高光譜圖像數據怎么降噪與提取?
發布時間:2024-03-15
瀏覽次數:356
高光譜圖像是三維數據塊,每個波段都有一個灰度圖像,因此高光譜圖像可以看作是多個灰度圖像的疊加。高光譜圖像的處理方法首先就是降低噪音以及減少數據的維數,然后再采用相應的分析方法進行數據的壓縮和提取。本文對高光譜圖像數據的降噪與提取方法做了介紹。
高光譜圖像是三維數據塊,每個波段都有一個灰度圖像,因此高光譜圖像可以看作是多個灰度圖像的疊加。高光譜圖像的處理方法首先就是降低噪音以及減少數據的維數,然后再采用相應的分析方法進行數據的壓縮和提取。本文對高光譜圖像數據的降噪與提取方法做了介紹。
高光譜圖像數據的降噪方法:
作為高光譜圖像的預處理方法,最小噪聲分離變換主要用于判定圖像數據內在的維數,分離信號和噪聲,進一步去除噪聲,提高信噪比。該算法的實質是兩次層疊的主成分變換。
第一次是正向變換,基于噪聲的協方差矩陣,對高光譜圖像進行去相關和重定標處理,分離并重新調節數據中的噪聲,使得噪聲成分具有單一方差,且沒有波段與波段之間的相關性。經過正向變換的運行,數據空間被分為兩個部分:一部分與較大的特征值以及相對應的特征圖像相關聯,另一部分與較小的特征值以及噪聲占主導的圖像相關聯。依據特征值的大小和對應的圖像,可以判定包含相關圖像的波段(一般是前幾個或十幾個圖像)。
第二次變換是反向變換,對經上述處理后的相關圖像波譜子集做標準主成分變換,變換為它們的原始數據空間。由于以噪聲為主導的圖像在運行反向變換之前被排除,原始數據空間中的噪聲將會大大減少。
高光譜圖像數據的提取方法:
主成分分析(PCA)是一種非常實用的降低數據維數、增強有用信息以及隔離噪聲信號的算法。它采用線性變換將數據轉換到一個新的坐標系統,得到的新變量是原始變量的線性組合,且彼此之間互不相關,使數據的差異達到最大,同時前幾個新變量要盡可能多地表達原始變量的數據特征。
對高光譜圖像進行主成分分析后,得到的主成分波段圖像是原始波段圖像的線性組合,且每個主成分圖像之間互不相關。第一主成分圖像包含最大的數據方差百分比;第二主成分圖像其次;主成分圖像的波段越靠后,其包含的方差百分比越小,噪聲信號越大,圖像質量越差;最后幾個波段的主成分圖像包含的方差百分比很小,顯示為噪聲。
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..