發(fā)布時(shí)間：2017-12-14 12:06

  本文關(guān)鍵詞：基于光譜和空間信息的高光譜圖像分類

  更多相關(guān)文章： 高光譜圖像 特征提取 空間和光譜信息分類 支持向量機(jī) 形態(tài)分布 噪聲分析

【摘要】：本文通過(guò)空間和光譜信息相結(jié)合的方法研究高光譜遙感圖像的分類問(wèn)題。高光譜圖像可由機(jī)載或者星載平臺(tái)的高光譜成像系統(tǒng)獲取,可用于鑒別不同地物并獲得不同目標(biāo)(比如建筑物、水體、道路、農(nóng)田、陰影等)的幾何特性。然而為了實(shí)現(xiàn)高光譜數(shù)據(jù)的實(shí)際應(yīng)用,需要建立一種有效且高效率的數(shù)據(jù)分析技術(shù)。本文主要研究高光譜遙感圖像的分類問(wèn)題,它是很多有關(guān)環(huán)境監(jiān)測(cè)和目標(biāo)檢測(cè)應(yīng)用的基礎(chǔ)。圖像分類是根據(jù)各自在圖像信息中所反映的不同特征,把不同類別的目標(biāo)區(qū)分開來(lái)的圖像處理方法。然而,傳統(tǒng)的分類技術(shù)很難適用于具有巨大數(shù)據(jù)量的高光譜圖像,使分類技術(shù)面臨著新的挑戰(zhàn)。近年來(lái)提出的空間和光譜信息相結(jié)合的方法,能夠有效的從高光譜圖像中提取有用信息。本文針對(duì)高光譜圖像,提出幾種新的基于空間和光譜信息的分類方法,能自動(dòng)地從高光譜圖像中提取有用的信息。此外,本文所提出的新的分類算法對(duì)很多高光譜遙感應(yīng)用中普遍存在的有限訓(xùn)練樣本和觀測(cè)噪聲問(wèn)題也有針對(duì)性考慮。本文的主要研究工作和創(chuàng)新性貢獻(xiàn)如下:(1)用于有噪聲高光譜圖像分類的線性特征提取方法的對(duì)比性研究。由于數(shù)據(jù)量龐大,高光譜圖像處理通常是比較耗時(shí)的�，F(xiàn)在許多應(yīng)用領(lǐng)域?qū)Ω吖庾V圖像處理提出了實(shí)時(shí)性要求。本文實(shí)現(xiàn)并系統(tǒng)地比較了針對(duì)具有幾種典型噪聲的高光譜圖像的基于線性特征提取的分類方法,比較了不同的基于線性特征提取的分類方法的性能和相應(yīng)的計(jì)算量。在實(shí)際應(yīng)用中,高光譜相機(jī)的周圍環(huán)境會(huì)隨時(shí)間變化,所以高光譜圖像會(huì)被不同的噪聲污染。為了模擬這種實(shí)際情況,將椒鹽噪聲、高斯噪聲、斑點(diǎn)噪聲及其混合噪聲人為地添加到高光譜圖像中。并采用支持向量機(jī)的分類結(jié)果來(lái)衡量分類性能。實(shí)驗(yàn)結(jié)果有助于為有噪高光譜圖像的分類選擇合適的線性特征提取方法。實(shí)驗(yàn)結(jié)果表明,無(wú)論信噪比如何,在分類之前采用偏最小二乘和偏最小二乘-SB的特征提取方法會(huì)使得分類結(jié)果最優(yōu)。此外,當(dāng)信噪比較低的時(shí)候,例如達(dá)到最小值,在分類之前采用主成分分析的特征提取會(huì)使得分類結(jié)果最優(yōu)。采用特征提取會(huì)減少分類階段的時(shí)間,采用最大噪聲分量作為特征提取方法的分類算法速度最快。實(shí)驗(yàn)結(jié)果也表明有噪高光譜圖像在分類前采用線性特征提取方法能夠有效提高分類精度。(2)改進(jìn)了具有對(duì)偶性的擴(kuò)展形態(tài)輪廓特征。提出了用于高光譜圖像分類的具有對(duì)偶性的擴(kuò)展形態(tài)輪廓(EMPD)特征,與傳統(tǒng)的形態(tài)輪廓特征EMP方法相比,該方法能有效降低形狀噪聲,從而獲得更高的分類精度。此外,將線性濾波技術(shù)和支持向量機(jī)分類器相結(jié)合,用于高光譜圖像分類,通過(guò)對(duì)城市數(shù)據(jù)集的實(shí)驗(yàn)表明,能夠進(jìn)一步提高分類精度。對(duì)空間信息和光譜信息分別單獨(dú)地和合并地進(jìn)行了檢驗(yàn)。在維度和冗余方面,通過(guò)非參數(shù)監(jiān)督特征提取技術(shù)(NSFETs)中的的判別邊界特征提取方法和非參數(shù)權(quán)重特征提取方法,對(duì)具有對(duì)偶性的擴(kuò)展形態(tài)輪廓(EMPD)特征提取方法進(jìn)行了深入研究。在使用SVM進(jìn)行分類之前,對(duì)訓(xùn)練和測(cè)試樣本進(jìn)行線性濾波能夠從很大程度上提高分類精度。而且,濾波也可以改善分類結(jié)果圖,特別是數(shù)據(jù)集比較集中時(shí),濾波之后的分類結(jié)果圖陰影更加明顯。除此之外,考慮到噪聲對(duì)于NSFETs的影響,所以建議在嚴(yán)苛的環(huán)境下應(yīng)該避免使用(3)提出了針對(duì)高光譜圖像分類中超小訓(xùn)練樣本分析的過(guò)擬合支持向量機(jī)標(biāo)記法和骨架化標(biāo)記選擇法。本文提出了兩種針對(duì)高光譜圖像分類問(wèn)題中超小樣本分析的新方法:過(guò)擬合支持向量機(jī)標(biāo)記選擇法和骨架化標(biāo)記選擇法。標(biāo)記指可以表示某一特定類的最可靠的像素。兩種方法適用于分類問(wèn)題中的超小訓(xùn)練樣本分析,極端情況是高光譜圖像的一類中只有一個(gè)訓(xùn)練樣本。此外,通過(guò)空間和光譜信息相結(jié)合的非參數(shù)監(jiān)督特征提取的方法,甚至在超小訓(xùn)練樣本情況下也可以獲得更好的分類精度。對(duì)每一類具有1-10個(gè)訓(xùn)練樣本的情況,采用非參數(shù)權(quán)重特征提取的方法可取得更好的分類精度。實(shí)驗(yàn)表明,在超小樣本分析中,使用上述標(biāo)記選擇方法可以得到合理有效的分類圖(即使訓(xùn)練樣本很少)。(4)提出了基于空間-光譜信息的迭代支持向量機(jī)分類方法。針對(duì)有限訓(xùn)練樣本和隨機(jī)訓(xùn)練樣本導(dǎo)致誤分問(wèn)題的情況,提出了一種基于空間-光譜信息的迭代支持向量機(jī)分類方法(ISVM)。為了提高迭代支持向量機(jī)的分類精度,在每次迭代中,使用多數(shù)表決算法和標(biāo)記圖校正方法來(lái)校正訓(xùn)練樣本。采用AVIRIS Indian Pine高光譜圖像數(shù)據(jù)的實(shí)驗(yàn)結(jié)果表明,ISVM方法在小樣本情況下,與SVM-RBF、線性SVM、K-NN等分類器相比,能夠獲得更好的分類精度。
【學(xué)位授予單位】：西北工業(yè)大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP751
，

本文編號(hào)：1287814