高光譜成像儀高光譜圖像降維方法介紹
發布時間:2023-12-07
瀏覽次數:243
高光譜成像儀?在對樣本進行掃描時,可以獲得樣本的高光譜圖像數據,但由于高光譜數據量過大,會降低后期的數據處理速度,并且波段較多,光譜信息之間相關性很強,使得三維數據塊之間存在大量冗余信息,可能影響建模結果,因此就需要進行降維處理。本文對高光譜成像儀高光譜圖像降維方法做了介紹。
高光譜成像儀在對樣本進行掃描時,可以獲得樣本的高光譜圖像數據,但由于高光譜數據量過大,會降低后期的數據處理速度,并且波段較多,光譜信息之間相關性很強,使得三維數據塊之間存在大量冗余信息,可能影響建模結果,因此就需要進行降維處理。本文對高光譜成像儀高光譜圖像降維方法做了介紹。
高光譜數據是一個三維數據塊,不僅可以提取每個像元的光譜信息,而且每個波長都對應一幅灰度圖像。但是,對于分辨率較高的高光譜數據,每個數據塊就包含上百幅圖像信息,數據量過大,會降低后期的數據處理速度,并且波段較多,光譜信息之間相關性很強,使得三維數據塊之間存在大量冗余信息,可能影響建模結果。因此,在數據處理過程中,高光譜數據的降維是減小噪聲,提高模型識別速率和識別準確率的有效手段。目前的主要的降維方法有以下兩種:
1.主成分分析(PCA)
主成分分析(PCA)是被較多應用的一種數據降維方法。PCA變換是將有相關性的原始變量沿協方差最大的方向投影,使經過坐標變換的高維空間數據映射到低維空間,得到線性不相關的新變量,即主成分。主成分按照方差從大到小的順序依次稱為第一主成分(PC1)、第二主成分(PC2),以此類推。原始高光譜數據經過PCA變換,可以看作各個主成分圖像的線性組合,主成分圖像所占原始圖像信息的比重由方差貢獻率決定。一般,當主成分的累計貢獻率達到一定比例,如85%以上,即可解釋大部分高光譜數據信息。因此,經過PCA變換的高光譜數據僅需少量主成分就可以極大程度上表征原始信息,大大減少了數據處理時間,并消除原始數據之間冗余的信息。
2.最小噪聲分離變換(MNF)
對于高光譜數據降維,最小噪聲分離變換(MNF變換)的主要目的在于分離高光譜數據的信號和噪聲,提高信噪比。該算法可以看作是兩次主成分變換的疊加。首先,基于圖像噪聲的協方差矩陣進行正向變換,然后,對多維圖像去相關、重定標。變換之后的數據關聯到兩個部分:一個部分是較大特征值,及其特征圖像;另一個部分則是較小特征值,及其噪聲圖像。特征值的大小決定特征圖像的信噪比高低,用來確定有效的特征圖像。最后,正向變換后確定的圖像子集被作標準主成分變換,恢復為對應的原始圖像。MNF將噪聲比例大的圖像排除,使有效的高光譜數據量大幅度上漲。