下载文档原格式
高光谱遥感图像分类与分析算法研究摘要：高光谱遥感图像分类与分析算法作为遥感图像处理与分析领域的重要研究内容，具有广泛的应用前景。
本文将介绍高光谱遥感图像分类与分析算法的研究现状，并探讨目前存在的问题与挑战。
然后，我们将讨论最常用的高光谱遥感图像分类与分析算法，并分析其优点和局限性。
最后，我们提出了未来的研究方向和挑战。
1. 研究现状高光谱遥感图像分类与分析算法是遥感图像处理与分析领域的重要研究内容。
随着遥感技术的发展，获取的遥感图像数据量不断增加，而高光谱遥感图像能够提供更加丰富的光谱信息，因此成为研究的热点。
目前，高光谱遥感图像分类与分析算法主要包括特征提取、特征选择、分类器设计等几个方面。
2. 问题与挑战然而，高光谱遥感图像分类与分析算法的研究仍然存在一些问题与挑战。
首先，高光谱遥感图像的数据维度较高，处理和分析起来较为复杂。
其次，不同地物或地表覆盖类型的光谱特征可能存在较大的重叠，导致分类精度下降。
此外，传统的分类算法在处理高光谱遥感图像时往往存在识别错误和误分类率高的问题。
3. 常用算法介绍针对上述问题，研究者提出了许多高光谱遥感图像分类与分析算法。
以下是一些常用的算法：3.1 监督分类算法监督分类算法是一种常用的高光谱遥感图像分类与分析方法。
它基于已知的地物类别的训练样本，通过构建分类模型来对图像进行分类。
常见的监督分类算法包括最大似然分类、支持向量机、随机森林等。
3.2 非监督分类算法非监督分类算法是一种无需先验知识的分类方法。
它主要通过对图像数据进行聚类分析，将相似的像素点归为同一类别。
K-means和谱聚类是常见的非监督分类算法。
3.3 深度学习算法近年来，深度学习算法在高光谱遥感图像分类与分析中取得了显著的进展。
深度学习模型如卷积神经网络（CNN）具有较强的学习能力和特征提取能力，能够有效处理高光谱遥感图像的分类问题。
4. 算法优缺点分析这些算法各有优缺点。
监督分类算法需要大量标记样本进行训练，模型依赖于标记样本的质量；非监督分类算法不需要标记样本，但对初始聚类中心的选择较为敏感；深度学习算法需要大量的计算资源和训练样本，模型复杂度较高。
高光谱图像分类算法中的特征选择方法随着遥感技术的发展，高光谱图像在地质勘探、农业、城市规划等领域得到了广泛的应用。
为了有效利用高光谱图像数据，研究人员一直在探索合适的特征选择方法，以提高图像分类的准确性和效率。
本文将介绍几种常用的特征选择方法，并对它们在高光谱图像分类算法中的应用进行讨论。
一、相关性分析法相关性分析法是最常用的特征选择方法之一。
它基于特征与目标变量之间的相关性，通过计算它们之间的统计指标（如相关系数）来选择最相关的特征。
在高光谱图像分类中，可以使用相关性分析法来确定哪些波段与分类任务最相关，并在分类模型中仅使用这些波段的信息。
通过减少特征维度，可以提高分类算法的效率，并降低过拟合的风险。
二、信息增益法信息增益法是一种基于信息论的特征选择方法。
它通过计算每个特征对于分类任务的信息增益，确定其重要性。
信息增益是指特征引入后对系统整体不确定度的减少程度。
在高光谱图像分类中，信息增益法可以用于选择那些在分类过程中能提供更多信息的特征。
通过选择具有较高信息增益的特征，可以提高分类算法的准确性。
三、最大信息系数法最大信息系数法是一种非参数的特征选择方法。
它可以测量两个变量之间的相关性，并通过计算它们的最大信息系数来选择最相关的特征。
在高光谱图像分类中，最大信息系数法可以用于筛选那些在分类任务中与目标变量相关性最强的特征。
对于高光谱图像来说，不同波段之间可能存在较强的相关性，因此使用最大信息系数法可以帮助排除冗余的特征，提高分类算法的效果。
四、L1范数稀疏化方法L1范数稀疏化方法是一种基于稀疏表示的特征选择方法。
它通过最小化特征向量的稀疏性度量，实现特征的选择与分类同时进行。
在高光谱图像分类中，L1范数稀疏化方法可以帮助选择那些对分类任务最重要的特征。
与其他方法相比，L1范数稀疏化方法具有较好的鲁棒性和稳定性，对于高光谱图像分类任务具有一定的优势。
五、主成分分析法主成分分析法是一种常用的特征选择方法。
高光谱遥感图像中的特征提取与分类算法优化高光谱遥感图像是一种获取地面物体反射光谱信息的重要数据源。
在资源环境监测、农业生产、城市规划等领域，高光谱遥感图像的特征提取与分类算法优化具有重要意义。
本文将重点探讨高光谱遥感图像中的特征提取与分类算法优化的方法和技术。
一、高光谱遥感图像的特征提取方法在高光谱遥感图像中，每个像素点包含多个波段的光谱信息，因此特征提取主要是从光谱、空间和纹理等多个方面进行。
以下介绍几种常用的特征提取方法：1. 光谱特征提取：光谱特征提取是指通过分析各个波段的光谱反射率，获取区分不同地物的特征。
常用的方法有平均光谱曲线、光谱强度、光谱比值等。
可以利用统计学方法或者光谱分解等技术进行光谱特征提取。
2. 空间特征提取：空间特征提取是指通过分析高光谱图像像素点之间的空间关系，提取地物的空间分布特征。
常用的方法有纹理特征、空间模式指数等。
可以利用滤波器、卷积操作、灰度共生矩阵等技术进行空间特征提取。
3. 纹理特征提取：纹理特征提取是指通过分析高光谱图像中地物表面纹理的特征，提取地物的纹理信息。
常用的方法有灰度共生矩阵、小波变换、局部二值模式等。
可以通过计算纹理特征的统计值或者采用机器学习方法进行纹理特征提取。
以上是高光谱遥感图像中常用的特征提取方法，通过综合运用各种方法，可以获得更多的特征信息，提高特征提取的准确度和鲁棒性。
二、高光谱遥感图像的分类算法优化高光谱遥感图像分类是指将图像中的每个像素点划分到不同类别中，以实现对地物的识别和分类。
分类算法的优化可以提高分类的准确性和效率。
以下介绍几种常用的优化算法：1. 监督分类算法优化：监督分类算法是指在训练样本的基础上，通过对特征进行提取和选择，利用统计学或模型建立分类器，实现对遥感图像进行分类。
常用的监督分类算法有支持向量机（SVM）、随机森林（RF）和人工神经网络（ANN）等。
通过优化特征选择、样本分布策略和分类器参数等方面，可以提高分类的准确性。
高光谱遥感图像分类与识别方法研究高光谱遥感图像分类与识别是一项重要的研究领域，它在许多应用领域中发挥着重要作用，例如农业、环境监测和目标探测等。
高光谱遥感图像具有丰富的光谱信息，能够提供大量的数据，因此需要有效的分类与识别方法来处理这些数据。
本文将介绍高光谱遥感图像分类与识别的一些常用方法及其研究进展。
1. 特征提取方法在高光谱遥感图像分类与识别中，特征提取是关键的一步。
常用的特征提取方法包括主成分分析(PCA)、线性判别分析(LDA)和小波变换等。
PCA是一种基于统计学的方法，用于减少数据维度和提取主要特征。
LDA则是一种基于线性代数的方法，可以提取类别间的差异性。
小波变换能够提取图像的局部特征。
2. 分类算法对于高光谱遥感图像分类与识别，常用的分类算法包括支持向量机(SVM)、最近邻算法(KNN)和人工神经网络(ANN)等。
SVM是一种二分类的算法，可以将其扩展到多类别分类问题。
KNN是一种基于实例的算法，基于样本间的距离进行分类。
ANN是一种模仿生物神经网络的分类算法，能够处理非线性分类问题。
3. 特征选择方法由于高光谱遥感图像具有大量的光谱信息，需要选择合适的特征进行分类。
特征选择方法的目标是从原始特征中选择出最相关的特征子集。
常用的特征选择方法包括相关系数法、互信息法和基于遗传算法的特征选择等。
相关系数法可以衡量特征与分类目标之间的相关性。
互信息法则是通过信息熵来度量特征与分类目标之间的相关性。
4. 集成学习方法为了提高高光谱遥感图像分类与识别的准确性，可以采用集成学习方法。
集成学习是通过结合多个分类器来进行分类的方法。
常用的集成学习方法包括随机森林、AdaBoost和bagging等。
随机森林是一种基于决策树的集成学习方法，具有较高的分类准确性和鲁棒性。
AdaBoost则通过加权投票的方式进行分类，能够适应不同的数据分布。
5. 深度学习方法近年来，深度学习方法在高光谱遥感图像分类与识别中取得了重要的突破。
高光谱图像处理与分析技术研究与应用高光谱图像处理与分析技术是一种利用高光谱图像获取和处理数据的技术。
它结合了光学、遥感、计算机科学和统计学等多学科的知识，旨在提取地物光谱信息、监测和分析环境变化、实现目标识别等应用。
高光谱图像处理与分析的流程包括数据获取、数据预处理、特征提取和目标识别等步骤。
首先，高光谱图像是通过高光谱遥感设备获得的，可以获取到地物的多个光谱波段信息。
数据预处理是为了去除噪声、校正图像等，使得图像更加清晰和准确。
特征提取是对图像进行分割和分类，从中提取出地物的特征信息。
目标识别是根据这些特征信息来判断地物的类别，并进行进一步的分析。
高光谱图像处理与分析技术在许多领域都有重要的应用价值。
首先，在农业中，利用高光谱图像可以对作物的生长状况、病虫害等进行监测和分析，帮助农民调整农作物的管理策略，提高农作物的产量和质量。
其次，在环境监测中，高光谱图像能够对大气污染、土壤质量、水质等进行监测，实现环境变化的动态监测和模拟预测。
此外，在城市规划和交通管理中，高光谱图像处理与分析技术可以帮助相关部门有效地进行资源利用和交通流量管理。
更为重要的是，在医学领域，高光谱图像处理与分析技术可以为医生提供更准确的影像诊断，促进疾病的早期发现和治疗。
然而，高光谱图像处理与分析技术也存在一些挑战和问题。
首先，高光谱图像的数据量大，处理起来时间和空间复杂度较高。
其次，不同遥感平台的高光谱图像具有不同的特点，如空间分辨率、光谱分辨率等，需要根据具体应用场景进行选择和优化。
此外，在目标识别过程中，需要考虑到不同地物的光谱特征和相互之间的干扰，以提高目标识别的准确性和实用性。
为了进一步提升高光谱图像处理与分析技术的研究与应用水平，我们可以从以下几个方面进行努力。
首先，需要加强对高光谱图像处理算法的研究与优化，提高图像的质量和准确性。
其次，可以利用机器学习和人工智能等技术，构建高效的目标识别模型，提高目标识别的效率和准确度。
高光谱数据处理与特征提取技术研究近年来，随着遥感技术的快速发展，高光谱遥感已经成为地球观测领域的重要组成部分。
高光谱遥感技术通过采集地面物体在数百个连续光谱波段的反射率数据，弥补了传统遥感技术中光谱分辨率的不足。
然而，由于高光谱数据的维度高、信息量大，对数据的处理和特征提取成为了研究的难点。
高光谱数据处理首先需要对原始数据进行预处理，以去除不必要的噪音和干扰。
这一步骤包括辐射校正、大气校正、辐射度转换等。
辐射校正主要用于将原始数据的数字值转换为辐射度值，消除了由于传感器观测和记录过程中的不确定性导致的误差。
大气校正则是为了消除大气吸收和散射对高光谱数据的影响，使得数据能够准确地反映地物的光谱特性。
辐射度转换则将辐射度值转换为反射率数据，以便后续的特征提取。
在预处理完成后，接下来需要进行高光谱数据的降维处理。
由于高光谱数据的维度高达几百甚至上千维，传统的数据处理方法往往难以处理如此高维数据。
因此，降维处理就变得尤为重要，可以将高光谱数据降低到更低的维度，减小计算复杂度。
常用的降维方法有主成分分析（PCA）、线性判别分析（LDA）等。
PCA通过对原始数据进行线性变换，得到新的低维表示，使得新的维度下数据的方差最大。
LDA则是通过最大化不同类别之间的差别、最小化同一类别内部的差别，使得新的低维表示有更好的分类能力。
除了降维处理，高光谱数据的特征提取也是至关重要的一步。
特征提取的目的是通过挖掘数据中的潜在信息，抽取出最能表征地物光谱特性的特征。
常用的特征提取方法有光谱特征提取、空间特征提取和纹理特征提取等。
光谱特征提取主要通过分析不同波段的反射率值之间的关系，挖掘出地物表现出的光谱特性，如光谱曲线形态、光谱吸收特征等。
空间特征提取则是通过分析地物在空间上的分布情况，提取出地物的大小、形状和空间分布规律等特征。
纹理特征提取则是通过分析地物表面的纹理特征，提取出地物的纹理信息，如纹理粗糙度、纹理方向等。
高光谱数据处理与特征提取技术的研究不仅可以在农业、环境监测、城市规划等领域中发挥重要作用，还对于地质勘探、矿产资源调查等领域具有重要意义。
高光谱影像特征选择与提取高光谱遥感影像是指通过遥感技术获取的光谱波段范围较宽的遥感影像，相比于普通遥感影像，具有更多的光谱信息。
高光谱影像的特征选择与提取是指从大量的光谱波段中选择出最能表达影像特征的波段，并对这些波段进行特征提取，以达到降维、去冗余和突出关键信息的目的。
本文将介绍高光谱影像特征选择与提取的方法和应用。
高光谱影像特征选择主要有两个目标：一是减少维度，将原始光谱数据降维为较低维度的特征向量，以方便后续处理；二是挖掘出与分类或回归任务相关的关键特征波段，以提高分类或回归的准确性。
常用的特征选择方法包括相关系数法、信息增益法、主成分分析法等。
相关系数法通过计算每个波段与所研究对象的相关程度，选择与目标变量相关性较强的波段作为特征波段。
信息增益法则根据每个波段对目标变量的贡献度选择特征波段，贡献度高的波段被认为是最有价值的特征波段。
主成分分析法则通过对原始光谱数据进行线性变换，将原始变量转换成一组互不相关的主成分，从而实现降维的目的。
在特征选择的基础上，还需要进行特征提取，以提取出更具有鉴别能力的特征。
常用的特征提取方法包括谱角法、植被指数法、特征空间法等。
谱角法是基于波段直接组合获取鉴别能力强的特征，通过计算不同波段之间的角度，来提取出能够鉴别不同地物的特征。
植被指数法是基于植被光谱反射率特点的一种特征提取方法，通过计算植被指数，如归一化植被指数（NDVI）、差值植被指数（DVI）等，来提取出与植被相关的特征。
特征空间法是基于光谱波段组合的一种特征提取方法，通过对多个波段进行线性或非线性组合，生成新的特征空间，从而提取出不同地物的特征。
除了上述方法，还可以通过机器学习算法，如支持向量机、决策树等，来进行特征选择与提取。
这些算法能够在训练模型的过程中自动选择最具有鉴别能力的特征，并对其进行提取。
高光谱影像特征选择与提取在农业、环境监测、地质勘探等领域有着广泛的应用。
例如，在农业领域，可以通过对农作物的高光谱影像进行特征选择与提取，来实现病虫害的自动检测与预警；在环境监测领域，可以通过高光谱影像进行景观类型分类与变化监测；在地质勘探领域，可以通过高光谱影像提取地质矿产信息，实现资源勘探与开发。
基于机器学习的高光谱图像分类方法研究高光谱图像分类是从高光谱遥感图像中提取出不同地物的特征，并将其分配到相应的类别中的过程。
高光谱图像具有丰富的光谱信息，因此在地物分类和识别中具有广泛的应用。
近年来，随着机器学习方法的发展，基于机器学习的高光谱图像分类方法成为研究热点之一。
本文将重点探讨基于机器学习的高光谱图像分类方法的研究进展和应用现状。
高光谱图像分类算法的关键在于选择合适的特征提取方法和分类器。
特征提取是高光谱图像分类的前提，其目的是从图像中提取出能够有效表征不同地物的特征。
常用的特征提取方法包括光谱特征提取、空间特征提取和频谱特征提取。
光谱特征提取是指从高光谱图像的光谱波段中提取特征，如反射率、发射率等。
空间特征提取是指从高光谱图像的空间分布中提取特征，如纹理、形状等。
频谱特征提取是指从高光谱图像的频域中提取特征，如能量、频率等。
在特征提取之后，需要选择合适的分类器对提取到的特征进行分类。
常用的高光谱图像分类器包括支持向量机（SVM）、随机森林（Random Forest）、人工神经网络（Artificial Neural Network）等。
支持向量机是一种基于间隔最大化的分类方法，其优点是对小样本和非线性数据有较好的适应能力。
随机森林是一种集成学习方法，通过构建多个决策树进行分类，具有较强的鲁棒性和精度。
人工神经网络是一种仿生学习模型，可以模拟人脑神经元的工作原理，具有较强的非线性建模能力。
以支持向量机为例，介绍基于机器学习的高光谱图像分类方法的一般流程。
首先，对高光谱图像进行预处理，包括波段选择、波段去噪、图像辐射定标等。
然后，从预处理后的图像中提取特征，常用的特征提取方法包括主成分分析（Principal Component Analysis）、线性判别分析（Linear Discriminant Analysis）等。
接着，将提取到的特征作为训练样本输入到支持向量机模型中进行训练。
08高光谱特征选择高光谱特征选择是指根据光谱数据中的特征，将其中的关键特征挑选出来。
由于高光谱数据中有上千个波段，而每个波段具有很高的相关性，因此需要选择出最具代表性的特征，以降低数据维度和提高特征的可解释性。
下面将介绍几种经典的高光谱特征选择方法。
首先，基于统计方法的特征选择是最常见的方法之一、该方法通过计算各个特征与目标变量之间的关联度，来选择最具相关性的特征。
其中常见的方法包括皮尔逊相关系数、互信息和卡方检验等。
皮尔逊相关系数衡量了变量之间的线性相关性，互信息用于衡量变量之间的非线性相关性，而卡方检验则用于衡量分类变量之间的相关性。
其次，基于模型的特征选择是一种更加复杂的方法。
该方法通过建立预测模型，利用模型的反馈选择出最具有预测能力的特征。
常见的方法包括决策树、随机森林和支持向量机等。
决策树是一种简单而有效的分类工具，它可以通过计算各个特征的信息增益或基尼系数来选择最佳特征。
随机森林是一种基于决策树的集成学习方法，它可以通过计算各个特征的重要性指标来选择关键特征。
支持向量机是一种经典的机器学习方法，它利用核函数将数据映射到高维空间，并通过最大化间隔来选择最佳特征。
另外，基于降维的特征选择方法也是常见的方法之一、该方法通过降低数据的维度，将高维数据转化为低维数据，并选择其中具有代表性的特征。
常见的降维方法包括主成分分析和线性判别分析等。
主成分分析通过计算数据的协方差矩阵，得到最具代表性的主成分，从而实现降维和特征选择。
线性判别分析是一种有监督的降维方法，它通过计算数据的类别内散度矩阵和类别间散度矩阵，选择最佳的投影矩阵来实现特征选择。
最后，基于深度学习的特征选择方法是近年来兴起的一种方法。
该方法利用深度神经网络对高光谱数据进行训练，学习到最具代表性的特征。
常见的方法包括卷积神经网络和自编码器等。
卷积神经网络通过卷积和池化操作，提取图像中的空间特征，并结合全连接层进行特征选择。
自编码器则通过训练一个自动编码器来学习到数据的低维表示，从而实现特征选择。
高光谱图像的特征提取与特征选择研究∗杨仁欣,杨燕,原晶晶【摘要】特征提取和特征选择是模式识别的关键问题之一,它影响到分类器的设计及其性能.高光谱图像数据是超高维多特征数据集,如何实现高维特征空间的特征压缩和特征提取是一个重要课题.基于高光谱图像谱图合一、数据维度高的数据结构特点,该文从光谱和图像两个层面分别综述了主成分分析、最小噪声分离、独立成分分析等光谱特征提取方法以及基于颜色、纹理、形状等图像特征提取方法.还详细介绍了核主成分分析和投影寻踪方法这两种高光谱特征提取新方法,并给出了以上方法的应用实例.特征提取和特征选择的研究将为后续的高光谱图像分类奠定良好的基础.【期刊名称】广西师范学院学报（自然科学版）【年(卷),期】2015(000)002【总页数】5【关键词】高光谱图像;特征提取;特征选择;主成分分析;最小噪声分离;独立成分分析;核主成分分析;投影寻踪0 引言特征提取和特征选择在模式识别中扮演着一个重要角色.特征提取过程的实质是通过映射或变换的方法,将高维空间中的特征描述用低维空间的特征来描述.特征选择是从众多特征中找出那些最有效的特征来实现降维.基于高光谱图像图谱合一,数据结构高维的特点,本文从光谱和图像两个层面综述了典型的高光谱图像的特征提取和特征选择方法,并给出相应的应用实例.1 高光谱特征提取和特征选择的研究高光谱特征提取是指对原始的光谱空间特征进行重新组合和优化,提取出最适合当前应用需求的新特征.高光谱特征提取如图1[1]所示,通常使用线性或非线性方程,将原始的高维特征空间投影到低维的优化后的新特征空间,提取的特征应同时满足类别可分性准则.高光谱特征选择则是对原始特征空间的子集挑选,选出那些最具有可分性的光谱波段.高光谱特征选择如图2所示.常用的高光谱特征提取和特征选择方法有主成分分析、最小噪声分离、独立成分分析法等.1.1 主成分分析主成分分析是一种统计分析方法.所谓主成分,其实也就是原变量的线性组合.即假设有p个指标,我们把这p个指标看做p个随机变量,记为X1,X2,…,Xp,主成分分析实质就是要讨论这p个指标的线性组合问题:主成分分析法的缺点:(1)在主成分分析中,通常使所提取的前几个主成分的累计贡献率能够达到一个较高的值,其次对这些被提取的主成分必须都能够给出一个合理的解释,否则所谓的主成分将毫无意义.(2)主成分的含义不是很清晰,不像原始变量的含义那么明确.赵丽红[2]等把其改进算法二维对称主成分分析应用到人脸识别中,取得了很好的识别性能.杨秀坤等提出了主成分分析－二阶导数光谱成像方法,并通过兔子动脉红外显微图像中胆固醇分布的成像实验,验证该方法的可行性和有效性.实验结果表明,该方法可以提高光谱分辨率[3].1.2 最小噪声分离Green(1988)在主成分分析方法的基础上,又发展了最小噪声分离.采用最小噪声分离变换使变换后各成分按照信噪比而不是方差从大到小排序.以下是其基本流程:魏新华[4]等人采用高光谱技术和最小噪声分离分析方法对含有异性纤维的籽棉图像进行研究,试验结果表明,该方法的识别率达到91.0%,该研究可为棉花异性纤维检测系统的开发提供参考.肖雄斌[5]等人提出的一种基于最小噪声分离变换的高光谱图像异常检测方法,提高了异常检测率.林娜[6]等人提出的核最小噪声分离变换高光谱影像的非线性特征提取方法,可获得优于最小噪声分离特征提取的端元提取效果.1.3 独立成分分析独立成分分析是一种利用统计原理进行计算的方法,主要用于高光谱数据特征提取.于绍慧[7]等人利用独立成分分析对微分谱进行解析更有利于多组分混合三维荧光光谱所含成分的识别.白璘[8]等人提出的一种独立成分分析和小波变换相结合的高光谱图像有损压缩方法,可以很好地保留高光谱图像的光谱特性.何元磊[9]等人提出的一种基于独立成分分析的异常探测算法,取得了良好的检测性能,且运算复杂度较低.2 图像特征提取和特征选择的研究由于高光谱图像数据信息谱图合一的特点,基于图像的特征提取可以提取样本的空间分布特征信息,该特征也可用于反映样本信息.常用的图像特征提取和特征选择方法所涉及的特征有颜色特征、纹理特征、形状特征.2.1 颜色特征颜色特征反映了图像的整体特征,通常采用颜色的一阶矩(Mean)、二阶矩(Variance)和三阶矩(Skewness)来表达图像的颜色特征.设P(j,i)为图像的第j个像素的第i个颜色分量值,则一阶矩为它表示待测区域的颜色均值.二阶距为它表示待测区域的颜色方差,即不均匀性.三阶距为三阶矩反映颜色的不对称性.如果图像颜色完全对称,其值应为零.徐贵力等提出用百分率直方图法提取缺素叶片图像颜色特征,此方法提取的颜色特征能理想地识别缺素番茄叶片[10].金伟提出的一种新的颜色特征提取方法,即像素不连通区域面积直方图法,对图像旋转、缩放等具有较好的鲁棒性[11].郑小东等根据植物生长智能监控的需求,设计了叶颜色特征提取方法,为后续决策处理提供了数据支持[12].2.2 纹理特征图像的纹理特征是由图像上地物重复排列造成的灰度值有规则的分布,它不同于灰度和颜色等图像特征.图像的纹理特征反映了图像固有的属性,能够体现图像的重要信息,比如图像的粗糙程度、细致程度和均匀程度等.常见的纹理特征提取方法有统计法、结构法和模型法.孙磊等针对全色图像云检测与雪检测的问题,提出了一种基于多种纹理特征的特征提取方法,实验结果验证了其算法的有效性[13].白丽等提出的基于皮肤纹理特征的高分辨人脸图像识别算法,可以提高人脸识别的性能[14].章勇勤等分别从时域和频域的角度提出的纹理特征检测算子,有效地提高了图像的信噪比[15].2.3 形状特征形状特征描述的是图像的一种局部特征,是其在局部区域的几何性质.毋媛媛等将不变矩理论引入作物病害图像形状特征提取中,通过运用主成分分析和统计分析方法,得到适合两种作物病害识别的形状特征,并将其应用到作物病害智能识别系统中[16].董红霞等提出了一种基于形状与纹理特征的分类算法,在灰度图像上提取了纹理特征,实验表明,相比于已有算法,新算法能够达到更好的分类率[17].邵庆以小麦条锈病为例,对小麦病害部位的图像进行特征提取,为农作物病害诊断信息特征数据库的建立提供了基础数据[18].3 高光谱特征提取新进展3.1 核主成分分析核主成分分析的基本思想是将核方法应用到主成分分析中,首先通过变换h实现了输入空间X到特征空间F的映射,定义核函数K(xi,xj)＝〈h(xi),h(xj)〉,则特征空间中两向量的内积可用输入空间中的两向量的核函数表示.此时输入空间的样本点x1,x2,…,xl变换为特征空间的样本点h(x1),h(x2),…,h(xl),然后在特征空间中使用主成分分析,即求解特征值问题:λiui＝¯Cui,i＝1,2,…,l,其中为样本空间中的协方差矩阵,λi是¯C的一个非零特征值,ui为λi所对应的特征向量.核主成分分析是对传统的主成分分析算法的非线性拓展.目前,常用的核函数主要有三类:多项式核函数:K(x,y)＝(a(x·y)＋b)d,d＞0且a,b∈R,Sigmoid核函数:K(x,y)＝tanh(a(x·y)－b),a,b∈R,高斯径向基核函数:其中,高斯径向基核函数用得更广泛一些.白杨等提出了一种改进的核二维主成分分析(K2DPCA)高光谱图像降维方法,该方法能够有效提高图像压缩比,实现遥感图像在空间维上的双向降维[19].赵丽红等把核主成分分析应用到人脸识别中,通过选择合适的核函数在高维空间提取人脸图像的主成分,结果表明,核主成分分析与传统主成分分析相比,可以得到更好的适合分类的特征[20].3.2 投影寻踪方法逐次投影寻踪方法,通过对高光谱数据的多次一维投影,逐步筛选出有效成分,构建起新的低维正交空间.在逐次投影寻踪过程中,关键是要使选出的投影方向与当前已产生的方向是正交的.其实现步骤为:(1)数据无量纲化.先归一化,再标准化.夏鲁瑞等提出了一种基于投影寻踪的高光谱目标识别算法,并通过实际高光谱数据对算法进行验证,结果表明该算法能够有效提高信噪比[21].吴超[22]等针对高光谱图像的非监督目标检测问题,提出的一种基于混沌粒子群优化投影寻踪的检测方法取得了较好的检测效果.王维等提出的基于投影寻踪的高光谱图像异常检测并行算法具有良好的并行性能[23].4 总结与展望本文针对高光谱图像数据量大,波段多,冗余度大等特点,从光谱和图像两个层面分别论述了高光谱图像的特征提取与特征选择的若干种方法.重点给出了核主成分分析方法和投影寻踪方法及其一些应用实例.虽然至今已有很多高光谱图像特征提取和特征选择的方法,但各种方法都存在局限性,因此对于较复杂的高光谱图像,需要多种方法相互融合,灵活发挥各种方法的优点,以期达到理想的结果.由于高光谱图像的广泛使用,能够实现高光谱数据降维的特征提取和特征选择方法会成为今后研究的方向.虽然现有的理论和方法对复杂的高光谱图像特征提取和特征选择效果离理想的效果还有一定距离.但随着高光谱图像技术的发展,高光谱图像特征提取和特征选择方法一定会得到更广泛的应用.参考文献：[1] 杨燕.基于高光谱成像技术的水稻稻瘟病诊断关键技术研究[D].杭州:浙江大[2] 赵丽红,张西礼,徐心和.基于二维对称主成分分析的人脸识别[J].仪器仪表学报,2008,29(6).[3] 杨秀坤,钟明亮,景晓军,等.基于主成分分析-二阶导数光谱成像的红外显微图像分析[J].光学学报,2012,32(7).[4] WEI Xinhua,WU Shu,XU Laiqi,et al.Identification of foreign fibers of seed cotton using hyper-spectral images based on minimum noise fraction[J].Transactions of the Chinese Society of Agricultural Engineering,2014,30(9).[5] 肖雄斌,厉小润,赵辽英.基于最小噪声分离变换的高光谱异常检测方法研究[J].计算机应用与软件,2012,29(4).[6] 林娜,杨武年,王斌.高光谱遥感影像核最小噪声分离变换特征提取[J].武汉大学学报,2013,38(8).[7] 于绍慧,张玉钧,赵南京,等.微分谱结合独立成分分析对三维荧光重叠光谱的解析[J].光谱学与光谱分析,2013,33(1).[8] 白璘,高涛.基于独立成分分析的高光谱图像有损压缩方法[J].计算机工程,2013,39(3).[9] 何元磊,刘代志,易世华,等.基于独立成分分析的高光谱图像异常检测[J].光学技术,2011,37(2).[10]徐贵力,毛罕平,李萍萍.缺素叶片彩色图像颜色特征提取的研究[J].农业工程学报,2002,18(4).[11]金伟.基于融合颜色特征与形状特征的图像检索[D].西安:西安电子科技大[12]郑小东,王晓洁,李玲玲.面向植物生长智能监控的叶颜色特征提取[J].中国农学通报,2010,26(19):401-407.[13]孙磊,曹晓光.基于多种纹理特征的全色图像云雪区特征提取[J].电子设计工程,2014,22(2).[14]白丽,方驰,丁晓青.基于皮肤纹理特征的高分辨率人脸图像识别[J].计算机工程,2012,38(2).[15]章勇勤,艾勇,吴敏渊,等.基于纹理特征的图像恢复[J].武汉大学学报:信息科学版,2010,35(1).[16]毋媛媛,刁智华,王会丹,等.作物病害图像形状特征提取研究[J].农机化研究,2015(1).[17]董红霞,郭斯羽.一种结合形状与纹理特征的植物叶片分类方法[J].计算机工程与应用,2014,50(23).[18]邵庆,张楠,路阳.小麦病害图像识别处理及形状特征提取研究[J].农机化研究,2013(8).[19]白杨,赵银娣,韩天庆.一种改进的K2DPCA高光谱遥感图像降维方法[J].测绘科学,2014,39(7).[20]赵丽红,孙宇舸,蔡玉,等.基于核主成分分析的人脸识别[J].东北大学学报,2006,27(8).[21]夏鲁瑞,赵继广,孙洁,等.基于投影寻踪的高光谱典型目标识别算法[J].光学与光电技术,2013,11(3).[22]吴超,吴一全.基于混沌粒子群优化投影寻踪的高光谱图像目标检测[J].光学学报,2011,31(12).[23]王维,赵慧洁,董超.基于投影寻踪的高光谱图像异常检测并行算法[J].北京航空航天大学学报,2009,35(3).[责任编辑:班秀和]∗基金项目：广西教育厅项目(201203YB103)。
