【摘要】：高光譜圖像包含成十上百個(gè)光譜波段,給地物的高精度辨識(shí)提供了豐富的光譜信息,但也帶來了維數(shù)災(zāi)難的問題。如何減小高光譜圖像的維度,并盡可能地保留其有用信息成了近年來的研究熱點(diǎn)。對(duì)比傳統(tǒng)基于統(tǒng)計(jì)理論的降維方法,流形學(xué)習(xí)能很好地挖掘高維數(shù)據(jù)潛在的非線性結(jié)構(gòu),被廣泛應(yīng)用于高光譜圖像的降維。但常見的流形學(xué)習(xí)方法一般都存在著以下兩個(gè)問題:把高光譜圖像的像素看作是高維空間中孤立的點(diǎn),忽略了圖像的空間信息;利用光譜特征在歐氏距離尺度下尋找樣本近鄰點(diǎn)時(shí),容易受到“異物同譜”現(xiàn)象的影響,得到畸形的流形局部特性。針對(duì)以上問題,本文引入了空-譜協(xié)方差特征來刻畫高光譜圖像的像素,并基于該特征提出了三種降維方法,具體研究工作總結(jié)如下:1.本文通過理論分析和實(shí)驗(yàn),從特征表達(dá)和相似性度量?jī)蓚�(gè)方面,闡明了空-譜協(xié)方差特征相比于傳統(tǒng)的光譜特征能用于挖掘更準(zhǔn)確的樣本關(guān)系,從而恢復(fù)出更接近于真實(shí)的數(shù)據(jù)流形�？�-譜協(xié)方差特征充分利用了高光譜圖像的空間信息和光譜信息,有效地緩解了“異物同譜”現(xiàn)象的影響;而對(duì)應(yīng)的Log-Euclidean距離尺度通過計(jì)算樣本在流形上的測(cè)地線距離,能更準(zhǔn)確地衡量樣本點(diǎn)間的相似性。2.針對(duì)傳統(tǒng)LLE算法不能尋找可靠的樣本近鄰關(guān)系的問題,本文提出了一種基于分層空-譜協(xié)方差特征的高光譜圖像局部黎曼嵌入降維方法(GLRE)。GLRE采用了分層策略,基于波段間的不相交信息,通過聚類算法,把高光譜圖像分成內(nèi)部高度同質(zhì)化的幾個(gè)部分,降低了對(duì)應(yīng)流形的復(fù)雜度;再在每個(gè)部分利用空-譜協(xié)方差特征和對(duì)應(yīng)黎曼流形上的局部切平面來挖掘數(shù)據(jù)潛在流形的局部特性,提取出判別性較強(qiáng)的特征。在真實(shí)數(shù)據(jù)上的分類實(shí)驗(yàn)結(jié)果證明了GLRE的有效性。3.針對(duì)傳統(tǒng)的LPP算法用統(tǒng)一的投影矩陣對(duì)整幅高光譜圖像降維,忽略圖像局域同質(zhì)性的問題,本文提出了基于空-譜協(xié)方差特征的高光譜圖像超像素局部保持投影算法(SuperLPP-SSCF)。SuperLPP-SSCF算法根據(jù)局域同質(zhì)性將高光譜圖像分割成許多個(gè)子區(qū)域,再在每個(gè)子區(qū)域里利用基于空-譜協(xié)方差特征的LPP降維,可以得到判別性較強(qiáng)的特征。針對(duì)SuperLPP-SSCF算法中超像素個(gè)數(shù)難以確定的問題,發(fā)展了基于空-譜協(xié)方差特征的多尺度高光譜圖像超像素局部保持投影算法(MSuperLPP)。MSuperLPP算法利用多數(shù)投票的決策融合策略,整合了多個(gè)尺度的SuperLPP-SSCF分類結(jié)果,提高了分類準(zhǔn)確率。在Indian Pines和Zaoyuan數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果證明了兩種方法對(duì)高光譜圖像分類的促進(jìn)作用。
【圖文】：

圖 1-1 高光譜圖像立方體特性則比較相近。根據(jù)這個(gè)特點(diǎn)，高光譜圖像可以用于地物的高精度辨識(shí)。具體地來說，高光譜圖像分類就是根據(jù)每個(gè)像素的光譜特征，對(duì)所有的像素就進(jìn)行分類，分別賦予它們一個(gè)確定的標(biāo)簽，以識(shí)別圖像上的地物。高光譜圖像的分類方法很多，根據(jù)標(biāo)記樣本和未標(biāo)記樣本的使用情況，大致上可以分為三種：無監(jiān)督分類，有監(jiān)督分類和半監(jiān)督分類。（1）無監(jiān)督分類方法事先不需要知道任何樣本標(biāo)簽信息，根據(jù)待分類樣本在特征空間上的分布，按其相似性進(jìn)行集群、歸類。常用的無監(jiān)督分類方法有模糊聚類算法，k-均值聚類算法[1]和多目標(biāo)遺傳聚類方法[2]等。無監(jiān)督分類大大減小了人工干預(yù)的程度，方便計(jì)算機(jī)自動(dòng)判別，但是需要預(yù)先確定地物種類的數(shù)目且實(shí)際分類效果往往比較差，因此很少被采用。（2）有監(jiān)督分類方法則根據(jù)訓(xùn)練樣本學(xué)習(xí)出分類模型，進(jìn)而對(duì)測(cè)試樣本進(jìn)行標(biāo)簽預(yù)測(cè)。常用的有監(jiān)督分類方法有 k 近鄰分類法[3]，貝葉斯分類法[4]，多項(xiàng)式邏輯回歸分類法[5]，稀疏表示分類法[6]，，支持向量機(jī)分類法[7]和最近非常流行的人

a) 偽彩色圖b）各類地物樣本真實(shí)標(biāo)簽及數(shù)目圖 2-2 Zaoyuan 數(shù)據(jù)集物樣本真實(shí)標(biāo)簽及個(gè)數(shù)。2.1.2 高光譜圖像波段相關(guān)性高光譜圖像任意兩個(gè)波段間的相關(guān)性可以用相關(guān)系數(shù)來衡量，其具體定義如下：(1 2) =∑Mx=1∑Ny=1[1( )ˉ1][2( )ˉ2]√(∑Mx=1∑Ny=1[1( )ˉ1]2) (∑Mx=1∑Ny=1[2( )ˉ2]2)(2-1)ˉ1=1M∑x=1N∑y=11( ) (2-2)ˉ2=1M∑N∑2( ) (2-3)
【學(xué)位授予單位】：華南理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP751

【參考文獻(xiàn)】

相關(guān)期刊論文 前2條

1 戴宏亮;戴道清;;基于ETAFSVM的高光譜遙感圖像自動(dòng)波段選擇和分類[J];計(jì)算機(jī)科學(xué);2009年04期

2 周爽;張鈞萍;蘇寶庫;;基于最速上升算法的超光譜圖像波段選擇搜索算法[J];計(jì)算機(jī)應(yīng)用研究;2008年11期

本文編號(hào)：2695250