發(fā)布時間：2020-10-24 10:30

　　 高光譜遙感憑借其獨特的觀測視角和精細化辨別觀測對象的能力,成為遙感技術(shù)的重大突破和研究熱點。然而,光譜和空間分辨率不斷提升導致的光譜維度高、波段相關(guān)性強,以及外部干擾引發(fā)的特征間界限高度非線性等問題,使得分類這一重要且常用的遙感信息獲取技術(shù)遇到了現(xiàn)實挑戰(zhàn)。因此,本文針對高光譜圖像分類問題,在多核學習方法的框架下,以充分挖掘樣本所包含的內(nèi)在結(jié)構(gòu)信息和判別性信息為出發(fā)點,從多核組合系數(shù)優(yōu)化、核函數(shù)結(jié)構(gòu)優(yōu)化及樣本特征優(yōu)化等不同角度,探索解決高光譜圖像分類中的異構(gòu)特征、類別間界限高度非線性和特征間相關(guān)性強等問題的方法。主要研究工作如下:首先,針對高光譜圖像空譜聯(lián)合分類中有效融合異構(gòu)特征的問題,提出一種基于理想核優(yōu)化的多核學習框架。通過構(gòu)建一個包含理想核的目標優(yōu)化函數(shù),將理想核中蘊含的判別性信息納入到組合系數(shù)尋優(yōu)過程中。之后,按照挖掘核矩陣所蘊含的樣本相似性信息和采用信號處理中信號稀疏表示這兩種不同的思路,分別構(gòu)建并求解優(yōu)化目標函數(shù)。通過空譜聯(lián)合特征的分類實驗表明,所提出的方法能夠有效地利用樣本中蘊含的判別性信息,從而對基本核進行優(yōu)化集成,提高了分類精度。其次,針對高光譜圖像中類別間界限高度非線性的問題,從多核函數(shù)整體結(jié)構(gòu)優(yōu)化方面入手,提出一種基于自適應核結(jié)構(gòu)的多核學習分類方法。將數(shù)據(jù)相關(guān)核與多核學習相結(jié)合,通過挖掘樣本信息來進行核結(jié)構(gòu)自適應優(yōu)化。在對組合核進行保角變換的基礎(chǔ)上,通過求解一組合適的膨脹系數(shù),增加位于類間邊界處體積元的體積,從而獲得一個特征空間結(jié)構(gòu)更優(yōu)的核函數(shù)。通過不同基核條件下的對比實驗證明,經(jīng)過核結(jié)構(gòu)自適應優(yōu)化后,算法的分類精度有不同程度的提升,尤其是在基本核分類能力有限的情況下,優(yōu)化的效果更為明顯。最后,針對光譜分辨率提升導致的光譜特征間耦合度強且波段相關(guān)性大的問題,從優(yōu)化樣本特征的角度,提出了一種基于馬氏距離的多核學習算法。將馬氏距離度量學習與多核學習相結(jié)合,通過學習一個馬氏距離矩陣,從而將樣本映射到一個更加適合于分類操作的特征空間,在去除特征之間的耦合關(guān)系,并消除尺度影響的同時,強化樣本特征與同類樣本之間的關(guān)系,以達到優(yōu)化樣本特征的目的。實驗證明,與使用歐式距離核函數(shù)的多核學習方法相比,馬氏距離多核學習算法具有更高的分類精度,并且通過對同類樣本的內(nèi)聚作用,減少了支持向量個數(shù),縮短了分類器的訓練時間和測試時間。
【學位單位】：哈爾濱工業(yè)大學
【學位級別】：博士
【學位年份】：2019
【中圖分類】：TP751;TP181
【部分圖文】：

日采集于美國印第安納西北部的 Indian Pines 區(qū)域，既包含農(nóng)業(yè)用地又包含森林用地。原始圖像數(shù)據(jù)的空間尺寸為 145×145 個像素，空間分辨率為 20m。圖像包含 224 個光譜波段，覆蓋 0.4μm-2.4μm 的電磁波譜范圍。去除 4 個低信噪比的波段和 20 個水吸收帶，共有 200 個波段用于研究。該圖像中的地物包含16 類，每種類別包含的像素數(shù)從 20 到 2468 不等，由于像素數(shù)比波段數(shù)少，因此去掉了苜蓿、牧草、燕麥和石鋼塔等四個樣本數(shù)非常少的類別，選取 12 類地物用于研究。由第 50、27、17 波段組成的假彩色合成圖像及地物類別填圖如圖2-2 所示。（2）University of Pavia 數(shù)據(jù)集：該組數(shù)據(jù)由反射光學系統(tǒng)成像光譜儀（ROSIS-3）傳感器在 2002 年 7 月 8 日采集于意大利的帕維亞大學。這組數(shù)據(jù)覆蓋 0.43μm-0.86μm 的電磁波譜范圍，共有 115 個波段，覆蓋了可見光和近紅外波段。去除 12 個噪聲波段后，保留 103 個波段用于研究。該圖像數(shù)據(jù)空間尺寸為 610×340 像素，1.3m 的空間分辨率，共包含 9 類地物類別，每類地物的標記像素數(shù)均超過 1000 個。由其中三個波段組成的假彩色圖像及地物類別填圖如圖 2-3 所示。

圖 2-3 University of Pavia 數(shù)據(jù)集的假彩色合成圖及地物真實圖Fig.2-3 False color image and ground truth map of University of Pavia data set上述兩個數(shù)據(jù)集是高光譜遙感分析中常用的數(shù)據(jù)集，從地物類型上看蓋了農(nóng)作物和城市兩類主要應用，具有一定代表性，反映了主要遙感應種環(huán)境條件。表 2-1 給出了兩個數(shù)據(jù)集的詳細數(shù)據(jù)描述，包括每種類別代表的地物每類樣本的數(shù)量。表 2-1 Indian Pines 及 Pavia University 數(shù)據(jù)描述Table2-1 Indian Pines and Pavia University data descriptionIndian Pines Pavia University類別 數(shù)量 類別 數(shù)量C1-免耕玉米 1434 C1–柏油路面 6852C2-少耕玉米 834 C2-草地 18686C3-玉米 234 C3-砂礫屋頂 2207C4-草地/牧草 497 C4-樹木 3436C5-草地/樹木 747 C5-金屬屋頂 1378C6-干草料堆 489 C6-裸露土地 5104C7-少耕大豆 968 C7-瀝青屋頂 1356

第 3 章 基于理想核優(yōu)化的高光譜圖像分類RMKL 等算法要長，但比 NMF-MKL 算法和 SimpleMKL 算法時間稍短。從總運行時間上看，各種方法的總運行時間隨訓練樣本數(shù)量增加有一定的增長，但主要還是由于訓練時間增加，測試時間增長不明顯。由于 Stack-SVM不涉及大量的多核矩陣計算，因此測試時間較短，其余多核學習算法總運行時間則基本相同。所提出的 IKMKL-LP 和 IKMKL-Sparse 算法的訓練時間和總運行時間處于對比算法的中等水平。
【參考文獻】

相關(guān)期刊論文 前10條

1 張小東;王茂芝;侯毅;;基于烴微滲漏的航空高光譜遙感蝕變信息提取[J];科學技術(shù)與工程;2015年03期

2 沈媛媛;嚴嚴;王菡子;;有監(jiān)督的距離度量學習算法研究進展[J];自動化學報;2014年12期

3 余旭初;譚熊;付瓊瑩;王蔚濤;;聯(lián)合紋理和光譜特征的高光譜影像多核分類方法[J];測繪通報;2014年09期

4 何進榮;丁立新;胡慶輝;李照奎;;高維數(shù)據(jù)空間的性質(zhì)及度量選擇[J];計算機科學;2014年03期

5 劉慶杰;荊林海;王夢飛;藺啟忠;;基于克隆選擇支持向量機高光譜遙感影像分類技術(shù)[J];光譜學與光譜分析;2013年03期

6 華曄;張濤;奚后瑋;王玉斐;黃秀麗;;基于決策樹的高光譜遙感影像分類方法研究[J];計算機技術(shù)與發(fā)展;2012年06期

7 王娜;劉國勝;李霞;;基于成對約束半監(jiān)督學習的數(shù)據(jù)相關(guān)核優(yōu)化方法[J];模式識別與人工智能;2011年05期

8 汪洪橋;孫富春;蔡艷寧;陳寧;丁林閣;;多核學習方法[J];自動化學報;2010年08期

9 梅鋒;趙春暉;孫巖;王立國;;基于新型光譜相似度量核的高光譜異常檢測算法[J];光子學報;2009年12期

10 趙春暉;劉凡;;基于改進自組織競爭神經(jīng)網(wǎng)絡(luò)的高光譜圖像分類[J];應用科技;2009年08期

本文編號：2854346