CN108985311A - 一种高光谱遥感数据的降维方法及系统 - Google Patents
一种高光谱遥感数据的降维方法及系统 Download PDFInfo
- Publication number
- CN108985311A CN108985311A CN201810430362.2A CN201810430362A CN108985311A CN 108985311 A CN108985311 A CN 108985311A CN 201810430362 A CN201810430362 A CN 201810430362A CN 108985311 A CN108985311 A CN 108985311A
- Authority
- CN
- China
- Prior art keywords
- correlation coefficient
- remote sensing
- data
- sensing data
- hyperspectral remote
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000009467 reduction Effects 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000001228 spectrum Methods 0.000 title abstract description 6
- 230000003595 spectral effect Effects 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 18
- 230000009466 transformation Effects 0.000 claims description 14
- 230000001131 transforming effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 7
- 238000000513 principal component analysis Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000007476 Maximum Likelihood Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 1
- 235000011613 Pinus brutia Nutrition 0.000 description 1
- 241000018646 Pinus brutia Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种高光谱遥感数据的降维方法及系统，根据相邻波段的高光谱遥感数据间的相关系数获取高光谱遥感数据的数据子集以及所述数据子集对应的相关系数曲线；对所述数据子集的相关系数曲线主成分变换后对所述高光谱遥感数据进行降维处理。本发明可以很大程度上降低高光谱数据的冗余度，获得精度较高的分类结果。
Description
技术领域
本发明涉及数据降维技术领域，具体涉及一种高光谱遥感数据的降维方法及系统。
背景技术
高光谱遥感数据通常包含几十到几百个波段，能以较高的可信度识别地物目标。高光谱遥感采集得到的图像其中包含了丰富的空间、辐射和光谱信息，为地物的精确分类带来了机遇。但是同时高光谱遥感图像光谱分辨率的提高是基于增加数据量和数据维数作来实现的，这一点也为高光谱遥感图像进行地物分类和目标识别等应用带来了很大的难题。高光谱数据的“维数灾难”能够使分类识别不能正常进行，阻碍了高光谱遥感技术的应用推广。同时，繁多的数据量和高维度也给高光谱图像处理带来了巨大的计算压力。一般情况下，在遥感分类中，样本数目越多，分类精度就会越高；于是增加样本数目成为提高分类精度的一个可能。但是在高光谱遥感中，由于样本数据点获取的难度比较大而且代价昂贵，高光谱遥感影像分类精度一直受限于样本数目。另一方面，研究也发现，在不同维数的情况下，并不是样本数目越多，分类精度就越高。
地物分类是当前高光谱数据遥感图像处理领域研究的热点。高光谱数据的光谱分辨率可达到纳米数量级，光谱图像光谱范围窄、谱间相关性强，信息冗余较大，由此给传输、存储和处理带来了很多新问题。如高维数据与计算复杂度之间的矛盾、高维特征，与小样本之间的矛盾等。当利用高光谱遥感图像对地物分类时，若利用全部波段进行分类，计算量太大，分类算法的复杂度会随着光谱维数的增加而增加。
发明内容
为解决上述现有技术中在高光谱遥感中，由于样本数据点获取的难度比较大而且代价昂贵，高光谱遥感影像分类精度一直受限于样本数目的问题，本发明的目的是提供一种高光谱遥感数据的降维方法及系统，利用一种基于主成分分析的高光谱遥感数据降维方法可以很大程度上降低高光谱数据的冗余度，获得精度较高的分类结果。
本发明的目的是采用下述技术方案实现的：
本发明提供一种高光谱遥感数据的降维方法，其改进之处在于：
根据相邻波段的高光谱遥感数据间的相关系数获取高光谱遥感数据的数据子集以及所述数据子集对应的相关系数曲线；
对所述数据子集的相关系数曲线主成分变换后对所述高光谱遥感数据进行降维处理。
进一步地：所述高光谱遥感数据通过星载高光谱传感器拍摄以及航空飞机/无人机所搭载的高光谱仪获取。
进一步地：所述根据相邻波段的高光谱遥感数据间的相关系数获取高光谱遥感数据的数据子集以及所述数据子集对应的相关系数曲线，包括：
计算相邻波段的高光谱遥感数据间的相关系数；
根据所述相邻波段的高光谱遥感数据间的相关系数构造相邻波段的高光谱遥感数据间的相关系数的相关矢量；
根据相关矢量获得高光谱遥感数据的数据子集以及所述数据子集对应的相关系数曲线。
进一步地：所述计算相邻波段的高光谱遥感数据间的相关系数的公式为：
式中，Rij为波段i和波段j间的相关系数，xip和xjp分别为波段i和波段j内的第p个像元的辐射亮度值；和分别为波段i和波段j的辐射亮度均值，n表示像元总数，其中，i＝j+1。
进一步地：所述根据所述相邻波段的高光谱遥感数据的相关系数构造相邻波段的高光谱遥感数据的相关系数相关矢量的表达式为：
RNTR＝(R12,R23,…,R(i,i+1),…,R(N-1,N))T
式中：R12,R23,…,R(i,i+1),…,R(N-1,N)分别表示波段1和波段2的相关系数，波段2和波段3 的相关系数，....，波段i和波段i+1的相关系数，...，波段N-1和波段N的相关系数。
进一步地：所述根据相关矢量获得高光谱遥感数据的数据子集以及所述数据子集对应的相关系数曲线，包括：
从所述相关系数矢量中提取K个局部相关极小值；
根据所述局部相关极小值划分相关矢量为K+1个数据子集；
将数据子集中的相关系数作为纵坐标，将所述数据子集中对应的高光谱遥感数据所处的波段作为横坐标，构建数据子集的相关系数曲线。
进一步地：所述对所述数据子集的相关系数曲线主成分变换后对所述高光谱遥感数据进行降维处理，包括：
设定的相关系数阈值，比较所述数据子集的相关系数曲线上的相关系数和所述相关系数阈值；
将所述数据子集的相关系数曲线上的相关系数大于所述相关系数阈值的相关系数判定为同一主成分；
将属于同一主成分的相关系数所对应的高光谱遥感数据进行合并映射，并组成新的高光谱遥感数据波段。
本发明还提供一种高光谱遥感数据的降维系统，其改进之处在于：
计算模块，用于根据相邻波段的高光谱遥感数据间的相关系数获取高光谱遥感数据的数据子集以及所述数据子集对应的相关系数曲线；
降维模块，用于对所述数据子集的相关系数曲线主成分变换后对所述高光谱遥感数据进行降维处理。
进一步地：所述高光谱遥感数据通过星载高光谱传感器拍摄以及航空飞机/无人机所搭载的高光谱仪获取。
进一步地：所述计算模块，包括：
算术子模块，用于计算高光谱遥感数据中相邻光谱波段的相关系数；
第一构造子模块，用于根据所述高光谱遥感数据中相邻光谱波段的相关系数构造高光谱遥感数据中相邻光谱波段的相关系数矢量；
获得子模块，用于根据相关矢量获得高光谱遥感数据的数据子集以及所述数据子集对应的相关系数曲线。
进一步地：所述获得子模块，包括：
提取单元，用于从所述相关系数矢量中提取K个局部相关极小值；
划分单元，用于根据所述局部相关极小值划分相关矢量为K+1个数据子集；
获得单元，用于将数据子集中的相关系数作为纵坐标，将所述数据子集中对应的高光谱遥感数据所处的波段作为横坐标，构建数据子集的相关系数曲线。
进一步地：所述降维模块，包括：
设定子模块，用于设定的相关系数阈值，比较所述数据子集的相关系数曲线上的相关系数和所述相关系数阈值；
判定子模块，用于将所述数据子集的相关系数曲线上的相关系数大于所述相关系数阈值的相关系数判定为同一主成分；
合并子模块，用于将属于同一主成分的相关系数所对应的高光谱遥感数据进行合并映射，并组成新的高光谱遥感数据波段。
与最接近的现有技术相比，本发明提供的技术方案具有的有益效果是：
本发明提供一种高光谱遥感数据的降维方法，获取高光谱遥感数据；对高光谱遥感数据进行计算，得到高光谱遥感数据相邻波段的相关系数曲线；对所述相关系数曲线进行主成分变换后对所述高光谱遥感数据进行降维处理。本发明利用一种基于主成分分析的高光谱遥感数据降维方法不仅可以很大程度上降低高光谱数据的冗余度，并且可以提高遥感解译效率，获得精度较高的分类结果，对于高光谱遥感解译技术的发展有很大的意义。
附图说明
图1是本发明提供的一种高光谱遥感数据的降维方法的流程图；
图2是本发明提供的主成分变换特征提取原理图；
图3是本发明提供的AVIRIS高光谱遥感图像示意图；(a)为AVIRIS高光谱影像示意图； (b)为地面真实数据图；
图4是本发明提供的具体实施例的高光谱数据不同波段间的近邻可传递曲线图；
图5是本发明提供的具体实施例的AVIRIS图像相关系数矩阵示意图；
图6是本发明提供的主成分分析变换实验-原始图像最大似然分类结果图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。其他实施方案可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的组件和功能是可选的，并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本发明的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。在本文中，本发明的这些实施方案可以被单独地或总地用术语“发明”来表示，这仅仅是为了方便，并且如果事实上公开了超过一个的发明，不是要自动地限制该应用的范围为任何单个发明或发明构思。
本发明提供一种高光谱遥感数据的降维方法，其流程图如图1所示，包括下述步骤：
根据相邻波段的高光谱遥感数据间的相关系数获取高光谱遥感数据的数据子集以及所述数据子集对应的相关系数曲线；
对所述数据子集的相关系数曲线主成分变换后对所述高光谱遥感数据进行降维处理。
进一步地：所述高光谱遥感数据通过星载高光谱传感器拍摄以及航空飞机/无人机所搭载的高光谱仪获取。
进一步地：所述根据相邻波段的高光谱遥感数据间的相关系数获取高光谱遥感数据的数据子集以及所述数据子集对应的相关系数曲线，包括：
计算相邻波段的高光谱遥感数据间的相关系数；
根据所述相邻波段的高光谱遥感数据间的相关系数构造相邻波段的高光谱遥感数据间的相关系数的相关矢量；
根据相关矢量获得高光谱遥感数据的数据子集以及所述数据子集对应的相关系数曲线。
进一步地：所述计算相邻波段的高光谱遥感数据间的相关系数的公式为：
式中，Rij为波段i和波段j间的相关系数，xip和xjp分别为波段i和波段j内的第p个像元的辐射亮度值；和分别为波段i和波段j的辐射亮度均值，n表示像元总数，其中，i＝j+1。
进一步地：所述根据所述相邻波段的高光谱遥感数据的相关系数构造相邻波段的高光谱遥感数据的相关系数相关矢量的表达式为：
RNTR＝(R12,R23,…,R(i,i+1),…,R(N-1,N))T
式中：R12,R23,…,R(i,i+1),…,R(N-1,N)分别表示波段1和波段2的相关系数，波段2和波段3 的相关系数，....，波段i和波段i+1的相关系数，...，波段N-1和波段N的相关系数。
进一步地：所述根据相关矢量获得高光谱遥感数据的数据子集以及所述数据子集对应的相关系数曲线，包括：
从所述相关系数矢量中提取K个局部相关极小值；
根据所述局部相关极小值划分相关矢量为K+1个数据子集；
将数据子集中的相关系数作为纵坐标，将所述数据子集中对应的高光谱遥感数据所处的波段作为横坐标，构建数据子集的相关系数曲线。
进一步地：所述对所述数据子集的相关系数曲线主成分变换后对所述高光谱遥感数据进行降维处理，包括：
设定的相关系数阈值，比较所述数据子集的相关系数曲线上的相关系数和所述相关系数阈值；
将所述数据子集的相关系数曲线上的相关系数大于所述相关系数阈值的相关系数判定为同一主成分；
将属于同一主成分的相关系数所对应的高光谱遥感数据进行合并映射，并组成新的高光谱遥感数据波段。
主成分分析(PCA)同时也叫K-L变换，它将多个变量通过线性变换选出较少的变量。理论依据是将原变量重新组合成一组新的无关的几个综合变量，根据实际需要从中取出较少的几个能尽可能多地反映原变量信息。这种方法在数学变换中保持变量的总方差不变，同时使第一变量具有最大的方差，称为第一主成分，第二变量的方差仅小于第一主成分，并且和第一变量并不相关，称为第二主成分；依次类推，第三个变量就有第三个主分。
在高光谱遥感数据上，利用主成分分析方法提取特征，是按照一定的准则将原始特征由高维空间映射到较低的维数空间提取的。特征应尽可能地保留针对具体应用的有价值的信息。经过特征提取后的光谱特征空间中，新的光谱向量反映特定地物某一性状的一个光谱参量。特征选择的过程如图2所示，其中X是测量空间，Y是特征空间，变换y＝f(x1，x2，…..，xn) 是一个线性或者非线性的特征提取器或者转换方程，它将高维的空间X投影到一个低维的空间Y。
实施例二、
本发明实施例研究选取美国AVIRIS高光谱数据92AV3C。92AV3C是公开的基准高光谱图像数据。如图3(a)和(b)所示。在目前已经发表的学术文章中，已经有大量的国内外学者在高光谱图像处理的研究上采用了该数据，因此有利于重复实验和不同的算法之间的比较。该数据采集自美国印第安纳州的一块印度松树测试地，图像大小为145×145共21025个像素，一共有220光谱波段，图像的空间分辨率约为20m，光谱分辨率约等于10nm，数据采集于 1992年6月。AVIRIS高光谱传感器搭载ER-2(U2)飞机在约6万米高空测量。该数据及真实标记图由美国普度大学的David Landgrebe教授提供。第50，27，17波段作为RGB通道的假彩色图像。
(1)计算高光谱数据的各个相邻光谱波段的互相关系数，构造互相关系数矢量。对得到的互相关系数矢量R进行处理，从中提取若干个局部相关的极小值，然后根据这些提取的局部极小值(K个)。将原始高光谱数据空间S划分为K+1个适合的数据子集，把计算统计的相关系数导入到excel表中获得高光谱数据相邻波段的相关系数曲线。对于某一类特定的光谱成像仪获取的高光谱图像，则会具有相似的相关系数曲线。具体实施例的高光谱数据不同波段间的近邻可传递曲线图如图4所示。
(2)主成分变换可以降低图像相关性，图像波段相关性很强，主成分变换就可以把信息压缩到很少波段。图像相关系数矩阵如图5所示，在AVIRIS图像的相关系数矩阵图中，灰度值越高的地方表示相关系数越高，对角线上都是各个波段与它本身的相关系数，值全为1，显示为白色，由图5可知，AVIRIS图像波段之间相关性特别强，分块明显，因此图像的冗余信息比较多。经过主成分变换后，高光谱图像能量容易集中到很少的几个波段。
(3)进行主成分变换后选取的个数为Vm>T(贡献率的值T＝0.99)，从主成分的统计情况得出，只需要选择取前4个主成分包含了原始图像的大部分信息。
(4)验证图像降维后信息损失，分别对原始图像和选取的主成分进行贝叶斯最大似然有监督分类。图3(b)是真实地物图，如图6所示是前4个主成分最大似然分类结果，可以看出，在分类图中，在边缘地区，由于主成分并未包含原始数据所有的信息，所以有少量像元被误分。主成分变换在高光谱图像降维中具有很好的效果，因此，它是普遍被使用的降维工具。
实施例三、
基于同样的发明构思，本发明还提供一种高光谱遥感数据的降维系统，包括：
计算模块，用于根据相邻波段的高光谱遥感数据间的相关系数获取高光谱遥感数据的数据子集以及所述数据子集对应的相关系数曲线；
降维模块，用于对所述数据子集的相关系数曲线主成分变换后对所述高光谱遥感数据进行降维处理。
进一步地：所述高光谱遥感数据通过星载高光谱传感器拍摄以及航空飞机/无人机所搭载的高光谱仪获取。
进一步地：所述计算模块，包括：
算术子模块，用于计算高光谱遥感数据中相邻光谱波段的相关系数；
第一构造子模块，用于根据所述高光谱遥感数据中相邻光谱波段的相关系数构造高光谱遥感数据中相邻光谱波段的相关系数矢量；
获得子模块，用于根据相关矢量获得高光谱遥感数据的数据子集以及所述数据子集对应的相关系数曲线。
进一步地：所述获得子模块，包括：
提取单元，用于从所述相关系数矢量中提取K个局部相关极小值；
划分单元，用于根据所述局部相关极小值划分相关矢量为K+1个数据子集；
获得单元，用于将数据子集中的相关系数作为纵坐标，将所述数据子集中对应的高光谱遥感数据所处的波段作为横坐标，构建数据子集的相关系数曲线。
进一步地：所述降维模块，包括：
设定子模块，用于设定的相关系数阈值，比较所述数据子集的相关系数曲线上的相关系数和所述相关系数阈值；
判定子模块，用于将所述数据子集的相关系数曲线上的相关系数大于所述相关系数阈值的相关系数判定为同一主成分；
合并子模块，用于将属于同一主成分的相关系数所对应的高光谱遥感数据进行合并映射，并组成新的高光谱遥感数据波段。
本发明针对海量、高维信息，进行了数据的降维操作，降低数据信息的冗余，从而提高数据处理速度和提高分类器的性能。提出了有效的高光谱降维方法，能够提高遥感图像解译效率。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/ 或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/ 或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。
Claims (12)
1.一种高光谱遥感数据的降维方法，其特征在于：
根据相邻波段的高光谱遥感数据间的相关系数获取高光谱遥感数据的数据子集以及所述数据子集对应的相关系数曲线；
对所述数据子集的相关系数曲线主成分变换后对所述高光谱遥感数据进行降维处理。
2.如权利要求1所述的降维方法，其特征在于：所述高光谱遥感数据通过星载高光谱传感器拍摄以及航空飞机/无人机所搭载的高光谱仪获取。
3.如权利要求1所述的降维方法，其特征在于：所述根据相邻波段的高光谱遥感数据间的相关系数获取高光谱遥感数据的数据子集以及所述数据子集对应的相关系数曲线，包括：
计算相邻波段的高光谱遥感数据间的相关系数；
根据所述相邻波段的高光谱遥感数据间的相关系数构造相邻波段的高光谱遥感数据间的相关系数的相关矢量；
根据相关矢量获得高光谱遥感数据的数据子集以及所述数据子集对应的相关系数曲线。
4.如权利要求3所述的降维方法，其特征在于：所述计算相邻波段的高光谱遥感数据间的相关系数的公式为：
式中，Rij为波段i和波段j间的相关系数，xip和xjp分别为波段i和波段j内的第p个像元的辐射亮度值；和分别为波段i和波段j的辐射亮度均值，n表示像元总数，其中，i＝j+1。
5.如权利要求3所述的降维方法，其特征在于：所述根据所述相邻波段的高光谱遥感数据的相关系数构造相邻波段的高光谱遥感数据的相关系数相关矢量的表达式为：
RNTR＝(R12,R23,…,R(i,i+1),…,R(N-1,N))T
式中：R12,R23,…,R(i,i+1),…,R(N-1,N)分别表示波段1和波段2的相关系数，波段2和波段3的相关系数，....，波段i和波段i+1的相关系数，...，波段N-1和波段N的相关系数。
6.如权利要求3所述的降维方法，其特征在于：所述根据相关矢量获得高光谱遥感数据的数据子集以及所述数据子集对应的相关系数曲线，包括：
从所述相关系数矢量中提取K个局部相关极小值；
根据所述局部相关极小值划分相关矢量为K+1个数据子集；
将数据子集中的相关系数作为纵坐标，将所述数据子集中对应的高光谱遥感数据所处的波段作为横坐标，构建数据子集的相关系数曲线。
7.如权利要求1所述的降维方法，其特征在于：所述对所述数据子集的相关系数曲线主成分变换后对所述高光谱遥感数据进行降维处理，包括：
设定的相关系数阈值，比较所述数据子集的相关系数曲线上的相关系数和所述相关系数阈值；
将所述数据子集的相关系数曲线上的相关系数大于所述相关系数阈值的相关系数判定为同一主成分；
将属于同一主成分的相关系数所对应的高光谱遥感数据进行合并映射，并组成新的高光谱遥感数据波段。
8.一种高光谱遥感数据的降维系统，其特征在于：
计算模块，用于根据相邻波段的高光谱遥感数据间的相关系数获取高光谱遥感数据的数据子集以及所述数据子集对应的相关系数曲线；
降维模块，用于对所述数据子集的相关系数曲线主成分变换后对所述高光谱遥感数据进行降维处理。
9.如权利要求8所述的降维系统，其特征在于：所述高光谱遥感数据通过星载高光谱传感器拍摄以及航空飞机/无人机所搭载的高光谱仪获取。
10.如权利要求9所述的降维系统，其特征在于：所述计算模块，包括：
算术子模块，用于计算高光谱遥感数据中相邻光谱波段的相关系数；
第一构造子模块，用于根据所述高光谱遥感数据中相邻光谱波段的相关系数构造高光谱遥感数据中相邻光谱波段的相关系数矢量；
获得子模块，用于根据相关矢量获得高光谱遥感数据的数据子集以及所述数据子集对应的相关系数曲线。
11.如权利要求10所述的降维系统，其特征在于：所述获得子模块，包括：
提取单元，用于从所述相关系数矢量中提取K个局部相关极小值；
划分单元，用于根据所述局部相关极小值划分相关矢量为K+1个数据子集；
获得单元，用于将数据子集中的相关系数作为纵坐标，将所述数据子集中对应的高光谱遥感数据所处的波段作为横坐标，构建数据子集的相关系数曲线。
12.如权利要求8所述的降维系统，其特征在于：所述降维模块，包括：
设定子模块，用于设定的相关系数阈值，比较所述数据子集的相关系数曲线上的相关系数和所述相关系数阈值；
判定子模块，用于将所述数据子集的相关系数曲线上的相关系数大于所述相关系数阈值的相关系数判定为同一主成分；
合并子模块，用于将属于同一主成分的相关系数所对应的高光谱遥感数据进行合并映射，并组成新的高光谱遥感数据波段。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810430362.2A CN108985311A (zh) | 2018-05-08 | 2018-05-08 | 一种高光谱遥感数据的降维方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810430362.2A CN108985311A (zh) | 2018-05-08 | 2018-05-08 | 一种高光谱遥感数据的降维方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108985311A true CN108985311A (zh) | 2018-12-11 |
Family
ID=64542497
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810430362.2A Pending CN108985311A (zh) | 2018-05-08 | 2018-05-08 | 一种高光谱遥感数据的降维方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108985311A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111122447A (zh) * | 2019-11-25 | 2020-05-08 | 北华航天工业学院 | 一种无人机多光谱波段纠正方法 |
| CN113281270A (zh) * | 2021-04-26 | 2021-08-20 | 中国自然资源航空物探遥感中心 | 一种高光谱波段选择方法、装置、设备及存储介质 |
| CN114743057A (zh) * | 2022-05-05 | 2022-07-12 | 交通运输通信信息集团有限公司 | 一种基于波段子集的高光谱图像特征提取方法、系统与设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101916440A (zh) * | 2010-08-09 | 2010-12-15 | 哈尔滨工程大学 | 基于数字图像形态学理论的高光谱异常检测方法 |
| CN102879099A (zh) * | 2012-08-08 | 2013-01-16 | 北京建筑工程学院 | 一种基于高光谱成像的壁画信息提取方法 |
| CN103679703A (zh) * | 2013-11-25 | 2014-03-26 | 河海大学 | 一种基于共形几何代数的高光谱遥感影像降维方法 |
-
2018
- 2018-05-08 CN CN201810430362.2A patent/CN108985311A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101916440A (zh) * | 2010-08-09 | 2010-12-15 | 哈尔滨工程大学 | 基于数字图像形态学理论的高光谱异常检测方法 |
| CN102879099A (zh) * | 2012-08-08 | 2013-01-16 | 北京建筑工程学院 | 一种基于高光谱成像的壁画信息提取方法 |
| CN103679703A (zh) * | 2013-11-25 | 2014-03-26 | 河海大学 | 一种基于共形几何代数的高光谱遥感影像降维方法 |
Non-Patent Citations (1)
| Title |
|---|
| 陈瀚孜: "高光谱图像融合算法研究", 信息科技, 15 June 2010 (2010-06-15), pages 17 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111122447A (zh) * | 2019-11-25 | 2020-05-08 | 北华航天工业学院 | 一种无人机多光谱波段纠正方法 |
| CN111122447B (zh) * | 2019-11-25 | 2022-03-25 | 北华航天工业学院 | 一种无人机多光谱波段纠正方法 |
| CN113281270A (zh) * | 2021-04-26 | 2021-08-20 | 中国自然资源航空物探遥感中心 | 一种高光谱波段选择方法、装置、设备及存储介质 |
| CN113281270B (zh) * | 2021-04-26 | 2023-06-23 | 中国自然资源航空物探遥感中心 | 一种高光谱波段选择方法、装置、设备及存储介质 |
| CN114743057A (zh) * | 2022-05-05 | 2022-07-12 | 交通运输通信信息集团有限公司 | 一种基于波段子集的高光谱图像特征提取方法、系统与设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu et al. | Extracting apple tree crown information from remote imagery using deep learning | |
| CN108491849B (zh) | 基于三维稠密连接卷积神经网络的高光谱图像分类方法 | |
| CN105574534B (zh) | 基于稀疏子空间聚类和低秩表示的显著性目标检测方法 | |
| US20210089827A1 (en) | Feature representation device, feature representation method, and program | |
| CN101477529B (zh) | 一种三维对象的检索方法和装置 | |
| Huang et al. | Local binary patterns and superpixel-based multiple kernels for hyperspectral image classification | |
| US20140226906A1 (en) | Image matching method and apparatus | |
| KR101618996B1 (ko) | 호모그래피를 추정하기 위한 샘플링 방법 및 영상 처리 장치 | |
| CN104978582B (zh) | 基于轮廓弦角特征的遮挡目标识别方法 | |
| CN111126385A (zh) | 一种可变形活体小目标的深度学习智能识别方法 | |
| CN113344103B (zh) | 基于超图卷积神经网络的高光谱遥感图像地物分类方法 | |
| CN110458192A (zh) | 基于视觉显著性的高光谱遥感图像分类方法及系统 | |
| CN113420640A (zh) | 红树林高光谱图像分类方法、装置、电子设备及存储介质 | |
| CN108985311A (zh) | 一种高光谱遥感数据的降维方法及系统 | |
| CN103390170A (zh) | 一种基于多光谱遥感图像纹理元的地物类型纹理分类方法 | |
| CN106682675A (zh) | 一种面向高光谱图像的空谱联合特征提取方法 | |
| CN114419406A (zh) | 图像变化检测方法、训练方法、装置和计算机设备 | |
| Deng et al. | Citrus disease recognition based on weighted scalable vocabulary tree | |
| Lefèvre et al. | Hyperspectral image classification from multiscale description with constrained connectivity and metric learning | |
| CN102722732A (zh) | 一种基于数据二阶统计量建模的图像集合匹配方法 | |
| Pham et al. | Spectral graph wavelet based nonrigid image registration | |
| CN109492652B (zh) | 一种基于有序视觉特征单词库模型的相似图像判断方法 | |
| Li et al. | Spectral–spatial prototype learning-based nearest neighbor classifier for hyperspectral images | |
| CN104143191A (zh) | 一种基于纹理元的遥感图像变化检测方法 | |
| CN106650629A (zh) | 一种基于核稀疏表示的快速遥感目标检测识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: 100192 Beijing city Haidian District Qinghe small Camp Road No. 15 Applicant after: CHINA ELECTRIC POWER RESEARCH INSTITUTE Co.,Ltd. Applicant after: STATE GRID CORPORATION OF CHINA Applicant after: Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences Applicant after: STATE GRID SHANXI ELECTRIC POWER Co. Address before: 100192 Beijing city Haidian District Qinghe small Camp Road No. 15 Applicant before: CHINA ELECTRIC POWER RESEARCH INSTITUTE Co.,Ltd. Country or region before: China Applicant before: State Grid Corporation of China Applicant before: Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences Applicant before: STATE GRID SHANXI ELECTRIC POWER Co. |
|
| CB02 | Change of applicant information |