基于Matlab实现高光谱图像的主成分分析

来源 :第三届全国成像光谱对地观测学术研讨会 | 被引量 : 0次 | 上传用户：dragoncool

【摘要】

：

图像处理系统的实时性是衡量图像处理系统性能的一个重要方面。系统的实时性表示系统对于外来事件必须在限定时间内做出反应。高光谱图像是高分辨率、高带宽数据,对该数据进行实时处理时,要求的处理速度一般在NG bit/s左右,传统的串行软件设计难以满足此要求,FPGA所具有的并行处理特点为解决此类问题提供了新的途径。本课题中涉及的实时图像处理,主要是用MATLAB完成图像的主成分分析,对高光谱图像进行降维处

【作者】

：

袁博胡炳棵高佳锐

【机构】

：

中国科学院大学,西安,710119,中国中国科学院大学,西安,710119,中国;中科院西安光学

【出处】

：

第三届全国成像光谱对地观测学术研讨会

【发表日期】

：

2015年12期

【关键词】

：

高光谱图像 MATLAB 主成分分析 FPGA

下载到本地 , 更方便阅读

下载此文赞助VIP

声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架

论文部分内容阅读

其他文献

基于GPU的高光谱图像并行处理

图形处理器(GPU)[1-2]的通用计算是当下并行计算的研究热点.GPU具有强大的并行处理能力，近些年统一计算机设备架构(CUDA)的出现，为实现GPU并行提供了软硬件环境.随着传感器、航天航空技术的发展和高光谱遥感图像分辨率的提高，其海量数据量及庞大数据运算规模使得对处理器的运算能力、存储带宽、内存大小和I/O性能有高水平要求，对图像并行处理的需求也日益增长.当下遥感领域迫切需要验证将高光谱图像

会议

高光谱图像处理并行计算GPU图像去噪

基于压缩感知的高光谱图像重建

近几年广受关注的压缩感知理论是一种在稀疏表示和优化理论基础上提出的信号重构理论。压缩感知的本质是直接将采样与压缩相结合，它利用信号稀疏表示的先验知识，能从少量的观测值(投影值)中恢复原始信号。该理论在编码端只需要通过一个简单的投影过程，就能在解码端通过一个相对复杂的求优化过程来重构原信号，计算负担从编码端转移到了解码端，由于编码端所需运算量极小，无疑给资源受限的高光谱成像平台的数据获取和压缩提供了

会议

波段选择约束的高光谱遥感影像彩色可视化

高光谱遥感中包含了丰富的光谱和空间信息，高光谱遥感空间信息表达主要采用图像空间表达地物的空间信息和形态特征、采用光谱空间表达二维和三维光谱信息、采用特征空间表达样本在不同空间中的分布。而在传统的遥感应用和图像信息表达中，为了满足目视判别的需要，又是还需要对遥感影像进行彩色可视化表达。高光谱遥感影像的彩色可视化表达主要基于色彩三通道RGB显示系统对信息进行描述，从而便于目视判别和解译，这对于地质矿产

会议

高光谱遥感波段选择影像彩色可视化信息表达

高光谱影像修复:从矩阵补全到张量补全

由于数字图像在获取，储存，传输的过程中受到传感器本身和成像环境的影响，会使得某些有用信息丢失，进而不利于图像后续的信息提取与解译。因此，影像补绘技术在图像处理领域具有关键的作用。

会议

影像补绘影像修复高光谱矩阵补全张量补全

基于PCA与ICA的高光谱图像压缩

高光谱遥感器具有纳米级的光谱分辨率，其拍摄的图像是地物在不同电磁波波段上的成像序列，该序列包含几百甚至上千幅的图像。因此，高光谱图像能精细地描述地物的光谱特征，丰富的光谱信息使得光谱维区分鉴别地物成为可能。但随着遥感器分辨率的快速提高，高光谱图像的数据规模以几何级数递增，其波段间的相关性越来越强，信息冗余越来越大，不仅会增加计算负担，还可能增加信道带宽与数据传输需求之间的矛盾。因此，对高光谱图像进

会议

顾及空间特征局部保持子空间多核学习策略

由于高光谱数据较高的光谱特征维数，针对高光谱影像的统计模式分类通常计算量很大，且容易受Hughes现象影响。近年来，随着具备处理小样本大数据能力的子空间学习技术迅速发展，对于非高斯多峰的高光谱影像数据，影像蕴含的局部保持邻域信息是对原始高维空间的有效低维嵌入。由于包含大量的波谱特征，高光谱影像相应的空间结构信息异常丰富，引入拓展多属性剖面模型(EMAPs)构建高光谱影像的空间结构特征，能有效提高样

会议

局部保持子空间学习形态学属性剖面多核学习高光谱影像分类

基于波段分组的WorldView-2遥感图像融合研究

新型WorldView-2/3遥感图像不仅空间分辨率得到了大幅提升而且波段划分更细，各波段的光谱响应也出现了显著的变化。这些新特点代表了下一代超高分辨率遥感图像的发展趋势，同时也对图像融合技术提出了挑战。现有的许多图像融合方法并不适用于此类新型高分辨率遥感图像，若直接套用，则会出现严重的光谱和空间信息失真现象。

会议

遥感图像融合波段多光谱

基于字典学习的高光谱图像光谱维超分辨率重构

高光谱图像能够覆盖几十甚至上百个波段，其中含有丰富的空间和光谱信息，使得高光谱图像被广泛应用于目标检测，地物分类，环境监测等诸多研究领域中[1]。高光谱图像在较窄且连续的波段上成像，有较高的光谱分辨率和较窄的波段间隔，但其空间分辨率一般较低，因此会对高光谱图像的后续处理带来较大影响[2]。目前已经有大量针对于提高高光谱图像空间分辨率的方法，这些方法对光谱维超分辨鲜有涉及。然而在目标检测和分类等诸多

会议

高光谱图像超分辨重构字典学习

基于变形场的高光谱图形超分辨

近年来，随着人们对信息量需求的急剧增加以及高光谱图像在军事监控、农业规划、矿产勘查等的广泛使用，对高光谱图像高空间分辨率和高光谱分辨的需求也变得越来越高，虽然在遥感传感器的设计中，高光谱图像的光谱和空间分辨率有一个较大的改进。然而，在获取图像的过程中，不可能同时获得高空间分辨率和高光谱分辨率的高光谱图像。这是由于，一方面，系统为了权衡数据量和信噪比，另一方面，为了满足不同的特定应用的需求。然而，在

会议

高光谱图像超分辨主成分分析(PCA)变形场变形patches匹配

基于深度卷积神经网络的EnMAP高光谱图像超分辨重构

高光谱图像具有丰富的空间和光谱信息，在地物分类、矿物勘探等领域具有广泛应用。由于成像设备等限制，高分辨率的高光谱图像难以获取，较低的空间分辨率会导致光谱混合，进而影响高光谱图像的辨识能力。因此，高光谱图像的超分辨重构具有较大的理论和应用价值[1]。

会议

高光谱图像超分辨重构深度卷积神经网络EnMAP数据

基于Matlab实现高光谱图像的主成分分析

与本文相关的学术论文