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)。
