應用小波轉換萃取高光譜影像光譜特徵於類神經網路分類課件

應用小波轉換萃取高光譜影像光譜特徵於類神經網路分類楊琇涵指導教授：徐百輝老師應用小波轉換萃取高光譜影像光譜特徵於類神經網路分類楊琇涵1報告大綱前言研究目的方法介紹小波轉換實驗結論未來方向參考資料報告大綱前言2前言分類影像資料統(tǒng)計特性計算需足夠的樣本量。獲取資料量大，轉換成資訊的成本高。前言分類影像資料統(tǒng)計特性計算需足夠的樣本量。3研究目的小波轉換萃取高光譜影像特徵幫助影像分類以小波轉換萃取光譜特徵以萃取之特徵作為倒傳遞網路之輸入，訓練分類網路。以類神經網路分類實驗影像，評估方法之可行性。研究目的小波轉換萃取高光譜影像特徵幫助影像分類4方法介紹-小波轉換方法介紹-小波轉換5方法介紹-小波轉換將小波轉換視為一種旋積(convolution)，根據(jù)濾波的特性，能將訊號轉成另一種結果（輸出訊號）。簡化計算，以二進方式選擇尺度、平移函數(shù)方法介紹-小波轉換將小波轉換視為一種旋積(convoluti6方法介紹-多解析度一連串彼此互相包含的近似空間相鄰尺度時的組成方法介紹-多解析度一連串彼此互相包含的近似空間7方法介紹-多解析度近似部分：細節(jié)部分：方法介紹-多解析度近似部分：8方法介紹-正交小波快速轉換共軛鏡像濾波器(ConjugateMirrorFilters)計算正交小波係數(shù)方法介紹-正交小波快速轉換共軛鏡像濾波器(Conjugate9方法介紹-正交小波快速轉換假設原始的維度是N，利用小波快速分解後，的維度會變成N/2，而達成維度縮減的目的。圖1正交小波快速轉換方法介紹-正交小波快速轉換圖1正交小波快速轉換10實驗實驗影像由普渡大學提供，影像為AVIRIS拍得，大小為145*145像素，共220個光譜波段。實驗實驗影像11實驗以小波係數(shù)當作特徵以及類神經網路的輸入訓練資料。採100,200samples圖2實驗流程實驗以小波係數(shù)當作圖2實驗流程12實驗分類精度實驗分類精度13實驗圖3分類精度圖類神經分類精度:42%(100)(100)(100)實驗圖3分類精度圖類神經分類精度:42%(100)14實驗結果分析小波分解原始影像後的光譜曲線變化，光譜特徵差異變大。圖4原始光譜實驗結果分析小波分解原始影像後的光譜曲線變化，光譜特徵差異變15實驗結果分析Woods與其他類別的差異性較大，較能與其他類別區(qū)分出來，而實驗結果也證明了這項理論推論。實驗結果分析Woods與其他類別的差異性較大，較能與其他類別16實驗結果分析分解後光譜(近似部分)

WoodsCornGrassSoybean圖5分解第一次（左），分解第二次（右）圖6分解第三次（左），分解第四次（右）實驗結果分析分解後光譜(近似部分)W17實驗結果分析粗解析度下的小波分解細節(jié)部分往往是雜訊或不重要的資訊實驗結果分析粗解析度下的小波分解細節(jié)部分18實驗結果分析圖7分解第一次實驗結果分析圖7分解第一次19實驗結果分析圖8分解第三次實驗結果分析圖8分解第三次20實驗結果分析細解析度下的小波分解細節(jié)部分各類別的細節(jié)部分有較為明顯的差異可被視為是類別特徵，做為分類之依據(jù)。分類精度提高至68.87%小波轉換能幫助除去光譜資訊中的雜訊，且其細節(jié)資訊也能幫助找出類別特徵。實驗結果分析細解析度下的小波分解細節(jié)部分21結論小波轉換降低維度保留資料特徵，除去冗餘應用於類神經網路分類加速分類結果提高分類精度類神經網路訓練之不穩(wěn)定性結論小波轉換22未來方向小波轉換小波神經網路未來方向小波轉換23參考文獻Hsu,P.-H.(2003).SpectralFeatureExtractionofHyperspectralImagesusingWaveletTransform.Mallat,S.(1998).AWaveletTouronSignalProcessing.NewYork,AcademicPress.參考文獻Hsu,P.-H.(2003).Spectra24Thankyouforyourattention.應用小波轉換萃取高光譜影像光譜特徵於類神經網路分類課件25應用小波轉換萃取高光譜影像光譜特徵於類神經網路分類楊琇涵指導教授：徐百輝老師應用小波轉換萃取高光譜影像光譜特徵於類神經網路分類楊琇涵26報告大綱前言研究目的方法介紹小波轉換實驗結論未來方向參考資料報告大綱前言27前言分類影像資料統(tǒng)計特性計算需足夠的樣本量。獲取資料量大，轉換成資訊的成本高。前言分類影像資料統(tǒng)計特性計算需足夠的樣本量。28研究目的小波轉換萃取高光譜影像特徵幫助影像分類以小波轉換萃取光譜特徵以萃取之特徵作為倒傳遞網路之輸入，訓練分類網路。以類神經網路分類實驗影像，評估方法之可行性。研究目的小波轉換萃取高光譜影像特徵幫助影像分類29方法介紹-小波轉換方法介紹-小波轉換30方法介紹-小波轉換將小波轉換視為一種旋積(convolution)，根據(jù)濾波的特性，能將訊號轉成另一種結果（輸出訊號）。簡化計算，以二進方式選擇尺度、平移函數(shù)方法介紹-小波轉換將小波轉換視為一種旋積(convoluti31方法介紹-多解析度一連串彼此互相包含的近似空間相鄰尺度時的組成方法介紹-多解析度一連串彼此互相包含的近似空間32方法介紹-多解析度近似部分：細節(jié)部分：方法介紹-多解析度近似部分：33方法介紹-正交小波快速轉換共軛鏡像濾波器(ConjugateMirrorFilters)計算正交小波係數(shù)方法介紹-正交小波快速轉換共軛鏡像濾波器(Conjugate34方法介紹-正交小波快速轉換假設原始的維度是N，利用小波快速分解後，的維度會變成N/2，而達成維度縮減的目的。圖1正交小波快速轉換方法介紹-正交小波快速轉換圖1正交小波快速轉換35實驗實驗影像由普渡大學提供，影像為AVIRIS拍得，大小為145*145像素，共220個光譜波段。實驗實驗影像36實驗以小波係數(shù)當作特徵以及類神經網路的輸入訓練資料。採100,200samples圖2實驗流程實驗以小波係數(shù)當作圖2實驗流程37實驗分類精度實驗分類精度38實驗圖3分類精度圖類神經分類精度:42%(100)(100)(100)實驗圖3分類精度圖類神經分類精度:42%(100)39實驗結果分析小波分解原始影像後的光譜曲線變化，光譜特徵差異變大。圖4原始光譜實驗結果分析小波分解原始影像後的光譜曲線變化，光譜特徵差異變40實驗結果分析Woods與其他類別的差異性較大，較能與其他類別區(qū)分出來，而實驗結果也證明了這項理論推論。實驗結果分析Woods與其他類別的差異性較大，較能與其他類別41實驗結果分析分解後光譜(近似部分)

WoodsCornGrassSoybean圖5分解第一次（左），分解第二次（右）圖6分解第三次（左），分解第四次（右）實驗結果分析分解後光譜(近似部分)W42實驗結果分析粗解析度下的小波分解細節(jié)部分往往是雜訊或不重要的資訊實驗結果分析粗解析度下的小波分解細節(jié)部分43實驗結果分析圖7分解第一次實驗結果分析圖7分解第一次44實驗結果分析圖8分解第三次實驗結果分析圖8分解第三次45實驗結果分析細解析度下的小波分解細節(jié)部分各類別的細節(jié)部分有較為明顯的差異可被視為是類別特徵，做為分類之依據(jù)。分類精度提高至68.87%小波轉換能幫助除去光譜資訊中的雜訊，且其細節(jié)資訊也能幫助找出類別特徵。實驗結果分析細解析度下的小波分解細節(jié)部分46結論小波轉換降低維度保留資料特徵，除去冗餘應用於類神經網路分類加速分類結果提高分類精度類神經網路訓練之不穩(wěn)定性結論小波轉換47未來方向小波轉換小波神經網路未來方向小波轉換48參考文獻Hsu,P.-H.(2003).SpectralFeatureExtractionofHyperspectralImagesusing