【正文】 PCA方法相結(jié)合的多光譜遙感圖像特征提取方法，并著重研究了此方法在多光譜遙感圖像特征提取中的理論、算法及其實現(xiàn)。圖書分類號：密 級：畢業(yè)論文基于光譜的遙感圖像特征提取方法研究FEATURE EXTRACTION FOR REMOTE SENSING IMAGE BASED ON SPECTRAL 摘 要遙感圖像在軍事偵察、精確打擊以及民用方面都有重要的作用，遙感圖像的特征提取是進(jìn)行遙感圖像自動識別的關(guān)鍵技術(shù)，因此開展遙感圖像的特征提取研究工作具有實際意義和應(yīng)用前景。通過對本文方法與PCA和KPCA方法的試驗結(jié)果進(jìn)行比較，證實了這種方法的特征提取性能較前兩種方法有顯著的提高，可有效地提取多光譜圖像中的非線性信息。遙感是20世紀(jì)60年代興起并迅速發(fā)展起來的一門綜合性探測技術(shù)。遙感技術(shù)作為一種信息時代的產(chǎn)物和工具,具有探測范圍廣、獲取信息快、周期性動態(tài)觀測、信息量豐富、獲取效率高等顯著優(yōu)勢，因此可以說遙感技術(shù)是當(dāng)前人類獲取時空信息的最有效的技術(shù)和手段之一。在遙感數(shù)據(jù)處理軟件方面，國際上相繼推出了一批高水平的遙感影像處理商業(yè)軟件包，如加拿大ERM公司研制的ER MAPPER、美國ERDAS公司推出的ERDAS IMAGINE、新加坡3Link公司研制的ENVI等遙感圖像處理系統(tǒng)。70年代以來，我國先后發(fā)射了一系列返回式遙感衛(wèi)星，研制了包括成像光譜儀和多級合成孔徑雷達(dá)在內(nèi)的多種傳感器。 遙感圖像特征提取方法研究的現(xiàn)狀 為了便于分析，往往需要對給定的圖像用更為簡單明確的數(shù)值、符號或圖形來表征。因而特征的存在意味著在該局部區(qū)域中有較大的信息量，而在圖像中沒有特征的區(qū)域，應(yīng)當(dāng)只有較小的信息量?；蛘咴鰪娞幚硖卣魈崛√卣魈崛D像特征量（特征參數(shù)）特征空間把提取的特征進(jìn)一步抽象化描述分類模式識別圖像理解圖11 圖像的特征提取圖像特征提取涉及的面很廣。映射到維數(shù)降低了的特征空間中去。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。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。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。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。它的特點是，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)。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度(表現(xiàn)為亮度或灰度)的所有可能的數(shù)值。(1)代數(shù)運算法對原始波段進(jìn)行加，減，乘，除，乘方，指數(shù)，對數(shù)等運算，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，或者增強某種信息而抑制另一種信息。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。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。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)。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。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。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。 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。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。表21 主成分變換的特征值主成分特征值貢獻(xiàn)率/%累積貢獻(xiàn)率/%第一10843第二第三第四第五第六100另外，從圖23也可以看出，前3幅主成分圖像幾乎包含了原來各波段圖像的絕大部分信息，且對比度細(xì)節(jié)的主要部分包含于前3幅圖像中，而這3幅圖像之后的幾幅圖像的對比度迅速下降。 KT變換 KT變換即纓帽變換，是一種基于啟發(fā)式考慮建立起來的，并不是建立在嚴(yán)格的理論推導(dǎo)基礎(chǔ)上的。通過纓帽變換就可以成功地建立起光譜綜合信息與自然景物特征間的聯(lián)系，可以達(dá)到消除干擾分離信息的目的。特征點的分布是沿著垂直于帽底面的軸線方向變化的。是相互正交的單位列向量，Kauth和Thomas根據(jù)MSS圖像實例得出的各個單位列向量為： 變換后對應(yīng)于的特征值成為亮度，它在數(shù)值上是MSS4個波段的加權(quán)和，反映了地物總的輻射水平；對應(yīng)于的特征值稱為綠度，它等于MSS6與MSS7的加權(quán)和再減去MSS4與MSS5的加權(quán)和，反映了植被的生長狀況。 典型分析方法典型分析（Canonical Analysis，簡稱CA）方法,在特征提取提取方法中也稱為判別分析特征提取法，能夠?qū)θ我鈹?shù)據(jù)集最大化其類間方差與類內(nèi)方差的比值，從而保證了其最大的可分離性。問題的關(guān)鍵是如何從訓(xùn)練樣本數(shù)據(jù)中找到一個理想的變換矩陣。②計算類內(nèi)及類間的協(xié)方差矩陣和根據(jù)所選定的訓(xùn)練樣本，先計算總的均值向量和各類的均值向量以及協(xié)方差矩陣，即： () () ()式中：； () ； ()； () ()再用下式計算總的類內(nèi)協(xié)方差矩陣和類間協(xié)方差矩陣: ； () ()其中。比較典型的算法如美國Los Alamos National Laboratory所開發(fā)的GENIE(GENetic Imagery Exploitation)交互式特征提取與分類系統(tǒng)。 種群中的個體染色體由固定長度的基因字符串組成，而染色體本身的長度是可變的。算子名稱表征了所采用的基本的圖像處理算子；輸入特征組給出了算子作用于樣本的哪幾個特征上；輸出特征組給出了進(jìn)行基本算子操作后產(chǎn)生的新的特征名稱；可選參數(shù)給出了運行該指定的基本圖像處理算子時，需要額外指定的參數(shù)。此外，以一種類似于多項式擬合的技術(shù)也有一定的局限性，無法有效地表達(dá)特征空間中隱藏的頻率信息。然而，從本質(zhì)上講主成分分析方法是一種線性映射算法，這種方法只能保證線性特征被提取出來，而非線性特征很有可能會丟失。針對PCA和KPCA方法處理多光譜圖像的不足，本文利用一種基于模糊均值聚類和KPCA的方法來提取多光譜圖像中的非線性特征。 模糊均值聚類聚類算法是一種多元統(tǒng)計分類方法，這種方法不必事先知道分類對象的分類結(jié)構(gòu)，而是基于整個數(shù)據(jù)集內(nèi)部存在若干“分組”或“聚類”為出發(fā)點而產(chǎn)生的一種數(shù)據(jù)描述方法。所以選擇合適有效的聚類方法至關(guān)重要。為了說明模糊均值與均值算法之間的關(guān)系，我們先說明硬劃分和模糊劃分。屬于，則；不屬于，則。若將變?yōu)橐粋€連續(xù)變量，使其在區(qū)間上任意取值，則就能夠算出某個目標(biāo)函數(shù)關(guān)于的梯度。從空間或中選取“最佳”劃分的方法之一為目標(biāo)函數(shù)法。模糊均值算法的目標(biāo)在于找到和（），使得目標(biāo)函數(shù) （）最小，其中為模糊加權(quán)指數(shù)。則僅當(dāng) （） 和 （）時，和（）才是的局部最小值。設(shè)要進(jìn)行聚類分析的圖像像素數(shù)，圖像像素集合，其中 ，為波段數(shù)。定義目標(biāo)函數(shù)： （）其中為Euclidean距離；為模糊加權(quán)指數(shù)。②初始化隸屬度矩陣。FCM算法是通過最小化目標(biāo)函數(shù)來實現(xiàn)數(shù)據(jù)聚類的。KPCA是一種新的非線性主成分分析方法，它基于輸入數(shù)據(jù)的高階統(tǒng)計，描述了多個像素間的相關(guān)性，同時可以把在輸入空間不可線性分類的問題變換到特征空間實現(xiàn)線性分類，簡化了分類器的設(shè)計。除支持向量機外又有若干基于核函數(shù)方法的算法被提出來并獲得了應(yīng)用。下面簡要介紹一下針對多光譜圖像的KPCA方法，首先假設(shè)聚類中心被選取作為KPCA的輸入樣本，把輸入空間通過非線性變換映射到特征空間，即：中的樣本點記為，假設(shè)它們已被中心化，即滿足如下條件： （）空間中樣本的協(xié)方差矩陣為： （）根據(jù) （）求的特征值和所對應(yīng)的特征向量，的特征值均為非負(fù)。則特征值等式可以寫為：