当前课程知识点:刑侦视频图像处理 > 第9章 刑侦高光谱图像处理 > 9.3高光谱图像处理 > 9.3高光谱图像处理
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
-1.1 绪论(上)
--1.1绪论(上)
-1.2 绪论(下)
-第1章测试
-2.1 光照不良图像增强处理(上)
-2.2 光照不良图像增强处理(下)
-第2章习题
-3.1图像超分辨率重建技术概述
-3.2基于插值的图像超分辨率重建
-3.3基于深度学习的图像超分辨率重建之神经网络
-3.4基于深度学习的图像超分辨率重建
-3.5基础知识介绍
-3.6压缩感知与超分辨率重建
-3.7基于压缩感知字典学习的超分方法
-第3章测试一
-第3章测试二
-4.1引言-什么是HDR图像
-4.2 概述-HDR图像处理的研究内容
-4.3HDR图像获取—多曝光融合
-4.4色调映射基础
-第4章测试题
-5.1图像水印技术概述
-5.2图像单水印技术
-5.3图像双水印技术
-第5章测试题
-6.1图像检索概述
-6.2词袋(BOW)特征描述
-6.3VLAD特征编码
-6.4PCA降维
--6.4PCA降维
-7.1 监控视频编码的作用
-7.2 监控视频编码的标准
-7.3 监控视频编码标准
-第7章测试
-8.1运动目标检测
-8.2运动目标跟踪
-第8章测试题
-9.1高光谱图像基础知识
-9.2高光谱图像的应用
-9.3高光谱图像处理
-第9章测试题
-10.1现勘足迹的基本知识
-10.2现勘足迹提取方法
-10.3结构光测量技术概况
-10.4结构光提取原理
-10.5现勘三维现场重建技术
-10.6基于二维图像的三维现场重建
-10.7基于深度信息的三维现场重建
-10.8应用案例
--10.8应用案例
-第10章测试题
-11.1研究背景与意义
-11.2图像预处理技术
-11.3基于LBP纹理的鞋印检索
-11.4基于SIFT特征的鞋印检索
-第11章测试题
-12.1什么是案件的智能串并?
-12.2实现智能串并案的机遇与挑战
-12.3智能串并案的实现策略与方案
-12.4真实案件智能串并的实现
-第12章测试题
-13.1刑侦模拟画像概述
-13.2 刑侦模拟画像计算机辅助系统
-13.3刑侦模拟画像计算机辅助系统:两维三维画像辅助
-第13章测试题