基于高光谱成像技术的高光谱图像数据降维方法
发布时间:2024-11-01
浏览次数:88
高光谱数据是一个三维数据块,这个三维数据块包含很多的光谱信息,使得三维数据块之间存在大量冗余信息,可能影响建模结果。因此,在进行预测模型之前,需要对光谱图像数据进行降维处理。本文对高光谱图像数据降维方法做了介绍。
高光谱数据是一个三维数据块,这个三维数据块包含很多的光谱信息,使得三维数据块之间存在大量冗余信息,可能影响建模结果。因此,在进行预测模型之前,需要对光谱图像数据进行降维处理。本文对高光谱图像数据降维方法做了介绍。
高光谱数据是一个三维数据块,不仅可以提取每个像元的光谱信息,而且每个波长都对应一幅灰度图像。但是,对于分辨率较高的高光谱数据,每个数据块就包含上百幅图像信息,数据量过大,会降低后期的数据处理速度,并且波段较多,光谱信息之间相关性很强,使得三维数据块之间存在大量冗余信息,可能影响建模结果。因此,在数据处理过程中,高光谱数据的降维是减小噪声,提高模型识别速率和识别准确率的有效手段。
1.主成分分析(PCA)
主成分分析(PCA)是被较多应用的一种数据降维方法。PCA变换是将有相关性的原始变量沿协方差最大的方向投影,使经过坐标变换的高维空间数据映射到低维空间,得到线性不相关的新变量,即主成分。主成分按照方差从大到小的顺序依次称为第一主成分(PC1)、第二主成分(PC2),以此类推。原始高光谱数据经过PCA变换,可以看作各个主成分图像的线性组合,主成分图像所占原始图像信息的比重由方差贡献率决定。一般,当主成分的累计贡献率达到一定比例,如85%以上,即可解释大部分高光谱数据信息。因此,经过PCA变换的高光谱数据仅需少量主成分就可以极大程度上表征原始信息,大大减少了数据处理时间,并消除原始数据之间冗余的信息。
2.最小噪声分离变换(MNF)
对于高光谱数据降维,最小噪声分离变换(MNF变换)的主要目的在于分离高光谱数据的信号和噪声,提高信噪比。该算法可以看作是两次主成分变换的叠加。首先,基于图像噪声的协方差矩阵进行正向变换,然后,对多维图像去相关、重定标。变换之后的数据关联到两个部分:一个部分是较大特征值,及其特征图像;另一个部分则是较小特征值,及其噪声图像。特征值的大小决定特征图像的信噪比高低,用来确定有效的特征图像。最后,正向变换后确定的图像子集被作标准主成分变换,恢复为对应的原始图像。MNF将噪声比例大的图像排除,使有效的高光谱数据量大幅度上涨。
相关产品
-
高光谱知识:高光谱图像处理技术
高光谱图像处理技术是一种集图像与光谱信息于一体的高分辨率技术,广泛应用于航天、农业、食品安全、医学诊断及工业分类质检等领域,展现出强大的应用潜力和价值。..
-
高光谱成像技术方案怎么选择?
探索高光谱成像技术,精准检测水果品质,从源头把控,让每一颗果实都展现最佳风味!..
-
基于多种光学技术的食品无损检测:保障食品安全质量
随着科技的发展,如今有了更先进的食品检测方法,其中基于光学的不同波段检测方法结合光谱技术大放异彩。这些方法包括可见光、红外、太赫兹以及 X 射线等波段的检测,它..
-
高光谱成像技术在纺织品回收分类中的应用
利用高光谱相机对纺织品进行分类以便回收,在众多节约和减少浪费的努力中,纺织品仍然是最大的挑战之一。只有 15% 被回收和再利用,而其余 85% 最终被填埋。纺织..