高光谱成像仪高光谱图像降维方法介绍
发布时间:2023-12-07
浏览次数:352
高光谱成像仪在对样本进行扫描时,可以获得样本的高光谱图像数据,但由于高光谱数据量过大,会降低后期的数据处理速度,并且波段较多,光谱信息之间相关性很强,使得三维数据块之间存在大量冗余信息,可能影响建模结果,因此就需要进行降维处理。本文对高光谱成像仪高光谱图像降维方法做了介绍。
高光谱成像仪在对样本进行扫描时,可以获得样本的高光谱图像数据,但由于高光谱数据量过大,会降低后期的数据处理速度,并且波段较多,光谱信息之间相关性很强,使得三维数据块之间存在大量冗余信息,可能影响建模结果,因此就需要进行降维处理。本文对高光谱成像仪高光谱图像降维方法做了介绍。
高光谱数据是一个三维数据块,不仅可以提取每个像元的光谱信息,而且每个波长都对应一幅灰度图像。但是,对于分辨率较高的高光谱数据,每个数据块就包含上百幅图像信息,数据量过大,会降低后期的数据处理速度,并且波段较多,光谱信息之间相关性很强,使得三维数据块之间存在大量冗余信息,可能影响建模结果。因此,在数据处理过程中,高光谱数据的降维是减小噪声,提高模型识别速率和识别准确率的有效手段。目前的主要的降维方法有以下两种:
1.主成分分析(PCA)
主成分分析(PCA)是被较多应用的一种数据降维方法。PCA变换是将有相关性的原始变量沿协方差最大的方向投影,使经过坐标变换的高维空间数据映射到低维空间,得到线性不相关的新变量,即主成分。主成分按照方差从大到小的顺序依次称为第一主成分(PC1)、第二主成分(PC2),以此类推。原始高光谱数据经过PCA变换,可以看作各个主成分图像的线性组合,主成分图像所占原始图像信息的比重由方差贡献率决定。一般,当主成分的累计贡献率达到一定比例,如85%以上,即可解释大部分高光谱数据信息。因此,经过PCA变换的高光谱数据仅需少量主成分就可以极大程度上表征原始信息,大大减少了数据处理时间,并消除原始数据之间冗余的信息。
2.最小噪声分离变换(MNF)
对于高光谱数据降维,最小噪声分离变换(MNF变换)的主要目的在于分离高光谱数据的信号和噪声,提高信噪比。该算法可以看作是两次主成分变换的叠加。首先,基于图像噪声的协方差矩阵进行正向变换,然后,对多维图像去相关、重定标。变换之后的数据关联到两个部分:一个部分是较大特征值,及其特征图像;另一个部分则是较小特征值,及其噪声图像。特征值的大小决定特征图像的信噪比高低,用来确定有效的特征图像。最后,正向变换后确定的图像子集被作标准主成分变换,恢复为对应的原始图像。MNF将噪声比例大的图像排除,使有效的高光谱数据量大幅度上涨。
相关产品
-
高光谱和多光谱有什么区别?
高光谱和多光谱作为作为无损检测技术,因其精度高、分辨率高等优点,被广泛的应用于农业、地质灾害、医学等不同的领域。高光谱和多光谱同作为光谱技术,但它们之间存在一定..
-
高光谱图像的优势和劣势对比
高光谱图像作为一种结合了成像技术和光谱技术的多维信息获取技术,具有显著的优势,但同时也存在一些劣势。以下是对高光谱图像优势和劣势的详细对比。..
-
高光谱在水果品质检测中的应用
高光谱成像技术,以其高光谱分辨率、图像信息丰富及非接触、无损检测等独特优势,正逐步成为水果品质检测领域的新宠。本文从以下几个方面介绍了高光谱在水果品质检测中的应..
-
多光谱和高光谱哪个好?全面对比多光谱和高光谱
光谱成像已成为从农业到环境管理等许多领域的宝库。高光谱和多光谱成像处于该技术的前沿。本文我们将讨论高光谱和多光谱成像的优点和局限性,以及哪种技术适合哪种现实场..