高光谱图像特征提取方法研究综述

发布时间：2021-11-26 20:40

　　高光谱遥感技术具有能同时反映遥感对象空间特征和光谱特征等独特优势,但这些优势也带来了波段众多且相关性强、数据冗余度高、不利于进一步处理与利用等问题。通过降维可以减少数据中的冗余信息,提高处理效率,而特征提取作为降维的一种重要方法,具有降维速度快等优点。因此,特征提取对高光谱图像的利用有重要意义。首先介绍了高光谱图像降维的基本原理,然后对各种高光谱图像特征提取方法进行了分类并归纳总结各自优缺点,最后指出了高光谱图像特征提取方法研究中存在的问题,并对高光谱图像特征提取技术发展趋势进行了展望。 

【文章来源】：电光与控制. 2020,27(10)北大核心CSCD

【文章页数】：5 页

【部分图文】：

高光谱图像示意图

图1 高光谱图像示意图高光谱图像特征提取,即将原始高光谱数据从高维光谱特征空间按照某一变换方式,投影到一个维数更低的子空间。特征提取过程如图3所示,其中F(X1,…,X5)表示一个线性或者非线性的变换方程。

高光谱图像特征提取,即将原始高光谱数据从高维光谱特征空间按照某一变换方式,投影到一个维数更低的子空间。特征提取过程如图3所示,其中F(X1,…,X5)表示一个线性或者非线性的变换方程。波段选择受搜索算法和准则函数的影响,不可避免地会损失大量信息[6],而特征提取方法可以经过变换直接将高维数据降维到目标维数,降维速度快。

【参考文献】：
期刊论文
[1]中国高光谱遥感的前沿进展[J]. 童庆禧,张兵,张立福.  遥感学报. 2016(05)
[2]利用流形学习进行高光谱遥感影像的降维与特征提取[J]. 杜培军,王小美,谭琨,夏俊士.  武汉大学学报(信息科学版). 2011(02)

博士论文
[1]非线性流形结构在高光谱图像异常检测中的应用研究[D]. 王亮亮.国防科学技术大学 2014
[2]高光谱数据降维算法研究[D]. 高阳.中国矿业大学 2013
[3]面向目标探测的高光谱影像特征提取与分类技术研究[D]. 路威.中国人民解放军信息工程大学 2005

硕士论文
[1]基于稀疏和低秩表示的高光谱图像维数约减[D]. 蔡榕竹.西安电子科技大学 2017
[2]基于卷积神经网的高光谱数据特征提取及分类技术研究[D]. 姜含露.哈尔滨工业大学 2016
[3]高光谱遥感影像降维及分类方法研究[D]. 李静.中南大学 2012



本文编号：3520887