武汉大学 龚龑
《高光谱遥感》
二、基于可分性准则的特征提取原理
2.3定义特征映射形式
m1
y A x
nm
T
n1
m n
降维后的特征
即,准则函数
映射矩阵 原始光谱特征 类间散布矩阵
类内散布矩阵
12
希望在m维的Y 空间里，类别可分性最好
1 J1 Tr[ S yw S yb ]
在Y 空间达到最大
BT S yb B
BT S yw B I
B是一个m m的非奇异方阵
17
武汉大学 龚龑
《高光谱遥感》
二、基于可分性准则的特征提取原理
2.4求解映射矩阵
(S S ) A A(S S yb )
分析公式：
BT S yb B BT S yw B I
1 xw xb
1 yw
代入
《高光谱遥感》
一、高光谱特征提取概念 二、基于可分性准则的特征提取原理 三、高光谱特征提取主要方法 四、高光谱特征提取新方法及实例
8
武汉大学 龚龑
《高光谱遥感》
二、基于可分性准则的特征提取原理
2.1基于可分性准则的特征提取基本思想 基本思想：以类别可分性作为特征提取的准则， 要求提取的新特征所构成的特征空间具备最佳 的类别区分能力。 有样本支持
T
13
武汉大学 龚龑
《高光谱遥感》
二、基于可分性准则的特征提取原理
2.4求解映射矩阵 因此，变换后的Y空间里的可分性准则函数：
S yw A S xw A
T
S yb AT S xb A
J1 Tr[ S S yb ] = Tr[( A S xw A) ( A S xb A)]
14
武汉大学 龚龑
Байду номын сангаас
令U (u1 , u2 ,..., uL ) 特征提取可表示为Y = UT Z
武汉大学 龚龑
30
《高光谱遥感》
三、高光谱特征提取主要方法
3.3噪声适应主成分法 （noise-adjusted principal components, NAPC） 噪声适应主成分法的基本思想与最小噪声 分离法类似，考虑到噪声在各个波段分布的不 均匀，NAPC方法在进行主成分变换之前，先将 各个波段的噪声白化。
1 yw
Tr[ S S yb ]
Tr[] i
i 1 m
1
1 yw
21
武汉大学 龚龑
《高光谱遥感》
二、基于可分性准则的特征提取原理
2.4可分性准则进行特征提取要点小结 （一）思路： 1.确定降维变换的数学映射表达Y=AX； 2.选定可分性准则函数（J1，J2，J3，J4等）；
二、基于可分性准则的特征提取原理
1 2.4求解映射矩阵 (Sxw Sxb ) AB ( AB)
目的是求变换矩阵A，却求出了矩阵 接下来怎么办？
=AB
T z B y 考察准则函数J1在空间Z和Y中的关系： T 1 ( AB ) x T 1 T
Tr[ S zw S zb ] Tr[( B S yw B ) B S yb B ]
2.4求解映射矩阵
J1 Tr[( A Sxw A) ( A Sxb A)]
T T
1
J1是以矩阵A为变量的函数，欲使J1最 大，可将上式求一阶导数并令其为零：
J1 1 1 1 2S xw AS yw S yb S yw 2S xb AS yw 0 A
16
武汉大学 龚龑
《高光谱遥感》
• 高光谱特征提取的要点： 1.维数降低 2.特征性能更优良 3.不能完全取代原始原始高光谱数据
4
武汉大学 龚龑
《高光谱遥感》
一、高光谱特征提取概念
1.2 特征提取与特征选择区别 • 概念上的区别 特征提取 特征选择 原始特征空间的重组运算 原始特征空间的子集挑选
5
武汉大学 龚龑
《高光谱遥感》
一、高光谱特征提取概念
1.2 特征提取与特征选择区别 特征选择
特征提取
6
武汉大学 龚龑
《高光谱遥感》
一、高光谱特征提取概念
1.2 特征提取与特征选择区别 • 技术特点的区别 特征选择 波段选择 特征是已知的 特征提取 搜索策略
映射方式未知
特征是未知的
运算规则
特征提取过程的实质是对特征映射方式的寻求
7
武汉大学 龚龑
第四章 第2节 高光谱特征提取
4. 利用特征向量构建降维变换矩阵。
使用已有特征提取方法的步骤
23
武汉大学 龚龑
第四章 第2节 高光谱特征提取
《高光谱遥感》
一、高光谱特征提取概念 二、基于可分性准则的特征提取原理 三、高光谱特征提取主要方法 四、高光谱特征提取新方法及实例
24
武汉大学 龚龑
《高光谱遥感》
三、高光谱特征提取主要方法
三、高光谱特征提取主要方法
3.2最小噪声分离法 MNF基本流程： 对图像进行低通滤波 分离出噪声图像n
可分性准 则是什么？
的协方差矩阵 Z
求出Z (z1 , z 2 ,...z L )
的协方差矩阵 n
求出N (n1 , n 2 ,...n L )
1 计算 N Z的特征值i 和相应特征向量ui , 并排序
二、基于可分性准则的特征提取原理
2.4求解映射矩阵 J1 1 1 1 2S xw AS yw S yb S yw 2 S xb AS yw 0 A 整理得到：
(S S ) A A(S S yb )
1 xw xb
1 yw
根据矩阵运算知识，可利用线型变换 z BT y将实对称阵S yb和S yw分别对角化：
因为线性变换矩阵B不改变准则函数的值， 所以，可令降维映射矩阵为 (1 , 2 ,..., n ) 使得可分性准则函数J1取得最大值
T 1 T Tr[( S ) S xb ] xw 此时，J1 Tr[S S yb ] 1 Tr[ 1S xw (T ) 1 T S xb ]
可分性准则在高光谱数据降维中有哪两方面作用？
指导
可分性准则
特征映射方式
9
武汉大学 龚龑
《高光谱遥感》
二、基于可分性准则的特征提取原理
2.2选择类别可分性准则 可分性准则：从高维数据中获取一组用来分 类的特征，需要一个定量的标准来衡量特征 对分类的有效性。 可分性准则的主要类型： • 基于几何距离的可分性准则 • 基于概率密度的可分性准则
武汉大学 龚龑
《高光谱遥感》
二、基于可分性准则的特征提取原理
2.4求解映射矩阵 根据协方差传播律，Y空间里的协方差矩阵 Cy与X空间里的协方差矩阵Cx有如下关系：
Cy A Cx A
T
可推导，Y空间里的散布矩阵与X空间里的 散布矩阵有如下关系：
S yw A S xw A
T
S yb A S xb A
T
H FG
33
武汉大学 龚龑
《高光谱遥感》
三、高光谱特征提取主要方法
3.4 基于通用光谱模式分解算法
通用光谱模式分解算法（Universal Pattern Decomposition Method, UPDM）将原始高维空间特 征转化为UPDM系数表示的UPDM空间向量值。 要点： • 针对某几类特定地物目标，如水体、植被、 土壤等 • 需要进行地面光谱的实地测量
31
武汉大学 龚龑
《高光谱遥感》
三、高光谱特征提取主要方法
3.3噪声适应主成分法
z i s i ni
信号 噪声
1 i L, L表示波段

Z n
为Z (z1 , z 2 ,...z L )的协方差矩阵
为N (n1 , n 2 ,...n L )的协方差矩阵
首先，针对噪声求出白化矩阵
S yb ( BT ) 1 B 1 S yw ( BT ) 1 IB 1
1 (Sxw Sxb ) A A( BB1 )
1 (Sxw Sxb ) AB ( AB)
18
武汉大学 龚龑
《高光谱遥感》
二、基于可分性准则的特征提取原理
2.4求解映射矩阵
(S S ) AB ( AB)
对于矩阵AB中的每一列，有：
1 xw xb
(S S )i i i ,
1 xw xb
i 1, 2,..., n
上式说明
1 i , i是矩阵S xw S xb的特征值和特征向量
因此,按照i 大小顺序排列， 可得到 (1 , 2 ...n )
19
武汉大学 龚龑
《高光谱遥感》
降维后的样本总体方差最大
协方差矩阵的极值分析
27
武汉大学 龚龑
《高光谱遥感》
三、高光谱特征提取主要方法
3.2最小噪声分离法(minimum noise fraction,MNF) Green(1988)发展了主成分分析方法，采用最小 噪声分离变换使变换后各成分按照信噪比而不是按 照方差从大到小排序。
矩阵F为 N的白化矩阵,即 FT N F=I, FT F= -1 , N
32
-1 是由 N 特征值构成的对角阵 N
武汉大学 龚龑
《高光谱遥感》
三、高光谱特征提取主要方法
3.3噪声适应主成分法
然后，利用噪声的白化矩阵调整观测数据
W =F N F
最后，对调整后的观测数据进行主成分变 换，设变换矩阵为G,则总的变换矩阵为
1.1高光谱特征提取基本定义 特征提取包括的内容非常广 泛，既可以指影像空间维，也可 以指光谱维特征提取。 本节所讲的特征提取是指 光谱维特征提取。
3
武汉大学 龚龑