提取特徵參數方法研究

A. labview設計語音識別系統如何提取特徵參數

3.2
ECG特徵點的提取方法
因為Peak
Detection
VI的輸出中已包含有相應點的幅值、二階導數及位置索引信息，在確定R峰點後，可進一步根據ECG的特點確定出其它各特徵點。完整的ECG特徵點判別方法及步驟為:
(1)幅值最大或二階導數最小(或兩者同時滿足)的波峰點判定為R峰點;
(2)R峰點之前的第一個小於零的波谷點(Valley)為Q點;
(3)R峰點之後第一個小於零的波谷點(Valley)為S點;
(4)Q點之前合理時限內的最大波峰點為P點;
(5)S點之後合理時限內的最大波峰點為T點。
(U波幅度較小且目前對其認識還不清楚，本文不作討論。)4、基於虛擬儀器LabVIEW8.2的編程實現
按圖2流程編制LabVIEW8.2程序，考慮到實際ECG波形中存在干擾，閾值(Threshold)不宜取零。程序中採用本周期段數據中最小波谷點的0.02倍作為Valley點閾值，最大波峰點的0.03倍作為Peak點的閾值，這樣可將基線附近的絕大多數高頻干擾點避開，這些干擾點將不會出現在輸出序列中

B. 語音識別特徵參數提取

你意思是已經有原始特徵集了還是要收集原始特徵集？ 如果是前者就是KL變換用的多

C. Matlab怎樣提取波形的特徵參數

你好，你是需要提取振動模態參數嗎？對於模態參數來說，提取的方法各種各樣：隨機子空間演算法、特徵系統實現法、最小二乘負指數法等、ITD法等。具體的問題你可以看一下曹樹謙主編的《振動模態結構分析-理論、實驗與應用》，這本書講解比較全面。

D. 如何從特徵參數中提取信號特徵頻率

采樣頻率越高，時域波形的細節變化越明顯，分析頻率的上限越高，反之亦然。

E. 怎樣採用像素特徵提取的方法，對圖像進行逐行逐列掃描，遇到黑點時提取特徵值1，遇到白色像素點提取特徵值0

for(row=0;row<width;row++)
for(col=0;col<height;col++)
result(row,col)=(data(row,col)==0L)?1:0;

F. 如何提取特徵三類:韻律特徵,音質特徵,mfcc參數

特徵提取
一、 low-level，主要是MFCC，以及基於MFCC並對其優化的一些方法。 1、 MFCC
2、 抗雜訊較優的方法：
WMVDR：warped minimum variance distortionless response
Multitaper MFCC:思想是用multiple windows(tapers)來代替漢明窗。
MHEC：mean Hilbert envelope coefficients.此方法對抗汽車雜訊很有用。 3、 對抗回聲較優的方法（reverberant robustness）：
FDLP: frequency domain linear prediction
4、 融合MFCC的方法（fusion with MFCC）：
SCF/SCM: spectral centroid frequency/magnitude
該方法的提出，是考慮到MFCC子帶中無法體現能量分布，而FM（frequency molation）計算量太大。
FFV: fundamental frequency variation,該方法同時考慮到了MFCC和韻律（prosodic）
信息.
HSCC: Harmonic structure cepstral coefficient,該方法體現了能量分布，實現用到了
LDA。
二、 high-level，主要是基於phone ,syllable ,word 一級。 1、 韻律特徵（prosodic features）
目前研究的有 pitch distribution和non-uniform extraction region features(NERFs) 2、 音素特徵(phonetic features)
建模可以用N-gram，也可以用SVM建模。 3、 語法特徵（lexical features）
詞一級的N-gram，建模的方法有LLR（log likelihood ration）和SVM.SVM的效果應該更好一些。 4、 cepstral-derived features
實現用最大似然線性回歸MLLR（maximum likelihood linear regression）
一些特徵： MFCC
PLP 感知線性預測 LPC 線性預測系數 過零率 LSP 短時能量 子帶流量比 亮度 基頻
頻譜峰值點 SDC CEP 線譜對 頻譜能量

Delt(MFCC)

G. 用HOG對圖像進行特徵提取，對於參數Params = [9 180 10 0 0]; 這幾個數都代表什麼意思啊

C#開發語言中 params 是關鍵字，可以指定在參數數目可變處採用參數的方法參數。在函數的參數數目可變而執行的代碼差異很小的時候很有用！
params關鍵字表示函數的參數是可變個數的,即可變的方法參數,例如Console.WriteLine( "{0},{1} "，i,j); 就像DELPHI 里 WRITELN 函數一樣,用於表示類型相同，但參數數量不確定.
在方法聲明中的 params 關鍵字之後不允許任何其他參數，並且在方法聲明中只允許一個 params 關鍵字。
關於參數數組，需掌握以下幾點。
（1）若形參表中含一個參數數組，則該參數數組必須位於形參列表的最後；
（2）參數數組必須是一維數組；
（3）不允許將params修飾符與ref和out修飾符組合起來使用；
（4）與參數數組對應的實參可以是同一類型的數組名，也可以是任意多個與該數組的元素屬於同一類型的變數；
（5）若實參是數組則按引用傳遞，若實參是變數或表達式則按值傳遞。
（6）用法：可變的方法參數，也稱數組型參數，適合於方法的參數個數不知的情況，用於傳遞大量的數組集合參數；當使用數組參數時，可通過使用params關鍵字在形參表中指定多種方法參數，並在方法的參數表中指定一個數組，形式為：方法修飾符返回類型方法名（params類型[]變數名）
{
方法體
}
希望對你有用

H. 圖像的特徵提取都有哪些演算法

常用的圖像特徵有顏色特徵、紋理特徵、形狀特徵、空間關系特徵。

一 顏色特徵

（一）特點：顏色特徵是一種全局特徵,描述了圖像或圖像區域所對應的景物的表面性質。一般顏色特徵是基於像素點的特徵，此時所有屬於圖像或圖像區域的像素都有各自的貢獻。由於顏色對圖像或圖像區域的方向、大小等變化不敏感，所以顏色特徵不能很好地捕捉圖像中對象的局部特徵。另外，僅使用顏色特徵查詢時，如果資料庫很大，常會將許多不需要的圖像也檢索出來。顏色直方圖是最常用的表達顏色特徵的方法，其優點是不受圖像旋轉和平移變化的影響，進一步藉助歸一化還可不受圖像尺度變化的影響，基缺點是沒有表達出顏色空間分布的信息。

（二）常用的特徵提取與匹配方法

（1） 顏色直方圖

其優點在於：它能簡單描述一幅圖像中顏色的全局分布，即不同色彩在整幅圖像中所佔的比例，特別適用於描述那些難以自動分割的圖像和不需要考慮物體空間位置的圖像。其缺點在於：它無法描述圖像中顏色的局部分布及每種色彩所處的空間位置，即無法描述圖像中的某一具體的對象或物體。

最常用的顏色空間：RGB顏色空間、HSV顏色空間。

顏色直方圖特徵匹配方法：直方圖相交法、距離法、中心距法、參考顏色表法、累加顏色直方圖法。

（2） 顏色集

顏色直方圖法是一種全局顏色特徵提取與匹配方法，無法區分局部顏色信息。顏色集是對顏色直方圖的一種近似首先將圖像從 RGB顏色空間轉化成視覺均衡的顏色空間（如 HSV 空間），並將顏色空間量化成若干個柄。然後，用色彩自動分割技術將圖像分為若干區域，每個區域用量化顏色空間的某個顏色分量來索引，從而將圖像表達為一個二進制的顏色索引集。在圖像匹配中，比較不同圖像顏色集之間的距離和色彩區域的空間關系

（3） 顏色矩

這種方法的數學基礎在於：圖像中任何的顏色分布均可以用它的矩來表示。此外，由於顏色分布信息主要集中在低階矩中，因此，僅採用顏色的一階矩（mean）、二階矩（variance）和三階矩（skewness）就足以表達圖像的顏色分布。

（4） 顏色聚合向量

其核心思想是：將屬於直方圖每一個柄的像素分成兩部分，如果該柄內的某些像素所佔據的連續區域的面積大於給定的閾值，則該區域內的像素作為聚合像素，否則作為非聚合像素。

（5） 顏色相關圖

二 紋理特徵

（一）特點：紋理特徵也是一種全局特徵，它也描述了圖像或圖像區域所對應景物的表面性質。但由於紋理只是一種物體表面的特性，並不能完全反映出物體的本質屬性，所以僅僅利用紋理特徵是無法獲得高層次圖像內容的。與顏色特徵不同，紋理特徵不是基於像素點的特徵，它需要在包含多個像素點的區域中進行統計計算。在模式匹配中，這種區域性的特徵具有較大的優越性，不會由於局部的偏差而無法匹配成功。作為一種統計特徵，紋理特徵常具有旋轉不變性，並且對於雜訊有較強的抵抗能力。但是，紋理特徵也有其缺點，一個很明顯的缺點是當圖像的解析度變化的時候，所計算出來的紋理可能會有較大偏差。另外，由於有可能受到光照、反射情況的影響，從2-D圖像中反映出來的紋理不一定是3-D物體表面真實的紋理。

例如，水中的倒影，光滑的金屬面互相反射造成的影響等都會導致紋理的變化。由於這些不是物體本身的特性，因而將紋理信息應用於檢索時，有時這些虛假的紋理會對檢索造成「誤導」。

在檢索具有粗細、疏密等方面較大差別的紋理圖像時，利用紋理特徵是一種有效的方法。但當紋理之間的粗細、疏密等易於分辨的信息之間相差不大的時候，通常的紋理特徵很難准確地反映出人的視覺感覺不同的紋理之間的差別。

（二）常用的特徵提取與匹配方法

紋理特徵描述方法分類

（1）統計方法統計方法的典型代表是一種稱為灰度共生矩陣的紋理特徵分析方法Gotlieb 和 Kreyszig 等人在研究共生矩陣中各種統計特徵基礎上，通過實驗，得出灰度共生矩陣的四個關鍵特徵：能量、慣量、熵和相關性。統計方法中另一種典型方法，則是從圖像的自相關函數（即圖像的能量譜函數）提取紋理特徵，即通過對圖像的能量譜函數的計算，提取紋理的粗細度及方向性等特徵參數

（2）幾何法

所謂幾何法，是建立在紋理基元（基本的紋理元素）理論基礎上的一種紋理特徵分析方法。紋理基元理論認為，復雜的紋理可以由若干簡單的紋理基元以一定的有規律的形式重復排列構成。在幾何法中，比較有影響的演算法有兩種：Voronio 棋盤格特徵法和結構法。

（3）模型法

模型法以圖像的構造模型為基礎，採用模型的參數作為紋理特徵。典型的方法是隨機場模型法，如馬爾可夫（Markov）隨機場（MRF）模型法和 Gibbs 隨機場模型法

（4）信號處理法

紋理特徵的提取與匹配主要有：灰度共生矩陣、Tamura 紋理特徵、自回歸紋理模型、小波變換等。

灰度共生矩陣特徵提取與匹配主要依賴於能量、慣量、熵和相關性四個參數。Tamura 紋理特徵基於人類對紋理的視覺感知心理學研究，提出6種屬性，即：粗糙度、對比度、方向度、線像度、規整度和粗略度。自回歸紋理模型（simultaneous auto-regressive, SAR）是馬爾可夫隨機場（MRF）模型的一種應用實例。

三 形狀特徵

（一）特點：各種基於形狀特徵的檢索方法都可以比較有效地利用圖像中感興趣的目標來進行檢索，但它們也有一些共同的問題，包括：①目前基於形狀的檢索方法還缺乏比較完善的數學模型；②如果目標有變形時檢索結果往往不太可靠；③許多形狀特徵僅描述了目標局部的性質，要全面描述目標常對計算時間和存儲量有較高的要求；④許多形狀特徵所反映的目標形狀信息與人的直觀感覺不完全一致，或者說，特徵空間的相似性與人視覺系統感受到的相似性有差別。另外，從 2-D 圖像中表現的 3-D 物體實際上只是物體在空間某一平面的投影，從 2-D 圖像中反映出來的形狀常不是 3-D 物體真實的形狀，由於視點的變化，可能會產生各種失真。

（二）常用的特徵提取與匹配方法

Ⅰ幾種典型的形狀特徵描述方法

通常情況下，形狀特徵有兩類表示方法，一類是輪廓特徵，另一類是區域特徵。圖像的輪廓特徵主要針對物體的外邊界，而圖像的區域特徵則關繫到整個形狀區域。

幾種典型的形狀特徵描述方法：

（1）邊界特徵法該方法通過對邊界特徵的描述來獲取圖像的形狀參數。其中Hough 變換檢測平行直線方法和邊界方向直方圖方法是經典方法。Hough 變換是利用圖像全局特性而將邊緣像素連接起來組成區域封閉邊界的一種方法，其基本思想是點—線的對偶性；邊界方向直方圖法首先微分圖像求得圖像邊緣，然後，做出關於邊緣大小和方向的直方圖，通常的方法是構造圖像灰度梯度方向矩陣。

（2）傅里葉形狀描述符法

傅里葉形狀描述符(Fourier shape descriptors)基本思想是用物體邊界的傅里葉變換作為形狀描述，利用區域邊界的封閉性和周期性，將二維問題轉化為一維問題。

由邊界點導出三種形狀表達，分別是曲率函數、質心距離、復坐標函數。

（3）幾何參數法

形狀的表達和匹配採用更為簡單的區域特徵描述方法，例如採用有關形狀定量測度（如矩、面積、周長等）的形狀參數法（shape factor）。在 QBIC 系統中，便是利用圓度、偏心率、主軸方向和代數不變矩等幾何參數，進行基於形狀特徵的圖像檢索。

需要說明的是，形狀參數的提取，必須以圖像處理及圖像分割為前提，參數的准確性必然受到分割效果的影響，對分割效果很差的圖像，形狀參數甚至無法提取。

（4）形狀不變矩法

利用目標所佔區域的矩作為形狀描述參數。

（5）其它方法

近年來，在形狀的表示和匹配方面的工作還包括有限元法（Finite Element Method 或 FEM）、旋轉函數（Turning Function）和小波描述符（Wavelet Descriptor）等方法。

Ⅱ 基於小波和相對矩的形狀特徵提取與匹配

該方法先用小波變換模極大值得到多尺度邊緣圖像，然後計算每一尺度的 7個不變矩，再轉化為 10 個相對矩，將所有尺度上的相對矩作為圖像特徵向量，從而統一了區域和封閉、不封閉結構。

四 空間關系特徵

（一）特點：所謂空間關系，是指圖像中分割出來的多個目標之間的相互的空間位置或相對方向關系，這些關系也可分為連接/鄰接關系、交疊/重疊關系和包含/包容關系等。通常空間位置信息可以分為兩類：相對空間位置信息和絕對空間位置信息。前一種關系強調的是目標之間的相對情況，如上下左右關系等，後一種關系強調的是目標之間的距離大小以及方位。顯而易見，由絕對空間位置可推出相對空間位置，但表達相對空間位置信息常比較簡單。

空間關系特徵的使用可加強對圖像內容的描述區分能力，但空間關系特徵常對圖像或目標的旋轉、反轉、尺度變化等比較敏感。另外，實際應用中，僅僅利用空間信息往往是不夠的，不能有效准確地表達場景信息。為了檢索，除使用空間關系特徵外，還需要其它特徵來配合。

（二）常用的特徵提取與匹配方法
提取圖像空間關系特徵可以有兩種方法：一種方法是首先對圖像進行自動分割，劃分出圖像中所包含的對象或顏色區域，然後根據這些區域提取圖像特徵，並建立索引；另一種方法則簡單地將圖像均勻地劃分為若干規則子塊，然後對每個圖像子塊提取特徵，並建立索引。

I. 用什麼數學模型可以提取特徵參數

我的數學基礎也比較差，大一數學都是剛及格，然後考研數一考了120多分，不是很好，不過我自己挺滿意的。我是先過一遍課本，細枝末節的，搞明白了，然後就是李永樂的復習全書，難度適中，對於其中很偏的，我們底子差，也不用說全都透透的，掌握個80%，這本書，我做了一遍，梳理了一遍，然後錯題什麼的整理了一遍，最後就是刷真題了。真題一天一套，這是最後沖刺的時候練手感的。 說的好像做了很多，其實我也就從7月份開始准備的，每天要有計劃，安排的東西都要落實下去，是真的會做了，數學這東西，就是要會做題，做得出來，什麼都好說。 反復的練習，反復的做題很重要，一定不要默默地看，這樣子費時費力，但是眼高手低，一到做題，那個手感，還是練出來的。練到最後，什麼題型，什麼方法，爛熟於心。

J. 光譜特徵分析與提取

6.1.1 基於光譜重排的光譜特徵提取方法

首先，針對光譜吸收特徵受雜訊影響較大的問題，對數據進行最小雜訊分量正變換，消除雜訊後，再將最小雜訊分量特徵空間的數據變換回原數據空間，即最小雜訊分量反變換；然後針對單個吸收不穩定、光照等對光譜幅值影響較大等問題，提出在連續去除的基礎上，利用所有吸收特徵並將光譜吸收特徵按吸收深度由強至弱重排，從而實現穩定、可靠的光譜特徵提取。

（1）最小雜訊分量變換

在實際應用中，地物光譜吸收特徵對雜訊敏感，因此，在進行特徵提取之前，研究中引入了最小雜訊分量變換（Minimum Noise Fraction，MNF），去除雜訊對特徵提取影響的同時去除數據相關性。

MNF變換是Green等人在主成分分析理論的基礎上改進得到的。通常被用來去除數據中的雜訊成分，同時確定高光譜數據的本徵維數，從而減少後續處理的運算量。

該方法以雜訊協方差的估計矩陣為基礎，調整雜訊的取值並去除其波段間的相關性。在結果數據中雜訊的方差為1，並且在波段間無相關性。假設高光譜數據X＝［x₁，x₂，…，x_m］^T可以表示為

X ＝ Z ＋ N （6.1）

式中：矩陣Z，N分別是理想信號和雜訊矩陣，且彼此不相關；第i 波段的雜訊分量定義為NF_i ＝

，信噪比定義為SNR_i＝

。

∑_X，∑_Z和∑_N分別為可觀測信號、理想信號及雜訊的協方差矩陣，並且有

∑_X ＝∑X_Z ＋∑_N （6.2）

假設F為∑_N的白化矩陣，∑_N的特徵值矩陣為

＝diag（λ_N1，λ_N2，…，λ_Np），其中p為波段數，則有

高光譜遙感技術原理及礦產與能源勘查應用

高光譜遙感技術原理及礦產與能源勘查應用

式中：I為單位矩陣，矩陣

由∑_N的特徵向量組成，且滿足

。

假設∑_w＝F ^T∑_X F為雜訊白化之後的觀測數據的協方差矩陣，∑_w矩陣特徵值組成的對角矩陣為

＝d i a g（λ_w1 ，λ_w2 ，…，λ_wp），對矩陣∑_w作主成分變換，可以得到由矩陣∑_w特徵向量組成的

，使得

高光譜遙感技術原理及礦產與能源勘查應用

於是得到最小雜訊分量變換矩陣：

高光譜遙感技術原理及礦產與能源勘查應用

由式（6.6）得觀測信號最小雜訊分量變換後的矩陣為

T ＝ M^TX （6.7）

經過式（6.7）變換之後，可觀測信號各個波段間彼此不相關，且各個波段按信噪比由大到小排列

。即按變換後數據T的特徵值排列，較大的特徵值對應信號為主的圖像，接近於1的特徵值代表雜訊佔主導的圖像。在變換之後，通常可以直接利用T進行數據後續處理，但是Cheriyadat和Bruce等人證明，主成分變換完全依賴於數據整體的協方差，當類內方差占據類間方差的主體時，主成分變換傾向於將數據向不利於分類的方向投影。可見，MNF變換與主成分變換具有相同的特點，因此，研究中提出的演算法在利用MNF之後，利用最小雜訊分量反變換將數據轉換回光譜空間，這樣可以最大限度地保證數據的可分性。

（2）光譜重排

不同地物的光譜信息是不相同的，因此，高光譜遙感提供的地物精細的光譜信息可以直接作為特徵提取與目標識別的依據，比如利用紅邊、綠峰、NDVI等特徵可以提取植被。但當不同地物之間的光譜在形狀、幅值、變化趨勢等指標大致相同的時候（即光譜特徵相似），提取區分不同地物顯著特徵是非常困難的，即地物之間的不相關性均勻地分布在各個波段；此外，由於單個光譜吸收特徵容易受到光照條件、大氣等影響使得提取的光譜特徵參量不穩定。因此，針對以上問題，研究中提出了基於光譜重排的特徵提取方法，根據光譜吸收深度的由強到弱排列，剩餘的沒有吸收特徵波段則按波長由小到大排列。

光譜重排的實現過程如下：

1）通過不同階數的微分值確定的光譜彎曲點、最大最小光譜反射率及其波長位置，計算連續統去除後目標光譜的吸收位置λ_M 及其反射率值ρ_M、吸收深度H、吸收左右肩（ρ_L，ρ_R）及其反射值（λ_L，λ_R），並且吸收深度H的計算公式如下：

H ＝ d × ρ_L ＋（1-d）× ρ_R-ρ_M （6.8）

d ＝（λ_L-λ_M）/（λ_R-λ_L） （6.9）

2）將目標光譜按照吸收深度H由強至弱進行排列，若無吸收特徵，則按波長由小到大進行排列；

3）以目標光譜為基譜，將圖像數據光譜按照目標光譜重排後的波長進行排序。

該方法有效地利用了高光譜遙感數據提供的地物所有吸收特徵，增加了特徵提取的穩定性和可靠性；並且通過大量的實驗發現，任何兩種不同地物的光譜通過光譜重排之後，區分不同地物的顯著特徵更加明顯，增加了類別間的可分性。

（3）演算法實現

基於光譜重排的抗雜訊光譜特徵提取方法的實現流程如圖6.1所示。該方法中為了消除雜訊對光譜吸收特徵參數提取的影響，引入了MNF變換；為了有效抑制由於光照條件、感測器等因素產生的光譜幅值變化對光譜特徵提取的影響，引入了連續統去除操作；為了克服單一特徵不穩定、不同地物光譜特徵相似等問題，提出了光譜重排的方法。

（4）實驗分析

為了驗證上述研究中方法的有效性和可行性，採用AVIRIS航空高光譜數據進行實驗分析，並利用光譜之間的光譜角進行可分性的定量化分析。

實驗數據為1995年7月在美國內華達州Cuprite礦區AVIRIS航空高光譜數據，並且使用ATREM方法校正得到了地表反射率，波段范圍為1990～2480nm，空間解析度20m，光譜解析度10nm，數據大小為255 × 350 × 50。

圖6.1 光譜特徵提取方法實現流程

該研究區域的礦物分布圖如圖6.2（a）所示，從數據中提取高嶺石光譜曲線如圖6.2（b）所示，光譜重排後的光譜如圖6.2（c）所示。高嶺石、明礬石、布丁石及熱液硅石特徵提取前的光譜比較如圖6.3（a）所示，以高嶺石光譜為基譜，光譜重排後四種礦物的光譜特徵如圖6.3（b）（圖中的光譜曲線縱坐標做了平移處理）所示。利用光譜角的方法進行四種礦物光譜重排前後可分性的比較，結果如表6.1和表6.2所示。

圖6.2 高嶺石礦物光譜比較

圖6.3 四種礦物光譜比較

表6.1 原始光譜數據四種礦物的可分性

表6.2 重排後光譜數據四種礦物的可分性

由圖6.2和圖6.3可以看出，經光譜重排後，高嶺石礦物光譜吸收特徵按吸收深度的強弱進行了重新排列，較好的顯現了高光譜所有吸收特徵及主次吸收特徵的變化；並且明礬石與高嶺石礦物在2200 nm的光譜特徵由於吸收寬度等不同而能將二者較好的區分。由圖6.3與表6.2可以看出，經過光譜重排後，高嶺石與其他三種礦物的可分性均存在不同程度的增大，特別是，高嶺石與明礬石的可分性從0.1978增加為0.225；為後續礦物識別與分類等處理奠定了良好的基礎。

圖6.4 SAM方法礦物識別結果

為了進一步驗證該方法的性能，進行了利用該方法以及基於SAM方法的礦物識別結果比對分析。利用原始光譜進行光譜角匹配識別的結果如圖6.4所示。利用基於光譜重排的抗雜訊特徵提取方法得到的數據進行礦物識別，結果如圖6.5 所示。可以看出，兩種方法均能實現四種主要蝕變礦物的識別，但是，採用原始光譜進行識別的結果中存在著一定程度的礦物混淆，並且布丁石的識別結果混淆尤其明顯；而在研究方法中進行特徵提取基礎上得到的礦物識別結果礦物混淆明顯降低，取得了較好的識別結果，證明了上述研究中提出的方法的優越性能。

圖6.5 基於光譜重排特徵提取方法礦物識別結果

6.1.2 吸收波長加權匹配方法

光譜曲線往往包含了許多由雜訊引入的無效特徵，利用同類地物光譜特徵求交，實現了有效吸收波長、吸收深度的提取；常用的SAFP匹配方法中，只有參考光譜和測試光譜的特徵在相同的波長位置時，兩條光譜才被判為相同，匹配准則比較苛刻，導致由於雜訊等因素影響光譜特徵而無法匹配，吸收波長加權匹配法利用偏移加權矩陣實現了吸收波長的容偏匹配，大大增加了匹配的准確性，降低了外界因素對吸收參量特徵的影響。

對同類地物光譜曲線特徵求交，得出識別地物的有效特徵；地物光譜的診斷吸收特徵總是出現在特定的波段上，在某些情況下會有局部的偏移；對吸收特徵的中心波長進行匹配，並容許一定程度的波段偏移，容許程度用偏移加權矩陣來度量，能夠對地物光譜實現精確的識別。考慮到實際應用雜訊及系統誤差引入的干擾，用吸收深度對單個中心波長進行加權，吸收深度小的吸收特徵對整體相似度的貢獻小，吸收深度大的吸收特徵對整體相似度的貢獻大，這樣一定程度上抑制了無法去除的非有效特徵的影響。

（1）吸收波長加權匹配的實現

有效吸收特徵的精確提取和容偏匹配實現流程如圖6.6所示，具體包含以下幾個步驟：

1）對參考光譜連續統去除。利用導數法確定各吸收特徵的中心位置和左右肩對應的波長後，利用下列公式提取吸收特徵中心波長和吸收深度：

高光譜遙感技術原理及礦產與能源勘查應用

式中：

和

分別為吸收左肩端、右肩端、吸收谷點的反射率和波長位置；d＝

為吸收的對稱性參數。

沒有標准參考光譜時，參考光譜通過訓練樣本得到。通過上述方法提取各條參考光譜的吸收中心波長和吸收深度後，對所有訓練樣本的吸收特徵參數求交，方法如下：

光譜A和B的所有吸收特徵為feature_a，feature_b，A的第i個波段上存在特徵，對feature_b計算：

judge ＝ Weight·feature_b（［i-BandOffset：i ＋ BandOffset］） （6.11）

如果，judge＞0 ，則光譜A的第i個波段上的特徵為有效特徵。

得到參考光譜共有的有效特徵，此處需要記錄的是有效特徵的位置和吸收深度的大小，保存在向量EffFeatureIndex和Depth中。

2）提取未知光譜所有吸收位置和對應的吸收深度特徵，記錄在FeaturePos和FeatureDepth；

圖6.6 中心波長加權匹配流程圖

未知光譜特徵與參考光譜有效特徵按位匹配，匹配方法包含兩個參數，容許波段偏移數BandOffset和偏移加權矩陣Weight。

3）找到參考光譜第i個特徵位置，生成特徵檢驗區間：

TestIndex ＝（i-BandOffset）：（i ＋ BandOffset） （6.12）

計算特徵檢驗值：

TestValue ＝ Weight·FeatureDepth（TestIndex） （6.13）

TestValue不為0 ，則說明未知光譜對應位置存在有效特徵，反之則不存在，未知光譜中的識別特徵所在波段記錄在向量EffIndex中。

4）重復3）的過程，直到對未知光譜的所有有效特徵進行了檢測，未知光譜中識別特徵存在的波段記錄在向量EffIndex中。

5）對吸收位置用吸收深度加權匹配，匹配度的計算公式如下：

高光譜遙感技術原理及礦產與能源勘查應用

6）根據匹配度degree的值判斷未知光譜與參考光譜的近似程度，閾值Thresh手動選擇，根據經驗，在用吸收深度加權的匹配方法中，Thresh＝0.8就能獲得較高的識別率。

用吸收深度加權對吸收特徵中心波長進行容偏匹配的關鍵在於：有效吸收特徵的准確提取和偏移加權矩陣Weight或容許波段偏移數目BandOffset的選擇，反射率曲線所有吸收特徵的精確提取是前提，偏移加權矩陣的確定需要根據對像光譜的采樣間隔來確定，Weight的分量的個數為2 × BandOffset＋1；並且有效特徵提取和特徵識別過程使用的偏移加權矩陣Weight可以不同，光譜采樣間隔較大時，可以選擇Weight的各個分量服從高斯分布。

（2）基於USGS光譜庫數據的實驗與結果分析

圖6.7（a）為USGS礦物光譜庫中六條綠泥石連續統去除後反射率曲線；波段偏移參數BandOffset＝1，對應的容偏矩陣Weight＝［1，1，1］；即兩條光譜的特徵相差一個波段以下認為該特徵為有效特徵；綠泥石的有效特徵見圖6.7（b），用方框標記出了吸收谷的波長位置；圖6.7（c）給出了利用吸收波長加權匹配方法得到的綠泥石有效特徵；圖6.7（d）給出了綠泥石和陽起石反射率光譜。

圖6.7 有效特徵提取

匹配加權矩陣Weight＝［1，1，1］表示容許兩端偏移，Weight＝［0.1，1，0.1］表示不容許偏移；兩情況對應的相似度見表6.3和表6.4。對比表6.3和表6.4的相似度值可以看出，容許波段偏移後，綠泥石光譜間的相似度明顯變大。利用圖6.7（c）的有效特徵對圖6.7（d）所示的陽起石和綠泥石光譜進行Weight＝［1，1，1］匹配，近似度見表6.5，用綠泥石的有效光譜能有效的識別出綠泥石光譜與陽起石光譜的差異。

表6.3 綠泥石光譜識別Weight＝［1，1，1］

表6.4 綠泥石光譜識別Weight＝［0.1，1，0.1］

表6.5 陽起石和綠泥石識別Weight＝［1，1，1］

（3）基於AVIRIS數據的實驗與結果分析

利用內華達州Cuprite礦區的AVIRIS數據進行基於吸收波長加權提取方法實現礦物匹配識別研究。利用的礦物端元光譜如圖6.8所示，識別結果如圖6.9所示。

從地質圖6.2（a）與結果圖6.9比較可以看出，該方法對具有明顯光譜吸收特徵的明礬石和高嶺石礦物具有較高精度的識別效果，但是對於吸收特徵較寬、較淺的白雲母和布丁石的識別效果則較差。

圖6.8 演算法中用到的端元光譜

圖6.9 基於吸收波長加權特徵提取的礦物匹配識別結果