正文

高光譜圖像特征提?。ǜ吖庾V圖像特征提取MATLAB）

發(fā)布時(shí)間：2023-04-13 21:11:06 稿源：創(chuàng)意嶺閱讀： 64

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于高光譜圖像特征提取的問題，以下是小編對(duì)此問題的歸納整理，讓我們一起來看看吧。

開始之前先推薦一個(gè)非常厲害的Ai人工智能工具，一鍵生成原創(chuàng)文章、方案、文案、工作計(jì)劃、工作報(bào)告、論文、代碼、作文、做題和對(duì)話答疑等等

只需要輸入關(guān)鍵詞，就能返回你想要的內(nèi)容，越精準(zhǔn)，寫出的就越詳細(xì)，有微信小程序端、在線網(wǎng)頁版、PC客戶端

官網(wǎng)：https://ai.de1919.com。

創(chuàng)意嶺作為行業(yè)內(nèi)優(yōu)秀的企業(yè)，服務(wù)客戶遍布全球各地，如需了解SEO相關(guān)業(yè)務(wù)請(qǐng)撥打電話175-8598-2043，或添加微信：1454722008

本文目錄:

1、如何深度學(xué)習(xí)抽取圖片特征，并利用這些特征和已知數(shù)值建立模型進(jìn)行預(yù)測(cè)？
2、遙感光譜數(shù)據(jù)的獲取
3、基于小波包變換的高光譜影像目標(biāo)識(shí)別算法與實(shí)現(xiàn)
4、應(yīng)用于高光譜影像精細(xì)分類的關(guān)鍵點(diǎn)

高光譜圖像特征提取（高光譜圖像特征提取MATLAB）

一、如何深度學(xué)習(xí)抽取圖片特征，并利用這些特征和已知數(shù)值建立模型進(jìn)行預(yù)測(cè)？

你這應(yīng)該不是數(shù)字圖像處理，應(yīng)該是一種包含其它信息的特殊圖片，我的方向是高光譜，如果是結(jié)合高光譜圖像技術(shù)的話，要結(jié)合一定的化學(xué)計(jì)量學(xué)方法，具體是哪個(gè)化學(xué)分式影響水果糖度不同，主要應(yīng)用的工程軟件，MATLAB比較通用一點(diǎn)，也好溝通，特征提取后，建立一個(gè)數(shù)學(xué)的預(yù)測(cè)模型，把你的圖片加載到MATLAB的算法內(nèi)，一步步跑出來，這就是你的程序側(cè)。

主要還是依靠算法實(shí)現(xiàn)，如果你要用深度學(xué)習(xí)去實(shí)現(xiàn)預(yù)測(cè)水果糖度，還是要了解一下食品檢測(cè)的最新算法，目前我了解的，還是CNN開拓性比較大一些。算法要看你的側(cè)重了，側(cè)重在降維、特征提取還是回歸模型的建立，還是全部的新算法。

二、遙感光譜數(shù)據(jù)的獲取

遙感技術(shù)從航空攝影測(cè)量逐步演變發(fā)展起來，大致經(jīng)歷了3個(gè)發(fā)展階段：

1.航空攝影測(cè)量發(fā)展階段

目前仍保存著的最早一幀航空相片是1860年J.W.布萊克從氣球上拍攝的波士頓市的相片。在地質(zhì)上的應(yīng)用則始于1913年，有人在飛機(jī)上用攝影機(jī)對(duì)著非洲利比亞的本格遜油田攝影成像，并用這套骯空相片編制了本格遜油田地質(zhì)圖。航空攝影遙感主要以飛機(jī)或者氣球?yàn)檫\(yùn)載工具，用航空攝影機(jī)對(duì)目標(biāo)獲取信息，然后再經(jīng)過負(fù)片和正片過程得到最終的航空相片。航空攝影利用的是電磁波可見光全色波段，用感光膠片接受所攝目標(biāo)物反射來的太陽光線感光、成像，一般感光片的感光范圍是0.3～0.9μm。航空攝影大多數(shù)情況下是垂直攝影，即航空攝影機(jī)主軸保持沿鉛垂方向進(jìn)行拍照；在特殊情況下，利用專門相機(jī)進(jìn)行斜傾攝影。航空攝影按所利用的電磁波波段、相應(yīng)的感光片及所成圖像的特點(diǎn)，分成4種，即：航空可見光全色黑白圖像；航空可見光真彩色圖像：航空紅外假彩色圖像：航空紅外黑白圖像。其中，航空可見光全色黑白圖像和航空紅外假彩色圖像最為常用，它們主要利用地物波譜的寬波段反射強(qiáng)度特性。

2.多光譜衛(wèi)星遙感階段

數(shù)字衛(wèi)星成像首先是從氣象衛(wèi)星開始的，在1960年TIROS-1氣象衛(wèi)星提供了非常粗糙的衛(wèi)星圖像，主要用來展示云的樣式。隨后，在1970年代，美國國家海洋和大氣管理局（NOAA）發(fā)射了甚高分辨率輻射傳感器（AVHRR）進(jìn)行氣象預(yù)報(bào)，它的地面分辨率是1.1km，我們?cè)陔娨暁庀箢A(yù)報(bào)節(jié)目中看到它所獲得的云圖。同時(shí)，從1970年代開始，相繼發(fā)射了一些搭載更高分辨率傳感器的衛(wèi)星。如：1972年7月23日，美國國家航空和宇宙航行局（NASA）發(fā)射了第一顆專門用來進(jìn)行地球表面監(jiān)測(cè)和填圖的地球資源技術(shù)衛(wèi)星（ERTS-U），1975年被更名為陸地衛(wèi)星（Landsat）。在Landsatl-3上都裝有多光譜掃描儀（MSS），該掃描儀有4個(gè)波段，即綠、紅和兩個(gè)紅外波段，地面分辨率約為80m。1982年，Landsat4搭載了專題制圖儀（TM），它有7個(gè)波段，比MSS覆蓋波譜范圍更寬，波段寬度劃分得更細(xì)些，更能反映地物反射光譜特性的變化規(guī)律，其地面分辨率除第6波段為120m外，均為30m。多光譜遙感的最典型特征是能夠利用多個(gè)波段同時(shí)獲取同一目標(biāo)的多個(gè)波譜特征。這樣就大大提高了遙感識(shí)別地物的能力。隨后各國紛紛效仿，傳感器的光譜范圍從可見光、紅外直至微波波段，應(yīng)用范圍也不斷擴(kuò)大。

3.成像光譜遙感技術(shù)發(fā)展階段

成像光譜遙感技術(shù)是多光譜技術(shù)發(fā)展的一次跨越。Hunt的研究結(jié)果表明特征礦物的吸收寬度大約在20～40nm，而多光譜遙感數(shù)據(jù)（例如，MSS和TM）的光譜分辨率僅為100nm左右，因此遙感科學(xué)家們開始研究高光譜分辨率和空間分辨率的遙感傳感器。1981年，一臺(tái)航天飛機(jī)多光譜紅外輻射計(jì)（SMIRR）隨著美國航天飛機(jī)“哥倫比亞”號(hào)對(duì)地球表面進(jìn)行了一次有限航帶的觀測(cè)，第一次實(shí)現(xiàn)了從空間通過高光譜分辨率遙感直鑒別碳酸鹽巖以及粘土高嶺土礦物，由此拉開了成像光譜遙感巖性識(shí)別的新篇章。繼JPL的AIS-1和AIS-2以及AVIRIS航空成像光譜儀研制成功之后，加拿大也先后研制成功了FIL/PML，CAS1及SFSI等幾種成像光譜儀（童慶禧等，1993）。其他的還有：HIRIS（high resolution imaging spectrometer）成像光譜儀，在0.4～2.5μm范圍內(nèi)有192 個(gè)光譜波段，地面分辨率30m，在0.4～1.0μm波長(zhǎng)范圍光譜分辨率為9.4nm，1.0～2.5μm范圍內(nèi)為11.7nm（Goetz＆ Herring 1989；Kerekes ＆ Landgrebe，1991）。美國地球物理環(huán)境研究公司（Geophysical and Environ-mental Research Corporation）的63通道成像光譜儀（GER）是專門為地質(zhì)遙感研究設(shè)計(jì)的，被多次用于巖性填圖（鄭蘭芬等，1992；Bamaby W rockwell，1997）。除航空成像光譜儀外，美國和歐洲空間局（ESA）已制定了發(fā)展航天成像光譜儀的計(jì)劃，其中美國的中分辨率成像光譜儀（MODIS）已經(jīng)加入地球觀測(cè)系統(tǒng)（EOS）發(fā)射入軌，對(duì)地球?qū)崿F(xiàn)周期性的高光譜分辨率遙感觀測(cè)。歐空局的中分辨率成像光譜儀（MERIS）也將于同時(shí)發(fā)射（童慶禧等，1993）。

從1990～1995年，Roger N.Clark等人先后利用AVIRIS數(shù)據(jù)在美國內(nèi)華達(dá)州，卡普來特試驗(yàn)場(chǎng)進(jìn)行了礦物和巖性的識(shí)別和填圖，他們發(fā)現(xiàn)成像光譜儀不僅能區(qū)分地表發(fā)射光譜中總體亮度和坡度差異（多光譜技術(shù)MSS，TM和SPOT區(qū)分地物的基礎(chǔ)），而且能得出用于識(shí)別特殊地物的光譜吸收波段，成像光譜數(shù)據(jù)的光譜分析可以對(duì)任何在測(cè)量光譜范圍內(nèi)有獨(dú)特吸收特征的物質(zhì)（礦物、植被、人T物體、水體、雪等）進(jìn)行識(shí)別和填圖（Clark，R.N.et al.，1996）。

中國科學(xué)院上海技術(shù)物理研究所是我國成像光譜儀的主要研制機(jī)構(gòu)。1983年研制成功了第一臺(tái)工作于短波紅外光譜區(qū)（2.05～2.5μm）的6通道紅外細(xì)分光譜掃描儀，其光譜分辨率在30～50nm之間。1987年，在國家和中國科學(xué)院黃金找礦任務(wù)的驅(qū)動(dòng)下，該儀器發(fā)展到12個(gè)通道，其波段位置更趨于與地面粘土礦物、碳酸鹽巖礦物的吸收波段相一致，因而在地質(zhì)巖性識(shí)別方面具有更大的能力（童慶禧等，1993）。另外還有熱紅外多光譜掃描儀（TIMS），19 波段多光譜掃描儀（AMSS）以及71波段多光譜機(jī)載成像光譜儀（MATS）等。這些光譜儀的數(shù)據(jù)主要用于油氣資源遙感（朱振海，1993）和礦物制圖（王晉年等，1996）等方面，數(shù)據(jù)的處理技術(shù)和礦物識(shí)別的理論研究都取得了不同程度的進(jìn)展（李天宏，1997）。

綜觀遙感光譜數(shù)據(jù)的獲取，具有幾個(gè)新的發(fā)展：

①擴(kuò)展了應(yīng)用光譜范圍，增加了光譜波段；②提高了光譜和空間分辨率；③具有獲得立體像對(duì)的功能，打破了只有航空相片才能有立體像對(duì)的能力（如SPOT圖像）；④改進(jìn)了探測(cè)器性能或探測(cè)器器件，即線、面陣CCD器件；⑤提高了圖像數(shù)據(jù)精度；⑥應(yīng)用領(lǐng)域縱向發(fā)展，如用TM圖像數(shù)據(jù)直接可以識(shí)別赤鐵礦、針鐵礦等礦物。

在20世紀(jì)末和21世紀(jì)初，空間高光譜成像衛(wèi)星已成為遙感對(duì)地觀測(cè)中的一項(xiàng)重要前沿技術(shù)，在研究地球資源、監(jiān)測(cè)地球環(huán)境中發(fā)揮越來越重要的作用。

高光譜分辨率遙感技術(shù)的發(fā)展是20世紀(jì)末的最后兩個(gè)10年中人類在對(duì)地觀測(cè)方面所取得的重大技術(shù)突破之一，是當(dāng)前乃至21世紀(jì)初的遙感前沿技術(shù)、通過高光譜成像所獲取的地球表面的圖像包含了豐富的空間、輻射和光譜三重信息。進(jìn)入20世紀(jì)90年代后期，伴隨著高光譜遙感應(yīng)用的一系列基本問題，如高光譜成像信息的定標(biāo)和定量化、成像光譜圖像信息可視化及多維表達(dá)、圖像-光譜變換、大數(shù)據(jù)量信息處理等的解決、高光譜遙感已由實(shí)驗(yàn)研究階段逐步轉(zhuǎn)向?qū)嶋H應(yīng)用階段，而作為高光譜遙感應(yīng)用這一熱點(diǎn)中的重點(diǎn)就是高光譜數(shù)據(jù)信息挖掘技術(shù)的提高和與之緊密相連的應(yīng)用領(lǐng)域的擴(kuò)展。

高光譜遙感數(shù)據(jù)最主要的特點(diǎn)是：將傳統(tǒng)的圖像維與光譜維信息融合為一體，在獲取地表空間圖像的同時(shí)，得到每個(gè)地物的連續(xù)光譜信息，從而實(shí)現(xiàn)依據(jù)地物光譜特征的地物成分信息反演與地物識(shí)別。它由以下3部分組成：

（1）空間圖像維

在空間圖像維，高光譜數(shù)據(jù)與一般的圖像相似。一般的遙感圖像模式識(shí)別算法是適用的信息挖掘技術(shù)。

（2）光譜維

從高光譜圖像的每一個(gè)象元可以獲得一個(gè)“連續(xù)”的光譜曲線，基于光譜數(shù)據(jù)庫的“光譜匹配”技術(shù)可以實(shí)現(xiàn)識(shí)別地物的目的。同時(shí)大多數(shù)地物具有典型的光譜波形特征，尤其是光譜吸收特征與地物化學(xué)成分密切相關(guān)，對(duì)光譜吸收特征參數(shù)（吸收波長(zhǎng)位置、吸收深度、吸收寬度）的提取將成為高光譜信息挖掘的主要方面。

（3）特征空間維

高光譜圖像提供一個(gè)超維特征空間，對(duì)高光譜信息挖掘需要深切了解地物在高光譜數(shù)據(jù)形成的二維特征空間中分布的特點(diǎn)與行為，研究發(fā)現(xiàn)：高光譜的高維空間是相當(dāng)空的，數(shù)據(jù)分布不均勻，且趨向于集中在超維立方體空間的角端，典型數(shù)據(jù)的差異性，可以映射到一系列低維的子空間，因此迫切需要發(fā)展有效的特征提取算法去發(fā)現(xiàn)保持重要差異性的低維子空間，從而有效地實(shí)現(xiàn)信息挖掘。

三、基于小波包變換的高光譜影像目標(biāo)識(shí)別算法與實(shí)現(xiàn)

5.2.1.1 小波基獲取算法的基本思想

小波包變換優(yōu)于小波變換的地方是其良好的時(shí)頻局部化能力，所以可運(yùn)用小波包變換來處理高光譜數(shù)據(jù)。基于小波包變換的高光譜影像目標(biāo)識(shí)別算法的基本思想為：選取適當(dāng)?shù)男〔ò负瘮?shù)，對(duì)像元光譜進(jìn)行小波包變換，獲得樹形結(jié)構(gòu)的小波包系數(shù)；選擇信息代價(jià)函數(shù)，并利用最佳基搜索算法選取最佳基，得到最佳基在樹形結(jié)構(gòu)中的位置（序號(hào)）；選取低頻部分的幾個(gè)最佳基的序號(hào)組成特征向量，作為分類參量。這里要注意幾個(gè)基本問題：

（1）基本小波函數(shù)的選取

基本小波函數(shù)的選取直接影響小波包分解系數(shù)，進(jìn)而會(huì)影響最佳基的選取及最后分類特征參量的提取。故而，基本小波的選取直接影響分類的效果。比較常用的小波基函數(shù)主要有Daubechies正交小波系、Meyer小波、Morlet小波、Mexihat小波等。一般小波變換應(yīng)用中，小波基的選擇主要考慮以下幾方面：(1)小波基如果具有正交性，則分解后的各尺度間和尺度內(nèi)的系數(shù)具有較小的相關(guān)性。(2)小波基的支撐越小，其局部化能力越強(qiáng)，在信號(hào)的突變檢測(cè)中，緊支撐小波基是首要選擇。(3)信號(hào)（圖像）經(jīng)小波抽樣分解后重構(gòu)的信號(hào)是一個(gè)小波級(jí)數(shù)，它是一個(gè)線性濾波的結(jié)果，可證明，如果小波基函數(shù)系數(shù)具有線性相位，就能實(shí)現(xiàn)信號(hào)（圖像）的完全重建（無失真），對(duì)稱或反對(duì)稱的尺度函數(shù)和小波函數(shù)可以構(gòu)造緊支撐的具有線性相位的小波基。(4)在信號(hào)奇異點(diǎn)的檢測(cè)中，小波基的消失矩必須具有足夠的階數(shù)，從計(jì)算量的角度考慮，消失矩的階數(shù)與緊支撐區(qū)間相關(guān)，過高的階數(shù)將增加計(jì)算量。另外，如果進(jìn)行信號(hào)檢測(cè)，則應(yīng)盡量選擇與信號(hào)波形相近似的小波。

對(duì)高光譜影像進(jìn)行目標(biāo)識(shí)別的小波包分析時(shí)，分析對(duì)象是單個(gè)像元或參考目標(biāo)的光譜向量，所選小波基需具有正交性，即應(yīng)選擇正交小波基。為減少計(jì)算量，選擇了消失矩為1而又唯一，同時(shí)具有對(duì)稱性和緊支撐的正交小波基函數(shù)－Haar小波（即db1小波，屬于Daubechies正交小波系）。對(duì)于植被，也可選擇與提取的目標(biāo)光譜曲線相近似的D4小波。

Haar小波尺度函數(shù)：

高光譜遙感影像信息提取技術(shù)

｛φ（t－k）｝_k∈z構(gòu)成V₀的標(biāo)準(zhǔn)正交基。兩尺度方程為

高光譜遙感影像信息提取技術(shù)

小波方程為

高光譜遙感影像信息提取技術(shù)

Haar小波系的特點(diǎn)是具有緊支撐性，但不連續(xù)。在實(shí)際應(yīng)用中不能很好地表示和分析連續(xù)函數(shù)。具有緊支撐和對(duì)稱性的小波僅有Haar小波。

（2）邊界處理

小波分解與重構(gòu)的卷積算法在實(shí)際中有廣泛應(yīng)用。在對(duì)離散信號(hào)和圖像處理的實(shí)際應(yīng)用中，由于采集數(shù)據(jù)是有限的，為實(shí)現(xiàn)原始輸入序列的完全重構(gòu)，在作卷積運(yùn)算時(shí)需要將輸入序列作適當(dāng)處理（即邊界延拓），以保證卷積操作的正常進(jìn)行。常用的邊界延拓方法有：零延拓、周期延拓、周期對(duì)稱延拓、光滑函數(shù)延拓、平滑延拓。

本章以地物識(shí)別和分類為主要目標(biāo)，對(duì)像元光譜向量或參考目標(biāo)光譜向量進(jìn)行小波包變換和分析，故而可以不采用上述常用邊界處理方法。但由于小波包變換是二進(jìn)小波變換，需要輸入序列的長(zhǎng)度是2的整數(shù)次冪?？梢圆扇⑾裨庾V向量或參考目標(biāo)光譜向量尾端補(bǔ)零的方法，使得像元光譜向量或參考目標(biāo)光譜向量的長(zhǎng)度為2的整數(shù)次冪。研究實(shí)例采用高光譜影像數(shù)據(jù)的波段數(shù)為224，將光譜向量尾端補(bǔ)零，使得輸入向量的長(zhǎng)度變?yōu)?56（2⁸）。另外也對(duì)其他周期延拓的方式進(jìn)行了實(shí)驗(yàn)，得出補(bǔ)零方法的識(shí)別精度更好一些。

（3）分類特征參量的提取

小波包能量法是一種常用的小波特征提取方法。首先對(duì)信號(hào)進(jìn)行小波包分解（一般3～4層），若對(duì)信號(hào)進(jìn)行的是3層小波包分解，系數(shù)重構(gòu)后得到各頻帶范圍的信號(hào)S_3j（j＝0，1，…，7），對(duì)應(yīng)的能量為E^3j（j＝0，1，…，7），顯然，E^3j（j＝0，1，…，

7）對(duì)應(yīng)小波包分解最底層各小波包基節(jié)點(diǎn)，有

高光譜遙感影像信息提取技術(shù)

式中：x_jk（j＝0，1，…，7；k＝0，1，…，n）表示S_3j各離散點(diǎn)的幅值；n為重構(gòu)系數(shù)的個(gè)數(shù)。由上式組成了8個(gè)子空間的特征向量，以此為特征參量。

（4）分解層數(shù)的確定

顯然，以上述能量特征向量作為分類和目標(biāo)識(shí)別的應(yīng)用，都忽略了小波包變換的另一個(gè)優(yōu)于小波變換的特點(diǎn)：對(duì)應(yīng)于最佳小波包基的最優(yōu)分解。對(duì)于同一小波包變換，不同類別的目標(biāo)對(duì)應(yīng)不同的最佳小波包基（通過從光譜庫選擇幾種不同地物的光譜數(shù)據(jù)進(jìn)行分析可發(fā)現(xiàn)），使得根據(jù)最佳小波包基在小波包二叉樹中的位置來識(shí)別不同目標(biāo)成為可能；但由于各種因素的影響，即便兩個(gè)像元是同一目標(biāo)，它們的最佳小波包基與參考目標(biāo)的最佳小波包基在小波包二叉樹中的位置也可能略有不同，而它們的最佳小波包基相互之間也不一定相同，所以對(duì)于某一目標(biāo)，可以選擇其最佳小波包基的前m個(gè)即前m個(gè)低頻最佳基，記錄它們的序號(hào)即它們?cè)谛〔ò鏄渲械奈恢?，作為分類和識(shí)別的依據(jù)。因?yàn)檫@種方法較少考慮高頻部分，而高頻部分主要包括了一些細(xì)節(jié)信息和噪聲信息，故而這種方法還在一定程度上解決了同一目標(biāo)像元分解存在細(xì)微差異的問題，并降低了噪聲信息對(duì)目標(biāo)識(shí)別的影響。m的取值可以通過對(duì)目標(biāo)的取樣分析確定。

基于上述提取特征參量的思想，為使選得的前m個(gè)最佳基表征具有更豐富的信息，可進(jìn)行小波包完全分解（分解到第8層）。

（5）信息代價(jià)函數(shù)的選擇

通常的應(yīng)用中都是通過實(shí)驗(yàn)比較選擇最合適的信息代價(jià)函數(shù)，用得較多的是信息熵（Shannon熵）。這里，選用信息熵（Shannon熵）、范數(shù)集中度、對(duì)數(shù)熵進(jìn)行比較分析。

5.2.1.2 算法的實(shí)現(xiàn)

（1）數(shù)據(jù)結(jié)構(gòu)設(shè)計(jì)

小波包分解可以用小波包二叉樹來表示。小波包二叉樹中的每個(gè)節(jié)點(diǎn)表征小波包子空間的一個(gè)小波包基及分解系數(shù)序列。圖5.1為進(jìn)行3層小波包分解時(shí)，各小波包子空間對(duì)應(yīng)的小波基在二叉樹中對(duì)應(yīng)的序號(hào)。其他層數(shù)分解的情況類推。故而將其設(shè)計(jì)為樹結(jié)構(gòu)能更好地表現(xiàn)各子空間的關(guān)系；同時(shí)，也有利于最佳基的沿樹形搜索。小波包分解是遞歸實(shí)現(xiàn)的。

圖5.1 小波包3層分解樹結(jié)構(gòu)

（2）最佳基搜索算法過程

第一步：用 “*”標(biāo)記最底層節(jié)點(diǎn)。

第二步：將父節(jié)點(diǎn)的信息代價(jià)函數(shù)值與它的兩個(gè)子節(jié)點(diǎn)的信息代價(jià)函數(shù)值之和進(jìn)行比較。如果父節(jié)點(diǎn)的信息代價(jià)函數(shù)值小于它的兩個(gè)子節(jié)點(diǎn)的信息代價(jià)函數(shù)值之和，則用“*” 標(biāo)記父節(jié)點(diǎn)；否則，不用標(biāo)記父節(jié)點(diǎn)，而用兩個(gè)子節(jié)點(diǎn)的信息代價(jià)函數(shù)值之和代替父節(jié)點(diǎn)的信息代價(jià)函數(shù)值，同時(shí)將父節(jié)點(diǎn)原來的信息代價(jià)函數(shù)值用括號(hào)括起來。

第三步：只考慮括號(hào)外的值，從上到下選取與樹根最近的標(biāo)記“*” 的節(jié)點(diǎn)（以這些節(jié)點(diǎn)為根的子樹的節(jié)點(diǎn)將不再考慮），這些被選出的標(biāo)有 “*” 的節(jié)點(diǎn)構(gòu)成空間的不重疊的覆蓋，它們正是最佳基對(duì)應(yīng)的節(jié)點(diǎn)，這些節(jié)點(diǎn)對(duì)應(yīng)的小波包基就是所求的最佳基（孫延奎，2005）。

這里，搜索最佳基的算法主要由兩步組成：標(biāo)志構(gòu)成最佳基的節(jié)點(diǎn)（令其flag為1）；獲得最佳基節(jié)點(diǎn)的序號(hào)。前者用遞歸的方法計(jì)算信息代價(jià)函數(shù)值，并標(biāo)志最佳基；后者獲得最佳基節(jié)點(diǎn)序號(hào)。

四、應(yīng)用于高光譜影像精細(xì)分類的關(guān)鍵點(diǎn)

7.1.2.1 輸入因子的設(shè)計(jì)

本節(jié)利用諧波分析技術(shù)提取高光譜影像的能量譜特征成分，并以此作為輸入?yún)?shù)，以探索該技術(shù)在高光譜影像精細(xì)分類中的應(yīng)用。本節(jié)實(shí)驗(yàn)分析部分設(shè)計(jì)的因子為3次諧波分析產(chǎn)生的諧波余項(xiàng)、1～3次諧波振幅、1～3次諧波相位。

7.1.2.2 樣本C/σ₂參數(shù)選取

SVM用于分類問題，懲罰參數(shù)和核函數(shù)參數(shù)的選取對(duì)分類問題有著重要的影響。研究分類樣本C/σ₂的最優(yōu)解意義重大。群體智能算法中的PSO算法經(jīng)常被應(yīng)用于解決局部最優(yōu)問題，研究PSO如何根據(jù)樣本選取C/σ₂是本章節(jié)的一個(gè)難點(diǎn)。

以上就是關(guān)于高光譜圖像特征提取相關(guān)問題的回答。希望能幫到你，如有更多相關(guān)問題，您也可以聯(lián)系我們的客服進(jìn)行咨詢，客服也會(huì)為您講解更多精彩的知識(shí)和內(nèi)容。