(2)小波基的支撐越小，其局部化能力越強，在信號的突變檢測中，緊支撐小波基是首要選擇。(3)信號（圖像）經(jīng)小波抽樣分解后重構(gòu)的信號是一個小波級數(shù)，它是一個線性濾波的結(jié)果，可證明，如果小波基函數(shù)系數(shù)具有線性相位，就能實現(xiàn)信號（圖像）的完全重建（無失真），對稱或反對稱的尺度函數(shù)和小波函數(shù)可以構(gòu)造緊支撐的具有線性相位的小波基。(4)在信號奇異點的檢測中，小波基的消失矩必須具有足夠的階數(shù)，從計算量的角度考慮，消失矩的階數(shù)與緊支撐區(qū)間相關(guān)，過高的階數(shù)將增加計算量。另外，如果進行信號檢測，則應盡量選擇與信號波形相近似的小波。

對高光譜影像進行目標識別的小波包分析時，分析對象是單個像元或參考目標的光譜向量，所選小波基需具有正交性，即應選擇正交小波基。為減少計算量，選擇了消失矩為1而又唯一，同時具有對稱性和緊支撐的正交小波基函數(shù)－Haar小波（即db1小波，屬于Daubechies正交小波系）。對于植被，也可選擇與提取的目標光譜曲線相近似的D4小波。

Haar小波尺度函數(shù)：

高光譜遙感影像信息提取技術(shù)

｛φ（t－k）｝_k∈z構(gòu)成V₀的標準正交基。兩尺度方程為

高光譜遙感影像信息提取技術(shù)

小波方程為

高光譜遙感影像信息提取技術(shù)

Haar小波系的特點是具有緊支撐性，但不連續(xù)。在實際應用中不能很好地表示和分析連續(xù)函數(shù)。具有緊支撐和對稱性的小波僅有Haar小波。

（2）邊界處理

小波分解與重構(gòu)的卷積算法在實際中有廣泛應用。在對離散信號和圖像處理的實際應用中，由于采集數(shù)據(jù)是有限的，為實現(xiàn)原始輸入序列的完全重構(gòu)，在作卷積運算時需要將輸入序列作適當處理（即邊界延拓），以保證卷積操作的正常進行。常用的邊界延拓方法有：零延拓、周期延拓、周期對稱延拓、光滑函數(shù)延拓、平滑延拓。

本章以地物識別和分類為主要目標，對像元光譜向量或參考目標光譜向量進行小波包變換和分析，故而可以不采用上述常用邊界處理方法。但由于小波包變換是二進小波變換，需要輸入序列的長度是2的整數(shù)次冪?？梢圆扇⑾裨庾V向量或參考目標光譜向量尾端補零的方法，使得像元光譜向量或參考目標光譜向量的長度為2的整數(shù)次冪。研究實例采用高光譜影像數(shù)據(jù)的波段數(shù)為224，將光譜向量尾端補零，使得輸入向量的長度變?yōu)?56（2⁸）。另外也對其他周期延拓的方式進行了實驗，得出補零方法的識別精度更好一些。

（3）分類特征參量的提取

小波包能量法是一種常用的小波特征提取方法。首先對信號進行小波包分解（一般3～4層），若對信號進行的是3層小波包分解，系數(shù)重構(gòu)后得到各頻帶范圍的信號S_3j（j＝0，1，…，7），對應的能量為E^3j（j＝0，1，…，7），顯然，E^3j（j＝0，1，…，

7）對應小波包分解最底層各小波包基節(jié)點，有

高光譜遙感影像信息提取技術(shù)

式中：x_jk（j＝0，1，…，7；k＝0，1，…，n）表示S_3j各離散點的幅值；n為重構(gòu)系數(shù)的個數(shù)。由上式組成了8個子空間的特征向量，以此為特征參量。

（4）分解層數(shù)的確定

顯然，以上述能量特征向量作為分類和目標識別的應用，都忽略了小波包變換的另一個優(yōu)于小波變換的特點：對應于最佳小波包基的最優(yōu)分解。對于同一小波包變換，不同類別的目標對應不同的最佳小波包基（通過從光譜庫選擇幾種不同地物的光譜數(shù)據(jù)進行分析可發(fā)現(xiàn)），使得根據(jù)最佳小波包基在小波包二叉樹中的位置來識別不同目標成為可能；但由于各種因素的影響，即便兩個像元是同一目標，它們的最佳小波包基與參考目標的最佳小波包基在小波包二叉樹中的位置也可能略有不同，而它們的最佳小波包基相互之間也不一定相同，所以對于某一目標，可以選擇其最佳小波包基的前m個即前m個低頻最佳基，記錄它們的序號即它們在小波包二叉樹中的位置，作為分類和識別的依據(jù)。因為這種方法較少考慮高頻部分，而高頻部分主要包括了一些細節(jié)信息和噪聲信息，故而這種方法還在一定程度上解決了同一目標像元分解存在細微差異的問題，并降低了噪聲信息對目標識別的影響。m的取值可以通過對目標的取樣分析確定。

基于上述提取特征參量的思想，為使選得的前m個最佳基表征具有更豐富的信息，可進行小波包完全分解（分解到第8層）。

（5）信息代價函數(shù)的選擇

通常的應用中都是通過實驗比較選擇最合適的信息代價函數(shù)，用得較多的是信息熵（Shannon熵）。這里，選用信息熵（Shannon熵）、范數(shù)集中度、對數(shù)熵進行比較分析。

5.2.1.2 算法的實現(xiàn)

（1）數(shù)據(jù)結(jié)構(gòu)設(shè)計

小波包分解可以用小波包二叉樹來表示。小波包二叉樹中的每個節(jié)點表征小波包子空間的一個小波包基及分解系數(shù)序列。圖5.1為進行3層小波包分解時，各小波包子空間對應的小波基在二叉樹中對應的序號。其他層數(shù)分解的情況類推。故而將其設(shè)計為樹結(jié)構(gòu)能更好地表現(xiàn)各子空間的關(guān)系；同時，也有利于最佳基的沿樹形搜索。小波包分解是遞歸實現(xiàn)的。

圖5.1 小波包3層分解樹結(jié)構(gòu)

（2）最佳基搜索算法過程

第一步：用 “*”標記最底層節(jié)點。

第二步：將父節(jié)點的信息代價函數(shù)值與它的兩個子節(jié)點的信息代價函數(shù)值之和進行比較。如果父節(jié)點的信息代價函數(shù)值小于它的兩個子節(jié)點的信息代價函數(shù)值之和，則用“*” 標記父節(jié)點；否則，不用標記父節(jié)點，而用兩個子節(jié)點的信息代價函數(shù)值之和代替父節(jié)點的信息代價函數(shù)值，同時將父節(jié)點原來的信息代價函數(shù)值用括號括起來。

第三步：只考慮括號外的值，從上到下選取與樹根最近的標記“*” 的節(jié)點（以這些節(jié)點為根的子樹的節(jié)點將不再考慮），這些被選出的標有 “*” 的節(jié)點構(gòu)成空間的不重疊的覆蓋，它們正是最佳基對應的節(jié)點，這些節(jié)點對應的小波包基就是所求的最佳基（孫延奎，2005）。

這里，搜索最佳基的算法主要由兩步組成：標志構(gòu)成最佳基的節(jié)點（令其flag為1）；獲得最佳基節(jié)點的序號。前者用遞歸的方法計算信息代價函數(shù)值，并標志最佳基；后者獲得最佳基節(jié)點序號。

四、應用于高光譜影像精細分類的關(guān)鍵點

7.1.2.1 輸入因子的設(shè)計

本節(jié)利用諧波分析技術(shù)提取高光譜影像的能量譜特征成分，并以此作為輸入?yún)?shù)，以探索該技術(shù)在高光譜影像精細分類中的應用。本節(jié)實驗分析部分設(shè)計的因子為3次諧波分析產(chǎn)生的諧波余項、1～3次諧波振幅、1～3次諧波相位。

7.1.2.2 樣本C/σ₂參數(shù)選取

SVM用于分類問題，懲罰參數(shù)和核函數(shù)參數(shù)的選取對分類問題有著重要的影響。研究分類樣本C/σ₂的最優(yōu)解意義重大。群體智能算法中的PSO算法經(jīng)常被應用于解決局部最優(yōu)問題，研究PSO如何根據(jù)樣本選取C/σ₂是本章節(jié)的一個難點。

以上就是關(guān)于高光譜圖像特征提取相關(guān)問題的回答。希望能幫到你，如有更多相關(guān)問題，您也可以聯(lián)系我們的客服進行咨詢，客服也會為您講解更多精彩的知識和內(nèi)容。