高光谱特征选择课件

第2节高光谱特征选择

武汉大学遥感信息工程学院

龚龑

《高光谱遥感》第四章高光谱数据处理1第2节高光谱特征选择

武汉大学遥感信息工程学一、高光谱特征选择概述二、基于可分性准则的波段选择三、基于光谱特征位置的波段选择四、高光谱波段选择方法实例第四章第2节高光谱特征选择2一、高光谱特征选择概述第四章第2节高光谱特征选择2

通过对数据的评价，从若干个特征（波段）中挑选出用于高光谱遥感影像分析（分类）的有限个特征（波段）。一、高光谱特征选择概述1.1特征选择概念3通过对数据的评价，从若干个特征（波段）目视法数值法通过目视判读衡量影像质量通过定量评估衡量影像质量1.2特征选择类型基于可分性准则的波段选择基于光谱特征位置搜索的波段选择基于统计计算，从分类角度出发基于特定地物，从波谱空间出发一、高光谱特征选择概述4目视法通过目视判读衡量影像质量通过定量评估衡量影像质量1.2一、高光谱特征选择概述二、基于可分性准则的波段选择三、基于光谱特征位置的波段选择四、高光谱波段选择方法实例第四章第2节高光谱特征选择5一、高光谱特征选择概述第四章第2节高光谱特征选择5从所有波段中选择一个波段子集，由该子集构成特征空间，在该特征空间中，各类别的光谱可分性在某一判据下达到最优。二、基于可分性准则的波段选择2.1主要思想6从所有波段中选择一个波段子集，由该子集构成特征空间，可分性判据类别样本1.选出波段子集后2.波段子集的产生方式由搜索策略决定2.1主要思想二、基于可分性准则的波段选择7可分性判据1.选出波段子集后2.波段子集的产生方式2穷举搜索法启发式搜索随机搜索法2.2特征选择搜索方法类型二、基于可分性准则的波段选择8穷举搜索法2.2特征选择搜索方法类型二、基于可分性准则的波段1.穷举搜索法通过穷举搜索，评价各个可能的特征子集的性能指标，找到其中最优的子集。2.2特征选择搜索方法类型二、基于可分性准则的波段选择91.穷举搜索法通过穷举搜索，评价各个可能的特征子方法直接，不会漏掉任一种可能子集。运算量巨大，随波段数增多凸显效率问题。特点2.2特征选择搜索方法类型1.穷举搜索法二、基于可分性准则的波段选择10方法直接，不会漏掉任一种可能子集。特点2.2特征选择搜索方法鉴于穷举法的低效率问题，研究人员提出了启发式搜索。前向选择（ForwardSelection）后向选择（BackwardSelection）2.2特征选择搜索方法类型2.启发式搜索二、基于可分性准则的波段选择11鉴于穷举法的低效率问题，研究人员提出了启发式搜索。前向选择波段子集待选波段集合波段子集初始状态为空一次入选一个波段(该波段在当前剩余特征中最能提高可分性)评价因子（可分性判据）2.启发式搜索2.2特征选择搜索方法类型二、基于可分性准则的波段选择12前向选择波段子集待选波段集合波段子集初始状态为空评价因子波段子集被排除的波段集波段子集初始状态包含所有特征一次淘汰一个波段(该波段在当前被选中波段中最能降低可分性)评价因子（可分性判据）后向选择2.启发式搜索2.2特征选择搜索方法类型二、基于可分性准则的波段选择13波段子集被排除的波段集波段子集初始状态包含前向选择与后向选择能否一定得到最具可分性的波段子集？2.启发式搜索2.2特征选择搜索方法类型二、基于可分性准则的波段选择14前向选择与后向选择能否一定得到最具可分性的波段子集？

前向选择与后向选择均能保证当前被选择波段子集在每一阶段最优，但面对那些复杂的、相互影响的波段，却不能保证所挑选的波段子集是全局最佳。波段子集21234可分性判据所选波段数目波段子集12.2特征选择搜索方法类型2.启发式搜索二、基于可分性准则的波段选择15前向选择与后向选择均能保证当前被选择波段子集在每一阶随机搜索法采用随机的或概率性的步骤或采样过程。例如：基于种群的启发式搜索技术（遗传算法）规则推理系统2.2特征选择搜索方法类型3.随机搜索法二、基于可分性准则的波段选择16随机搜索法采用随机的或概率性的步骤或采样过程。2分类器的学习算法分类器在进行分类之前，需要利用一定的样本信息进行样本训练，使其形成分类判断标准，这一过程也称分类器的学习。样本1类别属性特征1数值特征2数值……特征n数值样本2……样本k分类器形成分类标准特征1数值特征2数值……特征n数值类别属性2.2特征选择搜索方法类型3.随机搜索法二、基于可分性准则的波段选择17分类器的学习算法分类器在进行分类之前，需要利用一定滤波器类型和包装袋类型根据特征选择算法是否独立于分类器的学习算法，可将其分为两种：滤波器类型和包装袋类型。2.2特征选择搜索方法类型3.随机搜索法二、基于可分性准则的波段选择18滤波器类型和包装袋类型根据特征选择算法是否独立于分形成分类标准的同时选择出波段子集先选择出波段子集，再形成分类标准滤波器类型包装袋类型所有特征特征选择学习算法分类与性能评价所有特征产生特征子集学习算法分类与性能评价特征学习特征评估2.2特征选择搜索方法类型3.随机搜索法二、基于可分性准则的波段选择19形成分类标准的同时选择出波段子集先选择出波段子集，再形选择多类别可分性特征时，一般有两个策略：选择各类平均可分性最大的特征选择对最难区分的类别具有最大可分性的特征难以照顾到分布比较集中的类可能会漏掉对各模式具有最大可分性的特征2.3使用可分性准则的策略二、基于可分性准则的波段选择20选择多类别可分性特征时，一般有两个策略：难以照顾到分布比较集特征选择概念特征选择搜索方法穷举搜索法启发式搜索(前向搜素和后向搜索)随机搜索法使用可分性准则小结21特征选择概念使用可分性准则小结21一、高光谱特征选择概述二、基于可分性准则的波段选择三、基于光谱特征位置的波段选择四、高光谱波段选择方法实例第四章第2节高光谱特征选择22一、高光谱特征选择概述第四章第2节高光谱特征选择22利用光谱位置搜索最常用的方法就是利用地物的波段吸收特性进行波段选择。具有地物波谱特征的先验知识波段选择针对特定目的（生物物理化学特性分析或特定类别区分）通常进行包络线去除三、基于光谱特征位置的波段选择23利用光谱位置搜索最常用的方法就是利用地物的波段吸收包络线去除后的光谱曲线图三、基于光谱特征位置的波段选择利用波段吸收特性24包络线去除后的光谱曲线图三、基于光谱特征位置的波段选择利用一、高光谱特征选择概述二、基于可分性准则的波段选择三、基于光谱特征位置的波段选择四、高光谱波段选择方法实例第四章第2节高光谱特征选择25一、高光谱特征选择概述第四章第2节高光谱特征选择25联合熵第i波段影像的熵值三个波段的影像(i1,i2,i3)的联合熵四、高光谱特征选择方法实例4.1自动子空间划分法一般来说联合熵H(i1,i1,i3)越大,图像所含信息越丰富。

对所有可能的波段组合计算其联合熵,并按从大到小的顺序进行排序,则联合熵最大的前面若干个就是最佳波段组合。26联合熵第i波段影像的熵值三个波段的影像(i1,i2,联合熵波段选择的结果,使波段容易聚集在某一连续的波段间;由于高光谱遥感数据的波段信息之间的强相关性,使得多种波段组合方式具有相同的联合熵。原因：波段间灰度接近，变化连续联合熵四、高光谱特征选择方法实例4.1自动子空间划分法27联合熵波段选择的结果,使波段容易聚集在某一连续的波段间解决上述问题的思路就是将全部波段划分为若干个子空间,然后再进行波段选择。将波段划分为若干子空间的方法很多,最常见的是将波段按电磁波波长范围划分为若干子空间。然而这种机械的划分方法没有考虑到地物的光谱特征和影像的局部特征,因而不可取。联合熵四、高光谱特征选择方法实例4.1自动子空间划分法28解决上述问题的思路就是将全部波段划分为若干个子空间,然依据高光谱影像相关系数矩阵灰度图的“成块”特点,根据高光谱影像相邻波段相关系数的大小,把波段划分为若干个子空间,然后分别在各个子空间内利用联合熵算法进行波段的选择。自动子空间划分思路四、高光谱特征选择方法实例4.1自动子空间划分法29依据高光谱影像相关系数矩阵灰度图的“成块”特点,A.数据情况采用OMIS高光谱影像数据,波段数为64个。要求生成伪彩色图。四、高光谱特征选择方法实例4.1自动子空间划分法操作实践过程B.计算相关矩阵依据自动子空间划分思想,计算高光谱所有波段数据之间的相关矩阵,该相关矩阵包含64×64个元素。30A.数据情况四、高光谱特征选择方法实例4.1自动子空间划分法为了更清晰地分析波段间的相互关系,把第1波段与各个波段间相关系数及近邻波段相关系数曲线绘出,如图所示,其中曲线①为第1波段与各个波段间相关系数曲线,曲线②为近邻波段相关系数曲线。四、高光谱特征选择方法实例4.1自动子空间划分法操作实践过程31为了更清晰地分析波段间的相互关系,把第1波C.子空间划分根据相关系数灰度图的分块特征,将所有波段分成四个子空间:第Ⅰ空间:1~12,第Ⅱ空间:13~22,第Ⅲ空间:23~56,第Ⅳ空间:57~64。4.1自动子空间划分法操作实践过程四、高光谱特征选择方法实例经过划分得到的不同子空间具有不同的维数,在每个子空间内的图像数据具有相近的光谱特性。32C.子空间划分4.1自动子空间划分法操作实践过程四、高光谱D.子空间内的波段选择

在各个子空间内,根据信息熵大小选出能够代表该子空间的波段各一个第Ⅰ空间:12第Ⅱ空间:20第Ⅲ空间:24第Ⅳ空间:634.1自动子空间划分法操作实践过程四、高光谱特征选择方法实例E.整体波段选择对各个子空间所选出的代表波段,计算三个波段之间的联合熵，选出最优的波段组合。33D.子空间内的波段选择4.1自动子空间划分法操作实践过程四全局最优和局部最优问题混合搜索策略全局搜索阶段局部搜索阶段四、高光谱特征选择方法实例4.2混合随机搜索波段选择(遗传算法+局部寻优)34全局最优和局部最优问题四、高光谱特征选择方法实例4.2混合随J2J1?在给定起始位置的条件下，按照某种判据寻找下一个更优位置4.2混合随机搜索波段选择局部最优和全局最优问题四、高光谱特征选择方法实例搜索35J2J1?在给定起始位置的条件下，按照某种判据寻找下一个更优前向选择和后向选择容易陷入局部最优值思考：穷举搜索法会不会陷入局部最优？局部最优：一个矮山峰的山顶全局最优：最高的山峰的山顶对高光谱数据来讲穷举搜索法不可取4.2混合随机搜索波段选择局部最优和全局最优问题四、高光谱特征选择方法实例36前向选择和后向选择思考：穷举搜索法会不会陷入局部最优？局部最找到全局较大值位置P，避免陷入局部极小值在位置P附近，进行局部邻域搜索找到极大值4.2混合随机搜索波段选择混合搜索策略四、高光谱特征选择方法实例a.全局粗略搜索b.局部邻域搜索全局搜索尽可能涉及更多的波段组合形式局部搜索尽可能细致的找到极大值位置跨度大跨度小37找到全局较大值位置P，避免陷入局部极小值在位置P附近，进行局采用遗传算法进行染色体生物进化选择交叉变异码串自然选择过程4.2混合随机搜索波段选择全局粗略搜索阶段四、高光谱特征选择方法实例38采用遗传算法进行染色体生物进化选择交叉变异码串自然选择过程4染色体生物进化选择交叉变异自然选择过程码串波段选择码串筛选码串交叉码串变化波段组合性能评估码串怎么定义？4.2混合随机搜索波段选择全局粗略搜索阶段四、高光谱特征选择方法实例39染色体生物进化选择交叉变异自然选择过程码串波段选择码串筛选码从n个波段中，选择出m个构成波段组合波段选择的码串：b=(0,0,1,0,1,…1,1,0,0)b中有n各分量，其中m个为1，n-m个为0为1，表示该波段被选择为0，表示该波段被舍弃波段选择问题转化为最佳码串求取问题4.2混合随机搜索波段选择全局粗略搜索阶段四、高光谱特征选择方法实例40从n个波段中，选择出m个构成波段组合波段选择问题转化为最佳码随机选择若干个（20-100）码串，构成码串集合B={b1,b2,…bk}利用选择、交叉算子，迭代更新码串集合B对码串集合B中的每个码串bi，计算bi对应的波段组合的性能评估函数（可分性判据）J={J1,J2,…Jk}输出Jp最大值对应的的码串bp得到波段选择方案全局粗略搜索步骤4.2混合随机搜索波段选择全局粗略搜索阶段四、高光谱特征选择方法实例41随机选择若干个（20-100）码串，构成码串集合B={b1对全局搜索结果码串bp=(0,0,1,0,1,…,1)进行邻域搜索。如何体现邻域？已到达需要爬的山脚下，如何爬山？四、高光谱特征选择方法实例4.2混合随机搜索波段选择局部搜索阶段42对全局搜索结果码串bp=(0,0,1,4.2混合随机搜索波段选择局部搜索阶段四、高光谱特征选择方法实例每一次调换码串bp=(0,0,1,0,1,…,1)中的一对分量，即0变1，1变0，计算变换后的波段类别可分性判据。[共有m(n-m)种可能]码串空间的邻域

可分性判据最大的码串即对应最佳波段组合434.2混合随机搜索波段选择局部搜索阶段四、高光谱特征选择方流程四、高光谱特征选择方法实例4.2混合随机搜索波段选择44流程四、高光谱特征选择方法实例4.2混合随机搜索波段选择4小结一、高光谱影像特征选择概述特征选择的基本概念（最佳波段指数等）特征选择的主要类型二、基于可分性准则的波段选择要点：可分性判据、样本三种搜索方式穷举搜索法启发式搜索随机搜索法3.滤波器类型和包装袋类型的概念（分类器学习与特征选择）三、基于光谱特征位置的波段选择

（先验光谱知识、特定目的、包络线）

四、高光谱波段选择新方法的实例1.自动子空间划分波段选择法2.混合随机搜索波段选择（遗传算法+局部寻优）第四章第2节高光谱特征选择45小结第四章第2节高光谱特征选择45第2节高光谱特征选择

武汉大学遥感信息工程学院

龚龑

《高光谱遥感》第四章高光谱数据处理46第2节高光谱特征选择

武汉大学遥感信息工程学一、高光谱特征选择概述二、基于可分性准则的波段选择三、基于光谱特征位置的波段选择四、高光谱波段选择方法实例第四章第2节高光谱特征选择47一、高光谱特征选择概述第四章第2节高光谱特征选择2

通过对数据的评价，从若干个特征（波段）中挑选出用于高光谱遥感影像分析（分类）的有限个特征（波段）。一、高光谱特征选择概述1.1特征选择概念48通过对数据的评价，从若干个特征（波段）目视法数值法通过目视判读衡量影像质量通过定量评估衡量影像质量1.2特征选择类型基于可分性准则的波段选择基于光谱特征位置搜索的波段选择基于统计计算，从分类角度出发基于特定地物，从波谱空间出发一、高光谱特征选择概述49目视法通过目视判读衡量影像质量通过定量评估衡量影像质量1.2一、高光谱特征选择概述二、基于可分性准则的波段选择三、基于光谱特征位置的波段选择四、高光谱波段选择方法实例第四章第2节高光谱特征选择50一、高光谱特征选择概述第四章第2节高光谱特征选择5从所有波段中选择一个波段子集，由该子集构成特征空间，在该特征空间中，各类别的光谱可分性在某一判据下达到最优。二、基于可分性准则的波段选择2.1主要思想51从所有波段中选择一个波段子集，由该子集构成特征空间，可分性判据类别样本1.选出波段子集后2.波段子集的产生方式由搜索策略决定2.1主要思想二、基于可分性准则的波段选择52可分性判据1.选出波段子集后2.波段子集的产生方式2穷举搜索法启发式搜索随机搜索法2.2特征选择搜索方法类型二、基于可分性准则的波段选择53穷举搜索法2.2特征选择搜索方法类型二、基于可分性准则的波段1.穷举搜索法通过穷举搜索，评价各个可能的特征子集的性能指标，找到其中最优的子集。2.2特征选择搜索方法类型二、基于可分性准则的波段选择541.穷举搜索法通过穷举搜索，评价各个可能的特征子方法直接，不会漏掉任一种可能子集。运算量巨大，随波段数增多凸显效率问题。特点2.2特征选择搜索方法类型1.穷举搜索法二、基于可分性准则的波段选择55方法直接，不会漏掉任一种可能子集。特点2.2特征选择搜索方法鉴于穷举法的低效率问题，研究人员提出了启发式搜索。前向选择（ForwardSelection）后向选择（BackwardSelection）2.2特征选择搜索方法类型2.启发式搜索二、基于可分性准则的波段选择56鉴于穷举法的低效率问题，研究人员提出了启发式搜索。前向选择波段子集待选波段集合波段子集初始状态为空一次入选一个波段(该波段在当前剩余特征中最能提高可分性)评价因子（可分性判据）2.启发式搜索2.2特征选择搜索方法类型二、基于可分性准则的波段选择57前向选择波段子集待选波段集合波段子集初始状态为空评价因子波段子集被排除的波段集波段子集初始状态包含所有特征一次淘汰一个波段(该波段在当前被选中波段中最能降低可分性)评价因子（可分性判据）后向选择2.启发式搜索2.2特征选择搜索方法类型二、基于可分性准则的波段选择58波段子集被排除的波段集波段子集初始状态包含前向选择与后向选择能否一定得到最具可分性的波段子集？2.启发式搜索2.2特征选择搜索方法类型二、基于可分性准则的波段选择59前向选择与后向选择能否一定得到最具可分性的波段子集？

前向选择与后向选择均能保证当前被选择波段子集在每一阶段最优，但面对那些复杂的、相互影响的波段，却不能保证所挑选的波段子集是全局最佳。波段子集21234可分性判据所选波段数目波段子集12.2特征选择搜索方法类型2.启发式搜索二、基于可分性准则的波段选择60前向选择与后向选择均能保证当前被选择波段子集在每一阶随机搜索法采用随机的或概率性的步骤或采样过程。例如：基于种群的启发式搜索技术（遗传算法）规则推理系统2.2特征选择搜索方法类型3.随机搜索法二、基于可分性准则的波段选择61随机搜索法采用随机的或概率性的步骤或采样过程。2分类器的学习算法分类器在进行分类之前，需要利用一定的样本信息进行样本训练，使其形成分类判断标准，这一过程也称分类器的学习。样本1类别属性特征1数值特征2数值……特征n数值样本2……样本k分类器形成分类标准特征1数值特征2数值……特征n数值类别属性2.2特征选择搜索方法类型3.随机搜索法二、基于可分性准则的波段选择62分类器的学习算法分类器在进行分类之前，需要利用一定滤波器类型和包装袋类型根据特征选择算法是否独立于分类器的学习算法，可将其分为两种：滤波器类型和包装袋类型。2.2特征选择搜索方法类型3.随机搜索法二、基于可分性准则的波段选择63滤波器类型和包装袋类型根据特征选择算法是否独立于分形成分类标准的同时选择出波段子集先选择出波段子集，再形成分类标准滤波器类型包装袋类型所有特征特征选择学习算法分类与性能评价所有特征产生特征子集学习算法分类与性能评价特征学习特征评估2.2特征选择搜索方法类型3.随机搜索法二、基于可分性准则的波段选择64形成分类标准的同时选择出波段子集先选择出波段子集，再形选择多类别可分性特征时，一般有两个策略：选择各类平均可分性最大的特征选择对最难区分的类别具有最大可分性的特征难以照顾到分布比较集中的类可能会漏掉对各模式具有最大可分性的特征2.3使用可分性准则的策略二、基于可分性准则的波段选择65选择多类别可分性特征时，一般有两个策略：难以照顾到分布比较集特征选择概念特征选择搜索方法穷举搜索法启发式搜索(前向搜素和后向搜索)随机搜索法使用可分性准则小结66特征选择概念使用可分性准则小结21一、高光谱特征选择概述二、基于可分性准则的波段选择三、基于光谱特征位置的波段选择四、高光谱波段选择方法实例第四章第2节高光谱特征选择67一、高光谱特征选择概述第四章第2节高光谱特征选择22利用光谱位置搜索最常用的方法就是利用地物的波段吸收特性进行波段选择。具有地物波谱特征的先验知识波段选择针对特定目的（生物物理化学特性分析或特定类别区分）通常进行包络线去除三、基于光谱特征位置的波段选择68利用光谱位置搜索最常用的方法就是利用地物的波段吸收包络线去除后的光谱曲线图三、基于光谱特征位置的波段选择利用波段吸收特性69包络线去除后的光谱曲线图三、基于光谱特征位置的波段选择利用一、高光谱特征选择概述二、基于可分性准则的波段选择三、基于光谱特征位置的波段选择四、高光谱波段选择方法实例第四章第2节高光谱特征选择70一、高光谱特征选择概述第四章第2节高光谱特征选择25联合熵第i波段影像的熵值三个波段的影像(i1,i2,i3)的联合熵四、高光谱特征选择方法实例4.1自动子空间划分法一般来说联合熵H(i1,i1,i3)越大,图像所含信息越丰富。

对所有可能的波段组合计算其联合熵,并按从大到小的顺序进行排序,则联合熵最大的前面若干个就是最佳波段组合。71联合熵第i波段影像的熵值三个波段的影像(i1,i2,联合熵波段选择的结果,使波段容易聚集在某一连续的波段间;由于高光谱遥感数据的波段信息之间的强相关性,使得多种波段组合方式具有相同的联合熵。原因：波段间灰度接近，变化连续联合熵四、高光谱特征选择方法实例4.1自动子空间划分法72联合熵波段选择的结果,使波段容易聚集在某一连续的波段间解决上述问题的思路就是将全部波段划分为若干个子空间,然后再进行波段选择。将波段划分为若干子空间的方法很多,最常见的是将波段按电磁波波长范围划分为若干子空间。然而这种机械的划分方法没有考虑到地物的光谱特征和影像的局部特征,因而不可取。联合熵四、高光谱特征选择方法实例4.1自动子空间划分法73解决上述问题的思路就是将全部波段划分为若干个子空间,然依据高光谱影像相关系数矩阵灰度图的“成块”特点,根据高光谱影像相邻波段相关系数的大小,把波段划分为若干个子空间,然后分别在各个子空间内利用联合熵算法进行波段的选择。自动子空间划分思路四、高光谱特征选择方法实例4.1自动子空间划分法74依据高光谱影像相关系数矩阵灰度图的“成块”特点,A.数据情况采用OMIS高光谱影像数据,波段数为64个。要求生成伪彩色图。四、高光谱特征选择方法实例4.1自动子空间划分法操作实践过程B.计算相关矩阵依据自动子空间划分思想,计算高光谱所有波段数据之间的相关矩阵,该相关矩阵包含64×64个元素。75A.数据情况四、高光谱特征选择方法实例4.1自动子空间划分法为了更清晰地分析波段间的相互关系,把第1波段与各个波段间相关系数及近邻波段相关系数曲线绘出,如图所示,其中曲线①为第1波段与各个波段间相关系数曲线,曲线②为近邻波段相关系数曲线。四、高光谱特征选择方法实例4.1自动子空间划分法操作实践过程76为了更清晰地分析波段间的相互关系,把第1波C.子空间划分根据相关系数灰度图的分块特征,将所有波段分成四个子空间:第Ⅰ空间:1~12,第Ⅱ空间:13~22,第Ⅲ空间:23~56,第Ⅳ空间:57~64。4.1自动子空间划分法操作实践过程四、高光谱特征选择方法实例经过划分得到的不同子空间具有不同的维数,在每个子空间内的图像数据具有相近的光谱特性。77C.子空间划分4.1自动子空间划分法操作实践过程四、高光谱D.子空间内的波段选择

在各个子空间内,根据信息熵大小选出能够代表该子空间的波段各一个第Ⅰ空间:12第Ⅱ空间:20第Ⅲ空间:24第Ⅳ空间:634.1自动子空间划分法操作实践过程四、高光谱特征选择方法实例E.整体波段选择对各个子空间所选出的代表波段,计算三个波段之间的联合熵，选出最优的波段组合。78D.子空间内的波段选择4.1自动子空间划分法操作实践过程四全局最优和局部最优问题混合搜索策略全局搜索阶段局部搜索阶段四、高光谱特征选择方法实例4.2混合随机搜索波段选择(遗传算法+局部寻优)79全局最优和局部最优问题四、高光谱特征选择方法实例4.2混合随J2J1?在给定起始位置的条件下，按照某种判据寻找下一个更优位置4.2混合随机搜索波段选择局部最优和全局最优问题四、高光谱特征选择方法实例搜索80J2J1?在给定起始位置的条件下，按照某种判据寻找下一个更优前向选择和后向选择容易陷入局部最优值思考：穷举搜索法会不会陷入局部最优？局部最优：一个矮山峰的山顶全局最优：最高的山峰的山顶对高光谱数据来讲穷举搜索法不可取4.2混合随机搜索波段选择局部最优和全局最优问题四、高光谱特征选择方法实例81前向选择和后向选择思考：穷举搜索法会不会陷入局部最优？局部最找到全局较大值位置P，避免陷入局部极小值在位置P附近，进行局部邻域搜索找到极大值4.2混合随机搜索波段选择混合搜索策略四、高光谱特征选择方法实例a.全局粗略搜索b.局部邻域搜索全局搜索尽可能涉及更多的波段组合形式局部搜索尽可能细致的找到极大值位置跨度大跨度小82找到全局较大值位置P，避免陷入局部极小值在位置P附近，进行局采用遗传算法进行染色体生物进化选择交叉变异码串自然选择过程4.2混合随机搜索波段选择全局粗略搜索