文献综述
基于高光谱数据的特征分析与目标提取
摘要：进入21世纪以来，高光谱遥感技术取得了重大进展，伴随着一系列基本问题的解决，高光谱遥感已经由实验研究阶段逐步转向实际应用阶段-对获取的高光谱数据进行有效处理和利用的阶段。高光谱遥感数据具有波段数目多、光谱分辨率高、波段窄、冗余度大、图谱合一等特点，使得对它的利用存在一定的难度。在高光谱图像处理中，光谱特征提取技术是做好后继处理的一个关键步骤。 相对于多光谱数据来说，高光谱数据的特征提取具有特殊的意义。本文首先介绍高光谱数据的特征分析与提取的常用方法，然后对植被高光谱特征分析的方法研究概况进行介绍，最后对目前的研究现状存在的问题进行了总结。
关键词：高光谱数据；光谱特征；特征提取；研究进展
1．引言
随着传感器技术的进步，以多光谱遥感为前身的高光谱遥感已经成为地物观测与信息获取的一种重要手段。以现有的高光谱遥感的成熟程度，可以提供谱段间隔为10nm、谱段数量超过 200、波长范围覆盖可见光和近红外区域的高光谱分辨率的遥感图像[1]。高光谱图像的重要特点是在光谱维上形成密集采样，与图像的空间维结合构成观测信息的“数据立方体”[2]。这种较为新颖的数据形式所需要的信息处理手段，与多光谱图像有较大的差别，因此有必要研究适合高光谱数据特点的处理方法。高光谱遥感数据最主要的特点是将传统的图像维与光谱维信息融合在一起, 在获取地表空间图像的同时, 得到每个地物单元的连续光谱信息, 从而实现依据地物光谱特征的地物成分信息反演与地物识别。
2．高光谱数据特征分析技术方法研究概况
高光谱数据的特征提取是从原始数据中提取特征参数，为进一步的信息提取奠定基础。目前国内外常用的高光谱数据特征提取方法有以下几种：
- 主成分分析（PCA)方法是应用最为广泛的高维数据降维方法，也是遥感图像处理领域常用的特征提取和数据压缩方法。起到数据压缩的作用，是在统计特征基础上的多维正交线性变换。孙俊等人采用主成分分析方法分别,从特征选择和特征提取角度对原始高光谱数据进行处理，将优选出的特征波长和提取出的最优主成分数作为模型的输入,建立SVM模型，研究高光谱图像技术在掺假大米检测中的应用[3]。
（2）独立成分分析(ICA)的基本思路是以非高斯信号为研究对象，在独立性假设的前提下，对多路观测信号进行盲源分离。在满足一定的条件下，能够从多路观测信号中，较好地分离出隐含的独立源信ICA的特征提取过程可分为三步：提取前的预处理、选取目标函数、通过学习逐步趋于最优点即最大化输出分量的独立性[4,5]。 王璐选用USGS矿物波谱库的蚀变矿物作为研究数据,构造高光谱遥感模拟图像,使用ICA技术对其进行特征提取和混合像元分解的实验，证明了ICA技术既可用于有效地提取特征波段,也可用于线性解混模型中端元信息和丰度信息的同时提取[6]。而抗噪声ICA特征提取方法在利用MNF分离开各个信噪比不同的成分后，使用MNF反变换恢复数据向量，即从MNF空间转换回光谱空间，这样可以最大程度地保证数据的可分性。杜鹏等人为了解决ICA对噪声过分敏感的问题,采用最大噪声分量(MNF)算法替代传统的主成分分析对数据作降噪处理,由MNF引出的不完全独立成分分析(UICA)在不牺牲特征提取能力的情况下能够获得很高的运算效率[7]。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
