《利用扩展的形态属性剖面以及独立分量分析进行高光谱图像的分类精选课件.ppt》由会员分享，可在线阅读，更多相关《利用扩展的形态属性剖面以及独立分量分析进行高光谱图像的分类精选课件.ppt（19页珍藏版）》请在三一办公上搜索。
1、利用扩展的形态属性剖面以及独 立分量分析进行高光谱图像的分类,利用扩展的形态属性剖面以及独 立分量,文献主要内容简介,在这篇文章中，介绍了一种基于独立分量分析（ICA）以及扩展的形态属性剖面（EAPs）的高光谱遥感应图像分类的技术。独立分量分析法将数据映射到一个子空间，在这个子空间中这些分量尽可能地独立。这些通过利用几个特定的属性而提取出来的属性剖面适用于每张图像相关的提取出来的独立分量中，从而产生出了一系列扩展的形态属性剖面。两种方法都提出了包括在分析中的计算模式。这些通过形态学处理而提取出来的特征是利用支持向量机（SVM）来分类的。最后在两张高光谱图像上进行的实验证明了提出的方法的有效性。
2、,文献主要内容简介在这篇文章中，介绍了一种基于独立分量分析（I,简介,对于高分辨率的高光谱图像的分类来说，空间信息的利用是非常重要的，尤其是考虑到市区时，并且最好是在分析时要考虑到几何特征，以至于得到在空间上的精确地图。在这篇文章中，我们通过使用两种分别基于扩展的属性剖面和独立分量分析的技术进行高光谱图像的分类，不仅如此，我们还探讨了将通过扩展的属性剖面计算所提取出来的信息和不同的属性结合起来的两种方法。,简介对于高分辨率的高光谱图像的分类来说，空间信息的利用是非常,本文的结构：第二部分讨论了独立成分分析，而形态属性过滤器和扩展的属性剖面的概念将在第三部分展示，第四部分则阐述了所提出的用于处理
3、复合的扩展的属性剖面的方法，实验的结果将在第五部分说明，最后在第六部分将得出结论。,本文的结构：第二部分讨论了独立成分分析，而形态属性过滤器和,独立分量分析（ICA）,首先我们要明白在ICA中独立的概念，即，每一个分量都不能提供任何关于其他分量的高阶（大于二阶）统计信息。ICA的应用背景：特征减少经常被作为一个在对高光谱数据进行处理之前的预处理步骤，目的是为了避免维数灾难并且减少计算时间，而主成分分析法经常用来做此项工作，但是主成分分析法可能会忽略一些重要的信息，特别是当只有少数几个分量需要保留时。鉴于此，我们提出采用ICA。ICA的概念：独立分量分析法包括寻找到一种能将观测到的数据分解成相互
4、统计独立的分量的线性分解法。假设一个观测模型X=AS，X是所观测到的信号向量，A是一个与混合数量相关的系数矩阵，并且S是信号源向量，则通过独立分量分析法找到一个分离矩阵W，使得Y=WX=WAS,则向量Y就是一个具有统计独立分量的向量。,独立分量分析（ICA）首先我们要明白在ICA中独立的概念，即,其他说明：然而这里有几种评估独立分量分析的方法。在这篇文章中，我们采用的是本征矩阵联合近似对角化这种方法，原因是在面对高光谱遥感数据时，用这种方法进行特征减少时取得了很好的结果。,其他说明：然而这里有几种评估独立分量分析的方法。在这篇文章中,扩展的属性剖面（EAP）,扩展的属性剖面是基于属性剖面的概念
5、上的，而且它是广泛使用的形态剖面的一般化。类比于扩展的形态剖面，扩展的属性剖面是通过级联大量的属性剖面而产生的。每个属性剖面都是根据其中的c个特征中的一个计算的，而这些c个特征是指通过从一幅多元影像（例如高光谱影像）中特征减少变换（例如主成分分析法）而提取出来的。EAP=AP(FR1),AP(FR2),，AP(FRc).(1)属性剖面是形态剖面的一个扩展，通过处理一幅标量的灰度图像f而得到的，根据一个准则T，n个形态属性增厚，n个属性增厚 运算符，通过重建式子（2）来取代传统的形态过滤器。（2）,扩展的属性剖面（EAP）扩展的属性剖面是基于属性剖面的概念上,利用不同的属性计算得到扩展的属性剖面
6、过程的例子将会在下图中得到展示。,左图就是由大学数据集中图像的一部分的首要的两个主分量所计算出来的EAP的例子。每一列分别表示了一个内置不同属性的EAP。属性从左到右分别是面积，边界地区的框中对角线长度，惯性矩和标准偏差。每个EAP都是通过两个AP的级联而组成的，而这两个AP是由主分量1（PC1）和主分量2（PC2）计算出来的。每个AP是由三个水平组成的，分别是：增厚图像，原始的主分量和变薄图像。所有的增厚和变薄变换都是采用下面的属性值计算的，即，面积：5000，边界地区的框中对角线长度：100，惯性矩：0.5，标准偏差：50。,利用不同的属性计算得到扩展的属性剖面过程的例子将会在下图中得,处
7、理复合的扩展属性剖面的方法,选择出最适合的属性和确定用来提取地理空间对象的信息的阈值的范围显然是一项很复杂的工作，特别是当先验信息没有提供时。一个可能的用来克服这一问题的方法就是依赖于计算通过多种多样的属性的得到的扩展的属性剖面。然而这将导致一个能否正确利用的问题，具体到分析中就是能否正确利用通过扩展的属性剖面而提取出来的不同的信息。一个简单的策略是堆积的矢量方法（SVA），这种方法能够通过将这些不同信息并列到一个特征的单个向量里而与扩展的属性剖面结合起来。图a将会展示这个过程。另一种方法就是融合方法（FA），这种方法是基于单个的扩展属性剖面的单独分类以及独立分类所得到的结果的融合上的，其中独
8、立分类器的目的是为了生成最终的决定意义上的地图。详见图b,处理复合的扩展属性剖面的方法选择出最适合的属性和确定用来提取,下图中，（a）表示的是采用堆积的矢量方法（SVA）来处理复合的EAP，（b）表示的是融合方法（FA）,下图中，（a）表示的是采用堆积的矢量方法（SVA）来处理复合,实验分析,这次实验的分析在两张意大利帕维尔市的高光谱图像上进行的。这两张图像是通过反射光学系统的成像光谱仪-03的高光谱传感器得到的。这两张图像的几何分辨率是1.3m。第一张展现的是一个大学校园（610*340像素），而第二张则是市中心（1096*489像素）。在大学校园里确定了九种主题的土地覆盖类，分别是：树木、
9、沥青、沥青、碎石、金属片、阴影、自锁砖、草地和裸土。对于这个数据集，共有3921和42776像素分别作为训练和测试的数据集。在市中心区，确定的主题土地覆盖类分别是：水，树，草甸，自我封锁砖，土，沥青，沥青，瓷砖，和阴影。而训练和测试数据集分别由5536和103539个样本组成。详见下图。,实验分析这次实验的分析在两张意大利帕维尔市的高光谱图像上进行,下图所示的是帕维尔市的ROSIS数据集，图像的真实颜色表示和测试集，（a），（b）表示的是“大学”，（c），（d）表示的是“中心”。,下图所示的是帕维尔市的ROSIS数据集，图像的真实颜色表示和,两幅图像中，考虑到了利用主成分分析法和独立分量分析法
10、所提取的四个分量。首要的四个主成分包含了这两个数据集99%的差异。分量则被重新调整到（0,1000）的范围里，并且被转化为整数以便属性过滤器对之进行处理。四个扩展的属性剖面通过考虑四种被提取出来的不同属性而计算出来。1）a，即地区的面积（a=100 500 1000 5000）；2）d，即边界地区的框中对角线长度（d=10 25 50 100）；3）i，即第一不变矩也就是惯性矩（i=0.2 0.3 0.4 0.5）；4）s，即该地区的像素的灰度级值的标准偏差（s=20 30 40 50）。,两幅图像中，考虑到了利用主成分分析法和独立分量分析法所提取的,所获地图的专题精度是通过计算总体精度（OA
11、）,平均精度（AA）和所提供的Kappa系数（）来评估的，详见表1和表2。利用主成分分析法，独立分量分析法和同步的形态学上的处理过程而得到的分类地图的统计意义是通过McNemar测试来评价的。所有的结果都是具有统计学意义的。很明显，对于大多数情况来说，在分析时涵盖了利用扩展的属性剖面而提取出来的特征将会得到比只考虑到光谱特征更高的精度。独立分量分析法被证明了可以从数据中提取出更多信息分量，从而对得到了比利用主成分分析法更高的精度。详见表1。表2所表示的是“中心”数据集的主题精度，同样对于这组数据来说，很明显涵盖空间信息是很重要的，如此，在考虑原始的高光谱数据或者是通过减维技术得到的分量时，我们
12、能够获得更高的精度。详见表2。,所获地图的专题精度是通过计算总体精度（OA）,平均精度（AA,帕维尔大学ROSIS数据集。下表列出了各种方法的各项精度表1,帕维尔大学ROSIS数据集。下表列出了各种方法的各项精度表,市中心ROSIS数据集。下表列出了各种方法的各项精度。表2,市中心ROSIS数据集。下表列出了各种方法的各项精度。表2,“大学”数据集得到的分类地图,帕维尔大学ROSIS数据集，（a）：通过内置面积属性的主成分分析法得到的分类地图，（b）：通过融合法的主成分分析法得到的分类地图，（c）：通过堆积的矢量方法的独立分量分析得到的分类地图，（d）：通过融合法的独立分量分析法得到的分类地图
13、。,“大学”数据集得到的分类地图帕维尔大学ROSIS数据集，（a,结论,在这篇文章中，我们已经展示了一种基于ICA和APs的高光谱影像的分类的技术和方法。更具体地来讲，从高光谱图像中，一些独立的分量被提取出来，不同的属性剖面都分别被计算出来，从而得到扩展的属性剖面（EAPs）。通过形态处理过程而得到的特征则由SVM分类器来进行分类。我们接着提出了两种方法来处理由不同的扩展的属性剖面提取出来的特征，其中一种是基于扩展的属性剖面的级联，另一种是基于由单个EAP得到的分类结果的融合。我们对实验的分析是在两张著名的意大利城市帕维尔的高光谱图像上进行的。实验的结果表明：对视场中所提供的不同信息源进行模拟
14、时，利用ICA进行对高光谱数据集的处理比PCA更合适，效果更好。此外，从实验及其结果中，我们可以很明显地看到对于分类来说，利用扩展的属性剖面所提取出来的空间特征是多么的重要！在分类的精度方面来说，不同EAP的级联得到了良好的结果。这种方法只有在PCA的体系下是不适用的，即当由各种内置不同属性的EAP得到的结果有显著的差异（整体精度的差异范围大于20%）时。然而这种影响在ICA体系下是不会出现的，因为在ICA体系下得到的精度结果都是比较一致的，并且是具有统计意义的（根据McNemar测试）。基于融合的方法也取得了良好的结果，它的结果只比由单个的EAP得到的最好结果稍微更差一点而已，但比剩下的都要更好。,结论在这篇文章中，我们已经展示了一种基于ICA和APs的高光,结束！,谢谢大家！,结束！谢谢大家！,
