【正文】 區(qū)經(jīng)常性的監(jiān)測能力。它們反映了圖像中基本的重要信息，稱之為圖像的特征。圖像特征是由于景物的物理與幾何特性使圖像中局部區(qū)域的灰度產(chǎn)生明顯變化而形成的。圖像特征是圖像分析的重要依據(jù)，獲取圖像特征信息的操作稱為特征提取。如圖11所示，可以獲得特征構(gòu)成的圖像（稱為特征圖像）和特征參數(shù)。從一幅圖像中提取出什么樣的特征，需要根據(jù)用戶所關(guān)心的問題來決定。在遙感圖像分析中特征提取可以從兩個意義上來實施:一種是按照一定的準(zhǔn)則直接從原始空間中選出一個子集(即子空間)，波段選擇就屬于此類；另一類是在原始特征空間和新特征空間之間找到某種映射關(guān)系,，將原始特征空間。對于用于分類目的的特征提取，好的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)。遙感信息特征提取方法手段各異。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。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。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。第二章介紹了遙感圖像常用的光譜特征提取方法。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。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。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。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。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。光譜特征通過原始波段的點運(yùn)算獲得。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，是遙感圖像數(shù)據(jù)中最為重要的信息。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。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。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。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。(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)。(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。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。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。 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。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。 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。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。ABpq圖21 主成分變換原理主成分分析的原理如圖21所示。從圖中可見，特征對應(yīng)的的本特征值為，而對應(yīng)。 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。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?？紤]特征方程：式中，為單位矩陣，為特征向量。矩陣的轉(zhuǎn)置矩陣即為所求的主成分分析的變換矩陣。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。 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。 圖22 6幅原始多光譜圖像 圖23 用PCA方法提取的主成分圖像此例中主成分變換的特征值見表21，由表中可以看出，％，占總信息量的絕大部分。所以PCA方法能把多光譜圖像的有用信息集中到較少數(shù)目的新的主成分圖像中，去除原始數(shù)據(jù)中一部分冗余數(shù)據(jù)。當(dāng)處理非線性問題時，PCA方法往往不能取得好的效果。此項技術(shù)最早應(yīng)用于1976年，Kauth 和Thomas通過對MSS圖像進(jìn)行數(shù)值分析來研究農(nóng)作物和植被生長過程的影像變化時，發(fā)現(xiàn)MSS圖像波譜信息隨時間變化的空間分布有一定規(guī)律性，它的形狀像一個頂部有纓子的氈帽，纓帽的底面恰好反映了土壤信息的特征，稱之為土壤面，它與植被的波譜特征互不相關(guān)。它是利用圖像變量之間的相關(guān)性，在變量空間進(jìn)行轉(zhuǎn)軸變換，建立起KT空間的3個新軸，分別命名為亮度，綠度和濕度軸。Crist和Cicona將此種變換方法應(yīng)用于陸地衛(wèi)星TM數(shù)據(jù)，將光譜信息綜合成與自然景觀特征相聯(lián)系的信息，使其具有明確的物理意義。其中，各種土壤特征點的分布比較集中在帽底，并且隨著土壤反射亮度的不同，而沿著一條通過特征空間原點的輻射線散布。另設(shè)兩個正交軸定為帽形集群的結(jié)構(gòu)軸。為了增強(qiáng)和提取上述變換信息，Kauth和Thomas在總結(jié)MSS圖像數(shù)據(jù)特征的基礎(chǔ)上，提出了一種適用于MSS圖像數(shù)據(jù)特征的基礎(chǔ)上，提出了一種適用于MSS圖像數(shù)據(jù)的經(jīng)驗線性變換，使其波譜特征空間變換到幾個有物理意義的方向上，即： （）式中：X為MSS圖像4個波段數(shù)據(jù)組成的矩陣，每一行為一個波段像元組成的向量；Y為纓帽變換后的數(shù)據(jù)矩陣；R為纓帽變換的正交變換矩陣，；r為補(bǔ)償向量，意在避免Y有負(fù)值出現(xiàn)。隨后Crist和Cicone根據(jù)三個地區(qū)TM圖像（不包括熱紅外波段）的研究，給出TM圖像的纓帽變換系數(shù)。纓帽變換的缺點是依賴于傳感器，固定的轉(zhuǎn)換系數(shù)對其他的傳感器不適用。在遙感圖像分類過程中，總是希望既能減少各類的類內(nèi)灰度方差，又能夠增大類間的灰度方差，以減少分類困難，提高分類精度。由于典型分析變換是在用訓(xùn)練樣本取得的分類統(tǒng)計特征基礎(chǔ)上的正交線性變換，因而可以用一般線性變換式來表示。下面介紹獲得變換矩陣的具體步驟。設(shè)有個變量（波段），選取個類別，第類選取個標(biāo)本，為在類訓(xùn)練樣本中的第個像元第個變量的觀測值。 ()③構(gòu)成特征向量矩陣求出的特征值，并按大小順序排列，然后求出與各特征值相對應(yīng)的歸一化特征向量，特征向量滿足： ()構(gòu)成特征向量矩陣: ()④計算變換矩陣第一步，計算并構(gòu)成矩陣 ()第二步，計算，及第三步，求的特征值及與之相應(yīng)的特征向量，并構(gòu)成矩陣第四步，算出變換矩陣: ()⑤最后用矩陣進(jìn)行CA變換 ()CA變換以類間差異和類內(nèi)差異比值最大為優(yōu)化條件，使得最大特征值相對應(yīng)的第一典型軸包含了最大的可分信息，與次大特征相對應(yīng)的第二坐標(biāo)軸包含了第二大可分信息，依此類推。 基于遺傳算法的特征提取基于遺傳算法的特征提取是一種結(jié)合了遺傳算法子空間搜索功能的低階特征提取算法，它不但包括了光譜維特征提取功能，還結(jié)合了空間濾波和增強(qiáng)，可以進(jìn)行空間維特征提取。GENIE采用了一個典型的遺傳算法流程:每個染色體表征了一個特定的可能解，每個給定的染色體根據(jù)其不同的特征提取效果賦予一定的適應(yīng)度值。重復(fù)種群的遺傳操作過程，直到找到符合條件的最優(yōu)或者