高光譜圖像數(shù)據(jù)怎么降噪與提?。?/h1>

發(fā)布時(shí)間：2024-03-15

瀏覽次數(shù)：396

高光譜圖像是三維數(shù)據(jù)塊，每個(gè)波段都有一個(gè)灰度圖像，因此高光譜圖像可以看作是多個(gè)灰度圖像的疊加。高光譜圖像的處理方法首先就是降低噪音以及減少數(shù)據(jù)的維數(shù)，然后再采用相應(yīng)的分析方法進(jìn)行數(shù)據(jù)的壓縮和提取。本文對(duì)高光譜圖像數(shù)據(jù)的降噪與提取方法做了介紹。

高光譜圖像是三維數(shù)據(jù)塊，每個(gè)波段都有一個(gè)灰度圖像，因此高光譜圖像可以看作是多個(gè)灰度圖像的疊加。高光譜圖像的處理方法首先就是降低噪音以及減少數(shù)據(jù)的維數(shù)，然后再采用相應(yīng)的分析方法進(jìn)行數(shù)據(jù)的壓縮和提取。本文對(duì)高光譜圖像數(shù)據(jù)的降噪與提取方法做了介紹。

高光譜圖像數(shù)據(jù)的降噪方法：

作為高光譜圖像的預(yù)處理方法，最小噪聲分離變換主要用于判定圖像數(shù)據(jù)內(nèi)在的維數(shù)，分離信號(hào)和噪聲，進(jìn)一步去除噪聲，提高信噪比。該算法的實(shí)質(zhì)是兩次層疊的主成分變換。

第一次是正向變換，基于噪聲的協(xié)方差矩陣，對(duì)高光譜圖像進(jìn)行去相關(guān)和重定標(biāo)處理，分離并重新調(diào)節(jié)數(shù)據(jù)中的噪聲，使得噪聲成分具有單一方差，且沒有波段與波段之間的相關(guān)性。經(jīng)過正向變換的運(yùn)行，數(shù)據(jù)空間被分為兩個(gè)部分：一部分與較大的特征值以及相對(duì)應(yīng)的特征圖像相關(guān)聯(lián)，另一部分與較小的特征值以及噪聲占主導(dǎo)的圖像相關(guān)聯(lián)。依據(jù)特征值的大小和對(duì)應(yīng)的圖像，可以判定包含相關(guān)圖像的波段（一般是前幾個(gè)或十幾個(gè)圖像）。

第二次變換是反向變換，對(duì)經(jīng)上述處理后的相關(guān)圖像波譜子集做標(biāo)準(zhǔn)主成分變換，變換為它們的原始數(shù)據(jù)空間。由于以噪聲為主導(dǎo)的圖像在運(yùn)行反向變換之前被排除，原始數(shù)據(jù)空間中的噪聲將會(huì)大大減少。

高光譜圖像數(shù)據(jù)的提取方法：

主成分分析（PCA）是一種非常實(shí)用的降低數(shù)據(jù)維數(shù)、增強(qiáng)有用信息以及隔離噪聲信號(hào)的算法。它采用線性變換將數(shù)據(jù)轉(zhuǎn)換到一個(gè)新的坐標(biāo)系統(tǒng)，得到的新變量是原始變量的線性組合，且彼此之間互不相關(guān)，使數(shù)據(jù)的差異達(dá)到最大，同時(shí)前幾個(gè)新變量要盡可能多地表達(dá)原始變量的數(shù)據(jù)特征。

對(duì)高光譜圖像進(jìn)行主成分分析后，得到的主成分波段圖像是原始波段圖像的線性組合，且每個(gè)主成分圖像之間互不相關(guān)。第一主成分圖像包含最大的數(shù)據(jù)方差百分比；第二主成分圖像其次；主成分圖像的波段越靠后，其包含的方差百分比越小，噪聲信號(hào)越大，圖像質(zhì)量越差；最后幾個(gè)波段的主成分圖像包含的方差百分比很小，顯示為噪聲。

上一頁(yè) : 高光譜成像儀獲取的光譜數(shù)據(jù)怎么提取特征波長(zhǎng)？ 下一頁(yè) : 高光譜圖像數(shù)據(jù)的組成是怎樣的？有什么特點(diǎn)？

本文標(biāo)簽： 高光譜圖像數(shù)據(jù)降噪高光譜圖像數(shù)據(jù)提取