高光谱图像特征提取方法

特征提取也是一个光谱特征空间的降维过程，它是建立在各光谱波段间的重新组合和优化基础上的。在经过特征提取后的光谱特征空间中，其新的光谱向量应该是反映特定地物某一性状的一个光谱参量，后者是有别于其他地物的光谱参量。特征提取过程如图13-2所示，其中F（x₁，…，x₅）是一个线性或者非线性的转换方程，它将原始的特征空间投影到了一个低维并优化后的新特征空间。

图13-2 光谱特征提取

目前高光谱图像常用的特征提取技术主要包括：主成分分析（Principal Component Analysis，PCA）、小波变换（Wavelet Transform，WT）、独立成分分析（Independent Component Analysis，ICA）等。(www.xing528.com)

PCA也称K-L变换，是均方误差最小意义下的最佳线性正交变换。PCA将原始特征化为少数几个不相关的综合特征，去掉那些变换系数相对较小的特征，不会损失太大的信息量，以达到有效地降低维数的目的。基于全空间主成分变换，Jia和Richards提出了分段主成分变换（Seg-mented Pincipal Components Transform，SPCT）用于特征提取。该方法将全部波段分割成高度相关的子组（Subgroup），然后在每个子组中分别进行PCA。

WT是信号处理的有力工具，以其多分辨率分析特性在高光谱图像处理中也得到了重视。高光谱图像中对应于每个像素存在一条一维的光谱响应曲线，将其看作一个一维离散信号进行WT可以得到不同分辨率下的特征。在这方面，L.M.Bruce等人提出了一种基于离散小波变换的特征提取方法，并应用到了分类系统中。此外，Li等人还研究了基于WT的特征提取方法在混合光谱分解中的应用。Hsu等人研究了基于最佳小波包基的高光谱图像特征提取和降维方法。使用WT进行特征提取的优点在于它能够保持光谱响应曲线的形状，为进一步的光谱匹配、地物识别提供了条件。

ICA源自信号盲源分离领域。近年来，许多研究者把ICA引入了高光谱图像处理中，形成了较多形式的处理算法。应用ICA对高光谱数据进行特征提取需要首先确定高光谱数据的本征维数，因为高光谱图像相邻波段间具有很强的相关性，因此高光谱数据的本征维数一般要远小于其原始波段数目。在确定了本征维数之后，利用ICA进行独立分量的分离，最终得到远小于原始波段数目的相互独立的特征，实现高光谱图像的特征提取。