【正文】 特征提取方法能使同類物質(zhì)樣本的分布具有密集性，而不同類物質(zhì)的樣本在特征空間中能夠隔離分布，為進(jìn)一步分類打下良好基礎(chǔ)。總之，圖像特征提取需要經(jīng)驗的指導(dǎo)，需要具體問題具體分析，不同的情況采用不同的特征提取方法。遙感信息特征提取方法手段各異。在二十世紀(jì)七十年代至八十年代，軟件技術(shù)尚不成熟，遙感信息特征提取主要是依靠遙感工作者目視解譯來完成。這種方法以前盡管常被使用，但其耗時多、周期長的缺陷影響了遙感技術(shù)作用的發(fā)揮。隨著計算機(jī)的普及和軟件水平的提高，從事遙感研究的學(xué)者們開始利用新的技術(shù)手段來提取遙感信息。由于圖像特征提取具有很強(qiáng)的實用性，國內(nèi)外測繪界、計算機(jī)視覺、模式識別與人工智能等領(lǐng)域都對圖像特征(特別是線狀特征)提取進(jìn)行了深入研究。國外例如美國Mckeown實驗室、瑞士的Amobe項目、德國的波恩大學(xué)、奧地利的格拉茨大學(xué)和法國地理學(xué)院等，國內(nèi)的武漢大學(xué)、國防科技大學(xué)、信息工程大學(xué)等在這方面都作了很多工作，有些成果己具備初步的實用價值。但由于對圖像特征理解的復(fù)雜性，盡管人們提出了很多特征提取算法，但現(xiàn)有的特征提取算法基本上還處于實驗階段，其準(zhǔn)確性、實用性、通用性等方面離大規(guī)模實際應(yīng)用的要求還有很大差距。 本文的研究工作 本文對基于光譜的遙感圖像特征提取問題進(jìn)行了研究，共分四章，各章節(jié)的主要內(nèi)容如下：第一章主要介紹了遙感的概念、發(fā)展現(xiàn)狀，以及遙感圖像特征的分類、特征提取的研究意義和研究現(xiàn)狀。第二章介紹了遙感圖像常用的光譜特征提取方法。其中有：主成分分析方法，KT變換，典型分析方法以及基于遺傳算法的特征提取。第三章給出了一種多光譜圖像特征提取方法——基于FCM和KPCA多光譜圖像特征提取方法。首先介紹了FCM、PCA方法以及KPCA方法具有運(yùn)算量大、耗時長的缺陷，針對該缺陷及遙感數(shù)據(jù)的特點(diǎn)，對KPCA方法的輸入數(shù)據(jù)方法進(jìn)行改進(jìn)，使其能夠大大的降低計算的復(fù)雜度。最后通過試驗說明本文方法能夠有效地提取多光譜圖像的非線性特征。第四章總結(jié)了本論文的主要研究工作，討論了一些有待解決的問題。2 遙感圖像光譜特征提取技術(shù)遙感圖像中存儲著極為豐富的信息，圖像特征結(jié)構(gòu)復(fù)雜，既包括地形、植被、水文這樣的自然特征，又包括房屋和道路這樣的人上地物。此外，這些特征之間的關(guān)系也是相當(dāng)復(fù)雜的，無論是幾何關(guān)系還是語義（Semantic）關(guān)系，都不是用簡單的方法所能描述的。在遙感圖像的分類識別過程中，圖像的各種特征提取技術(shù)在其中扮演了重要角色。光譜特征和紋理特征是遙感圖像的兩大基本特征，也是進(jìn)行遙感圖像分析所依據(jù)的兩個基本要素。人們在研究中利用的基本上只是地物光譜信息，光譜信息反映了地物反射電磁波能量的大小，是地物特征性狀較直觀的反映。 光譜特征提取技術(shù)研究的現(xiàn)狀光譜特征是圖像中目標(biāo)物的顏色及灰度或者波段間的亮度比等。光譜特征通過原始波段的點(diǎn)運(yùn)算獲得。它的特點(diǎn)是，它對應(yīng)于每個像元，但與像元的排列等空間結(jié)構(gòu)無關(guān)。光譜特征是一種地物區(qū)別于另一種地物的本質(zhì)特征，是組成地物成分、結(jié)構(gòu)等屬性的反映，是遙感的基本出發(fā)點(diǎn)，是遙感圖像數(shù)據(jù)中最為重要的信息。遙感圖像光譜特征分析包括遙感傳感器的光譜分辨率和輻射分辨率。光譜分辨率(波譜分辨率)是指遙感傳感器所用的波段數(shù)目、波段波長以及波段寬度。輻射分辨率(亮度分辨率)是指在一個波段中所記錄的代表地物反射電磁波的強(qiáng)度(表現(xiàn)為亮度或灰度)的所有可能的數(shù)值。一般地，高的光譜和輻射分辨率能有效地提高遙感識別地物的能力。為了獲得目標(biāo)體的信息，常常要對遙感圖像進(jìn)行干擾信息的壓抑和排除，突出有用信息，這時就需要用到圖像特征提取的方法。經(jīng)典的用于遙感圖像分類處理中的光譜特征提取方法可以歸納為采用如下三種變換。(1)代數(shù)運(yùn)算法對原始波段進(jìn)行加，減，乘，除，乘方，指數(shù)，對數(shù)等運(yùn)算，其中最常見的為比值法，其目的是為了消除乘性因子帶來的影響，或者增強(qiáng)某種信息而抑制另一種信息。幾種典型的植被指數(shù)如比值植被指數(shù)（RI）、歸一化植被指數(shù)（NDVI）、垂直植被指數(shù)、土壤可調(diào)查植被指數(shù)（SAVI）、抗大氣植被指數(shù)和增強(qiáng)植被指數(shù)等就是通過對原始通道反射率進(jìn)行代數(shù)運(yùn)算得到的。還有其他的一些指數(shù)也是通過對原始的波段數(shù)據(jù)進(jìn)行代數(shù)運(yùn)算得到的。(2)導(dǎo)數(shù)法主要用在高光譜圖象處理中，能夠提取出不同的光譜參數(shù)，如吸收峰位置，植被的紅邊位置等，導(dǎo)數(shù)光譜還能夠消除大氣效應(yīng)。有關(guān)研究表明，導(dǎo)數(shù)法對光譜信號中的噪聲非常敏感，在低階導(dǎo)數(shù)中的表現(xiàn)要優(yōu)于高階導(dǎo)數(shù)，因而在實際應(yīng)用中比較有效。(3)變換法變換法又分為三種類型：一種是代數(shù)變換，包括線性和非線性變換，線性變換即通過，主要目的是為了達(dá)到某種最優(yōu)結(jié)果，如主成分分析就是為了使信息達(dá)到最大程度的保留。常用的方法有纓帽變換（Tasselled Cap Transform）、主成分分析（PCA）、最小最大自相關(guān)因子法（Min/max Autocorrelation Factor，MAF）、最大噪聲分量變換（Maxinium Noise Fraction，MNF）、典型分析法（Canonical Analysis，CA）等。Neilsen對采用正交變換技術(shù)用于特征提取進(jìn)行了詳細(xì)的討論。還有一些采用了非線性變換法；有的非線性變換甚至可能是隱含的，如神經(jīng)元網(wǎng)絡(luò)用于特征提取。第二種是將特征維數(shù)據(jù)作為一維信號，采用信號處理的方法如傅立葉變換，小波變換等，將之變換到頻率域，在頻率域進(jìn)行特征濾波，增強(qiáng)處理等，再變換回時域，使得有用的目標(biāo)信號增強(qiáng)，而無用的干擾信號減弱了，從而對不同頻率（或不同尺度、不同分辨率）的信號得到分離，這種變換可以稱之為時頻變換法。還有一種只適用于三波段圖像的變換，用來將以RGB三色表示的合成圖像轉(zhuǎn)換為HIS形式的合成圖像，從而可以對其中部分信息得到增強(qiáng)，這種方法可以稱為色度變換法，如RGBIHS,HISRGB變換。 常用的光譜特征提取方法光譜遙感技術(shù)已經(jīng)成為人們獲取地球表面信息的一種主要的手段之一，發(fā)揮著越來越廣泛的社會效益。隨著光譜遙感技術(shù)朝著“三高”(高空間分辨率、高光譜分辨率、高時相分辨率)和“三多”(多傳感器、多平臺、多角度)迅猛發(fā)展，人們將獲取越來越龐大的光譜遙感數(shù)據(jù)。然而目前遙感信息的提取和利用水平大大滯后于遙感技術(shù)的發(fā)展，因此研究新的理論和方法提高遙感信息的提取水平具有十分重要的意義。目前適用于光譜數(shù)據(jù)的一些光譜特征提取方法，主要有主成分分析方法、KT變換、典型分析方法、基于遺傳算法的特征提取等。 主成分分析方法（PCA） 原理主成分分析（Principal ponent analysis）也稱為KL變換，是在統(tǒng)計特征基礎(chǔ)上的多維（如多波段）正交線性變換，它也是遙感數(shù)字圖像處理中最常用的一種變換算法。主成分分析是一種把原來多個指標(biāo)化為少數(shù)幾個相互獨(dú)立的綜合指標(biāo)的一種分析技術(shù)，對波段間高度相關(guān)的數(shù)據(jù)非常有用。一幅多波段圖像的不同波段之間往往存在著很高的相關(guān)性，這就說明有相當(dāng)一部分?jǐn)?shù)據(jù)是冗余的。主成分變換的目的就是把原來各波段中的有用信息集中到數(shù)目盡可能少的新的主成分圖像中，并使這些主成分圖像之間互不相關(guān)，即各自包含不同的地物信息，同時使得原始圖像的信息量損失最小。ABpq圖21 主成分變換原理主成分分析的原理如圖21所示。因本特征向量的方向指向特征空間中集群分布的結(jié)構(gòu)軸方向(圖21中的和)，所以該變換的幾何意義是把原始特征空間的特征軸旋轉(zhuǎn)到平行于混合集群結(jié)構(gòu)軸的方向上去，得到新的特征軸。從圖中可見，特征對應(yīng)的的本特征值為，而對應(yīng)。當(dāng)﹤﹤時，特征便可舍去，只用來表示原始集群的有效信息就足夠了。 主成分分析方法的步驟設(shè)原始圖像數(shù)據(jù)矩陣為： ( )其中，和分別為波段數(shù)（或稱變量數(shù)）和每幅圖像中的像元數(shù)；矩陣中每一行矢量表示一個波段的圖像。一般圖像的線性變換可用下式表示： 式中為待變換圖像數(shù)據(jù)矩陣，為變換后的數(shù)據(jù)矩陣，為實現(xiàn)這一線性變換的變換矩陣。主成分分析的具體步驟如下：第一步，根據(jù)原始圖像數(shù)據(jù)矩陣，求出它的協(xié)方差矩陣，的協(xié)方差矩為： ()式中： () () （即為第個波段的均值） () ()S是一個實對稱矩陣。第二步，求矩陣的特征值和特征向量，并組成變換矩陣，具體如下?？紤]特征方程：式中，為單位矩陣，為特征向量。 解上述的特征方程即可求出協(xié)方差矩陣的各個特征值 ，將其按排列，求得各特征值對應(yīng)的單位特征向量（經(jīng)歸一化）： 若以各特征向量為列構(gòu)成矩陣，即： 矩陣滿足：（單位矩陣），則矩陣是正交矩陣。矩陣的轉(zhuǎn)置矩陣即為所求的主成分分析的變換矩陣。有了變換矩陣，將其代入，則： ()式中矩陣的行向量為第主成分。經(jīng)過主成分變換后，得到一組（個）新的變量（即的各個行向量），它們依次被稱為第一主成分、第二主成分、…第主成分。這時若將矩陣的各行恢復(fù)為二維圖像時，即可以得到個主成分圖像。 實例分析試驗數(shù)據(jù)是華盛頓特區(qū)的6個波段的衛(wèi)星圖像，大小均為256256，對應(yīng)的6個譜段為可見藍(lán)光（450nm～520nm）、可見綠光（520nm～600nm）、可見紅光（630nm～690nm）、近紅外線（760nm～900nm）、中紅外線（1550nm～1750nm）、熱紅外線（10400nm～12500nm），6幅原始多光譜圖像如圖22所示，其中，(a)是可見藍(lán)色波段圖像，(b)是可見綠色波段圖像，(c)是可見紅色波段圖像，(d)是近紅外光圖像，(e)是中紅外光圖像，(f)是熱紅外波段圖像。使用標(biāo)