高光譜成像儀高光譜圖像降維方法介紹
發布時間:2023-12-07
瀏覽次數:425
高光譜成像儀?在對樣本進行掃描時,可以獲得樣本的高光譜圖像數據,但由于高光譜數據量過大,會降低后期的數據處理速度,并且波段較多,光譜信息之間相關性很強,使得三維數據塊之間存在大量冗余信息,可能影響建模結果,因此就需要進行降維處理。本文對高光譜成像儀高光譜圖像降維方法做了介紹。
高光譜成像儀在對樣本進行掃描時,可以獲得樣本的高光譜圖像數據,但由于高光譜數據量過大,會降低后期的數據處理速度,并且波段較多,光譜信息之間相關性很強,使得三維數據塊之間存在大量冗余信息,可能影響建模結果,因此就需要進行降維處理。本文對高光譜成像儀高光譜圖像降維方法做了介紹。
高光譜數據是一個三維數據塊,不僅可以提取每個像元的光譜信息,而且每個波長都對應一幅灰度圖像。但是,對于分辨率較高的高光譜數據,每個數據塊就包含上百幅圖像信息,數據量過大,會降低后期的數據處理速度,并且波段較多,光譜信息之間相關性很強,使得三維數據塊之間存在大量冗余信息,可能影響建模結果。因此,在數據處理過程中,高光譜數據的降維是減小噪聲,提高模型識別速率和識別準確率的有效手段。目前的主要的降維方法有以下兩種:
1.主成分分析(PCA)
主成分分析(PCA)是被較多應用的一種數據降維方法。PCA變換是將有相關性的原始變量沿協方差最大的方向投影,使經過坐標變換的高維空間數據映射到低維空間,得到線性不相關的新變量,即主成分。主成分按照方差從大到小的順序依次稱為第一主成分(PC1)、第二主成分(PC2),以此類推。原始高光譜數據經過PCA變換,可以看作各個主成分圖像的線性組合,主成分圖像所占原始圖像信息的比重由方差貢獻率決定。一般,當主成分的累計貢獻率達到一定比例,如85%以上,即可解釋大部分高光譜數據信息。因此,經過PCA變換的高光譜數據僅需少量主成分就可以極大程度上表征原始信息,大大減少了數據處理時間,并消除原始數據之間冗余的信息。
2.最小噪聲分離變換(MNF)
對于高光譜數據降維,最小噪聲分離變換(MNF變換)的主要目的在于分離高光譜數據的信號和噪聲,提高信噪比。該算法可以看作是兩次主成分變換的疊加。首先,基于圖像噪聲的協方差矩陣進行正向變換,然后,對多維圖像去相關、重定標。變換之后的數據關聯到兩個部分:一個部分是較大特征值,及其特征圖像;另一個部分則是較小特征值,及其噪聲圖像。特征值的大小決定特征圖像的信噪比高低,用來確定有效的特征圖像。最后,正向變換后確定的圖像子集被作標準主成分變換,恢復為對應的原始圖像。MNF將噪聲比例大的圖像排除,使有效的高光譜數據量大幅度上漲。
相關產品
-
紅外光譜的發展、原理、特點、分類
紅外光譜的發展、原理、特點、分類紅外光譜的技術在各領域中的應用相繼經歷了很長時期,逐漸完善著自身技術在領域中的應用,且將低成本高性能作為發展與創新的主要方向。本..
-
近紅外光譜技術的優缺點和應用范圍
?由于近紅外光譜在光纖中良好的傳輸性,近年來也被很多發達國家廣泛應用在產業在線分析中。近紅外定量分析因其快速、正確已被列人世界谷物化學科技標準協會和美國谷物化學..
-
高光譜數據常見預處理方法有哪些?
高光譜在采集數據時會有成百上千個不同的波段數據,數據量巨大從而增加了數據處理的難度。而且在高光譜圖像采集過程中會有來自儀器與環境的干擾,獲得的光譜信號易存在噪聲..
-
高光譜成像儀光譜數據特征波長的選取方法介紹
高光譜成像儀?在對樣品進行側臉時,會采集多波段的光譜數據,全波段數據有較多的冗余信息,因此就需要采用一定的方法來選取樣本光譜的特征波段與紋理特征的重要變量。本文..