高光谱图像数据怎么降噪与提取?
发布时间:2024-03-15
浏览次数:268
高光谱图像是三维数据块,每个波段都有一个灰度图像,因此高光谱图像可以看作是多个灰度图像的叠加。高光谱图像的处理方法首先就是降低噪音以及减少数据的维数,然后再采用相应的分析方法进行数据的压缩和提取。本文对高光谱图像数据的降噪与提取方法做了介绍。
高光谱图像是三维数据块,每个波段都有一个灰度图像,因此高光谱图像可以看作是多个灰度图像的叠加。高光谱图像的处理方法首先就是降低噪音以及减少数据的维数,然后再采用相应的分析方法进行数据的压缩和提取。本文对高光谱图像数据的降噪与提取方法做了介绍。
高光谱图像数据的降噪方法:
作为高光谱图像的预处理方法,最小噪声分离变换主要用于判定图像数据内在的维数,分离信号和噪声,进一步去除噪声,提高信噪比。该算法的实质是两次层叠的主成分变换。
第一次是正向变换,基于噪声的协方差矩阵,对高光谱图像进行去相关和重定标处理,分离并重新调节数据中的噪声,使得噪声成分具有单一方差,且没有波段与波段之间的相关性。经过正向变换的运行,数据空间被分为两个部分:一部分与较大的特征值以及相对应的特征图像相关联,另一部分与较小的特征值以及噪声占主导的图像相关联。依据特征值的大小和对应的图像,可以判定包含相关图像的波段(一般是前几个或十几个图像)。
第二次变换是反向变换,对经上述处理后的相关图像波谱子集做标准主成分变换,变换为它们的原始数据空间。由于以噪声为主导的图像在运行反向变换之前被排除,原始数据空间中的噪声将会大大减少。
高光谱图像数据的提取方法:
主成分分析(PCA)是一种非常实用的降低数据维数、增强有用信息以及隔离噪声信号的算法。它采用线性变换将数据转换到一个新的坐标系统,得到的新变量是原始变量的线性组合,且彼此之间互不相关,使数据的差异达到最大,同时前几个新变量要尽可能多地表达原始变量的数据特征。
对高光谱图像进行主成分分析后,得到的主成分波段图像是原始波段图像的线性组合,且每个主成分图像之间互不相关。第一主成分图像包含最大的数据方差百分比;第二主成分图像其次;主成分图像的波段越靠后,其包含的方差百分比越小,噪声信号越大,图像质量越差;最后几个波段的主成分图像包含的方差百分比很小,显示为噪声。
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..