9.3高光谱图像处理在线视频

各位同学大家好

本节课程我们继续讲述

刑侦高光谱图像处理

第三节高光谱图像的处理

首先我们要明确

刑侦

高光谱图像处理的对象

处理的对象就是刑侦高光谱图像

刑侦高光谱图像的特点

首先它具有普通的

高光谱图像的基本特点

如图谱合一

精细波段

三维数据量较大等等

同时它还具有刑侦图像的特点

例如案件现场的环境复杂

图像的噪声多等等

对于刑侦高安普图像的处理

与普通的遥感高光谱图像的处理

类似

也可以分为预处理及处理

预处理可以分为降维和降噪

处理可以分为分类和解混

首先介绍一下

刑侦高光谱图像的降噪

高光谱图像的噪声

形成的原因是

成像仪内部的噪声

搭载平台叠加的噪声

外界环境相关的噪声等等

这些噪声

对图像的质量

及光谱曲线

都有所影响

那么刑侦高光谱图像降维的目的

就是通过对图像数据

进行降维降噪的处理

提高图像的质量

可以进一步提高

后续应用处理的准确程度

一般情况下

噪声的类型有

条带噪声

高斯白噪声等等

首先介绍一下条带噪声

条带噪声是高光谱成像仪在扫描

地物成像过程中

由于传感器特性导致的

具体表现在

在一定方向上

灰度值出现连续偏高

或者偏低的情况

另外成像光谱仪的工作环境复杂

传感器的电路系统繁多

传感器之间的响应参数

可能无法始终保持

一致

也是产生条带噪声的主要原因

条带噪声的存在

严重影响了

高光谱图像的

后续的应用效果

再介绍一下高斯白噪声

高斯白噪声

是指服从高斯分布

相同的噪声

在高光谱成像的过程中

CCD将电磁信号

转化为图像时

会产生各种类型的噪声

由于这些噪声满足

高斯分布

因此学者们将其定义为高斯噪声

为便于建模分析

假设每个波段上噪声强度相同

这种假设

虽然不完全符合

噪声的统计学特性

但是也具有一定的合理性

条带噪声的降噪模型

有正交子空间模型

基于图正则化的模型

高斯白噪声降噪模型有

低秩矩阵模型

非负矩阵分解模型

低秩张量模型

空谱变差模型

全变差模型等等

在这里列出了一些降噪方法

降噪方法有

带式去噪方法

基于多频段的方法

深度学习的方法

还有其他的一些方法

降噪后的评价标准

一般有峰值信噪比

结构相似度

特征相似度

均方根误差

光谱角距离等等

刑侦高光谱图像的降维

它的降维的原因

是因为高光谱图像的数据量大

他的目的是通过对无效冗余的

波段

进行降维剔除

可以有效降低所处理的数据量

降低计算成本和计算时间

现有的降维方法可以分成两类

一类是特征提取

一类是波段选择

首先介绍基于光谱信息的

降维方法

主要有主成分分析法

线性判别分析法

局部线性嵌入法

等距特征映射法

拉普拉斯本征映射方法

局部保持投影方法

邻域保持嵌入方法等等

再介绍一些典型的

基于空间信息的降维

基于空间信息的降维的方法

主要有空间相干

NPE方法

局部像元NPE方法

判别空间光谱边缘方法

基于空谱信息的降维方法

主要有空间光谱流行重构

保持嵌入方法

再介绍一下

刑侦高光谱图像的分类

下面这两个图

是对遥感高光谱图像的分类图

从分类图中可以看出

将不同种类的物质标记为不同的

颜色

可以便于我们在

物质的判别过程中

作为有效的依据

刑侦高光谱图像的分类方法

主要可以分为以下5类

第一

是以训练样本为依据的监督分类

非监督分类半监督分类

第二是以分类特征

输入为依据的分类策略

第三是以像元构成

假设为前提的

硬分类和软分类

第四是以基本操作单元为基础的

像素分类和对象级分类

第五是以分类器数量

为区分准则的单分类器

和多分类器

集成

在分类过程中

需要注意的是

高维特征数有效样本数

会出现分类精度

随特征维度上升

而下降的Hughes现象

传统方案是选择波段

或者提取特征

来进行降维处理

将原始数据压缩到低维空间

分类的评价标准有以下几个

第一个是分类的总体精度

还有平均精度

以及各类别的精度

还有kappa统计

还有标准差

以及运行时间等等

再介绍一下

刑侦高光谱图像的解混

在我们刑侦案件的现场

它的环境是比较复杂的

所获取的刑侦高光谱图像中

单像元得到的光谱

不一定只是一种物质的光谱

可能是几种不同物质光谱的组合

这样的像元被称为混合像元

混合像元的出现

是由于有限的空间分辨率

与案件现场复杂环境

及空间分布之间的矛盾所导致的

而且大气传输是一个复杂的过程

大气中的各种物质的混合效应

与传感器本身的混合效应

也是混合像元的重要成因

总之

混合像元形成的主要原因

有以下三点

第一

就是探测器单个像元内

一般都包含多种地物

第二就是大气传输过程中的混合效应

第三就是高光谱传感器

本身的混合效应

那么如何来对刑侦高光谱图像

进行解混

光谱解混技术

就是用来解决

混合像元问题的一项技术

光谱解混技术

是针对高光谱图像

所特有的一种技术

它通过将高光谱图像的混合

像元

分解为纯净的物质光谱

称为端元

和每种物质光谱

所对应的混合比例

称为丰度

为获取和分析更精确的

光谱提供了条件

刑侦高光谱图像的解混

如果要进行解混的话

首先要确定我们光谱混合模型

在现有情况下

一般将光谱混合模型

分为

线性混合模型

和非线性混合模型

而针对线性混合模型来说

进行解混的过程

就是要

对所观测区域里头的

图像里头

进行提取端元的数目

端元光谱

以及丰度的估计

右边这个图

是在线性混合模型下

对高光谱图像进行解混的一个

简单的流程图

首先介绍

端元数目的估计方法

目前比较经典的

端元数目的估计方法

有虚拟维度方法

最小误差

信号子空间识别方法

比较经典的端元提取方法有

像元纯度指数

内部最大体积N-FINDR方法

顶点成分分析方法

正交子空间投影算法

迭代限制端元法

基于非负矩阵分解的算法

还有基于神经网络的解混等等

丰度估计的方法

比较经典的有

无约束

最小二乘法

和为一约束的最小二乘法

非负约束的最小二乘法

全约束的最小二乘法

这个是一个典型的

高光谱图像解混的结果

左边是我们所采集到的

矿物图像

右边是对4种矿物质

进行丰度提取的一个丰度图

可以看出不同的物质

它的丰度结构

是不一样的

丰度比例也是不一样的

那么高光谱图像的解混的评价标准

有光谱角距离

光谱信息散度

平均方根误差

丰度角距离等等

本节课程到此结束

谢谢大家