高光谱遥感图像的特征提取方法研究.pdf

近年来，高光谱遥感技术在农业、环境、地质等多个领域得到
了广泛应用。在高光谱遥感图像的应用中，特征提取是必不可少
的一个环节。因此，研究高光谱遥感图像的特征提取方法具有重

要的实际意义。

一、高光谱遥感图像的特点

高光谱遥感图像是由数百个连续的光谱波段组成的，与普通的

遥感图像相比，其具有以下三个特点：

1.信息量大：高光谱遥感图像的光谱波段数量远高于传统遥感

图像，因此包含的信息量更加丰富。

2.相关性强：由于高光谱遥感图像的连续光谱波段，各个波段

之间存在很强的相关性，需要对波段进行融合处理。

3.噪声影响大：高光谱遥感图像的波段数量多、像元数量大，

因此在采集和处理过程中容易受到噪声影响。

高光谱遥感图像的特征提取方法包括两方面：空间特征提取和

光谱特征提取。

1.空间特征提取

空间特征提取是指从高光谱遥感图像中提取的与空间位置有关
的特征，包括纹理、形状、结构等特征。常用的空间特征提取方

法有以下几种：

（1）局部二值模式（LBP）

LBP是一种纹理特征提取方法，主要适用于灰度图像。通过比
较像素点与其周围邻域像素点的数值大小，将其二值化，并将结

果编码为一个二进制数，从而得到特征向量。LBP能够有效地刻

画纹理特征，广泛应用于高光谱图像的分类、识别等方面。

（2）小波变换

同尺度的子带，从而获得图像的多尺度特征。在高光谱遥感图像
中，采用小波变换进行图像滤波和去噪处理，能够显著提高图像
质量和减少数据冗余。

（3）形状特征

形状特征是指从高光谱遥感图像中提取的物体形状和结构信息。
常用的形状特征有面积、周长、长宽比、圆度、伸展度等。形状
特征的提取能够对高光谱图像进行形状分类和目标检测等方面的

应用。

2.光谱特征提取

光谱特征提取是指从高光谱遥感图像中提取的光谱信息，包括
波段反射率、波段比值、特征波段等。常用的光谱特征提取方法

有以下几种：

（1）主成分分析（PCA）

投影到主成分空间中，实现降维和数据压缩的目的。在高光谱遥

感图像中，PCA能够有效地降低数据维度，去除冗余信息，提取

光谱特征。

（2）线性光谱混合模型（LSMM）

LSMM是一种分解高光谱图像的方法，将图像分解为若干个线
性混合模型，其中每个模型描述混合体中各组成分的光谱响应。
这种方法能够提取出不同物质的光谱特征，用于分类、识别等方

面的应用。

（3）小波变换

在高光谱遥感图像中，采用小波变换进行光谱滤波和去噪处理，
能够显著提高图像质量和减少数据冗余。同时，小波变换能够提
取出图像的高频和低频成分，即细节和整体信息，用于物质的光

谱分析和提取。

三、总结
特征提取是高光谱遥感图像处理的重要环节。空间特征提取和光
谱特征提取是两个关键方面，常用的方法有局部二值模式、小波
变换、形状特征、主成分分析、线性光谱混合模型等。不同的特
征提取方法适用于不同领域和任务的应用，需要在具体问题中进

行选择和融合。