1、應用小波轉換萃取高光譜影像光譜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特徵於類神經網路分類楊琇涵楊琇涵指導教授：徐百輝老師指導教授：徐百輝老師報告大綱報告大綱n前言n研究目的n方法介紹n小波轉換n實驗n結論n未來方向n參考資料前言前言n分類影像資料統計特性計算需足夠的樣本量。n獲取資料量大，轉換成資訊的成本高。研究目的研究目的n小波轉換萃取高光譜影像特徵幫助影像分類n以小波轉換萃取光譜特徵n以萃取之特徵作為倒傳遞網路之輸入，訓練分類網路。n以類神經網路分類實驗影像，評估方法之可行性。方法介紹方法介紹-小波轉換小波轉換方法介紹方法介紹-小波轉換小波轉換n將小波轉換視為一種旋積(conv
2、olution)，根據濾波的特性，能將訊號轉成另一種結果（輸出訊號）。n簡化計算，以二進方式選擇尺度、平移函數方法介紹方法介紹-多解析度多解析度n一連串彼此互相包含的近似空間n相鄰尺度時的組成210-1-2.VVVVV.方法介紹方法介紹-多解析度多解析度n近似部分：n細節部分：ja n jd n方法介紹方法介紹-正交小波快速轉換正交小波快速轉換n共軛鏡像濾波器(Conjugate Mirror Filters)n計算正交小波係數 方法介紹方法介紹-正交小波快速轉換正交小波快速轉換n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。ja1ja圖1 正交小波快速轉
3、換實驗實驗n實驗影像n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。實驗實驗圖2 實驗流程實驗實驗n分類精度實驗實驗圖3 分類精度圖類神經分類精度:42%(100)(100)(100)實驗結果分析實驗結果分析n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實驗結果分析nWoods與其他類別的差異性較大，較能與其他類別區分出來，而實驗結果也證明了這項理論推論。實驗結果分析實驗結果分析n分解後光譜(近似部分)Woods Corn Grass Soybean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
4、次（右）實驗結果分析實驗結果分析n粗解析度下的小波分解細節部分n往往是雜訊或不重要的資訊實驗結果分析實驗結果分析圖7 分解第一次實驗結果分析實驗結果分析圖8 分解第三次實驗結果分析實驗結果分析n細解析度下的小波分解細節部分n各類別的細節部分有較為明顯的差異n可被視為是類別特徵，做為分類之依據。n分類精度提高至68.87%n小波轉換能幫助除去光譜資訊中的雜訊，且其細節資訊也能幫助找出類別特徵。結論結論n小波轉換n降低維度n保留資料特徵，除去冗餘n應用於類神經網路分類n加速分類結果n提高分類精度n類神經網路訓練之不穩定性未來方向未來方向n小波轉換 n小波神經網路參考文獻參考文獻nHsu,P.-H.(2003).Spectral Feature Extraction of Hyperspectral Images using Wavelet Transform.nMallat,S.(1998).A Wavelet Tour on Signal Processing.New York,Academic Press.nThank you for your attention.
