论文部分内容阅读
高光谱遥感技术在包括精细农业、环境监测和军事侦察等众多应用领域都有广泛的应用并占据着重要地位。在应用高光谱数据时，对其分类是图像理解与解译的前提。随着遥感探测技术的发展，光谱分辨率和空间分辨率不断细化，使采集到的高光谱图像包含了丰富的光谱和空间信息，这给高光谱图像分类带来机遇的同时也带来了新的挑战。主要面临的问题包括:数据呈现复杂的非线性特性;标记样本缺乏;噪声干扰;“同谱异物”和“同物异谱”现象。通常，传统的基于光谱信息的分类算法忽略了空间信息的协作作用，在处理这些难题时无法获得较高的分类精度。同时，相比于传统的分类算法，深度学习网络在处理非线性数据和深层信息挖掘等方面展现出巨大的潜力，目前被广泛应用于高光谱图像分类领域。因此，本论文为了降低光谱变异性、自适应挖掘数据的高阶特征以及提取对分类任务具有促进作用的空域特征，分别提出了几种基于堆栈稀疏自编码器的空谱联合高光谱图像分类算法。论文的主要研究内容如下:
1、在执行高光谱图像分类任务时，为了解决传统浅层学习模型无法自适应提取高光谱数据的抽象和深层次的有用特征，提出基于堆栈稀疏自编码器和随机森林分类器的高光谱图像分类算法(Stack Sparse Autoencoder and Random Forest，SSARF)。该算法首先利用堆栈稀疏自编码器(Stack Sparse Autoencoder，SSA)自适应从数据中提取抽象和有用的高阶特征，同时利用随机森林(Random Forest，RF)分类器微调整个网络和对获取的高阶特征进行分类。本文将RF引入到SSA模型中，SSA通过刻画数据的内在属性获得了有利于分类任务的高阶特征，同时RF可以很好的折衷模型的泛化能力、预测准确度和操作速度。实验表明，提出的SSARF算法相比于传统的浅层学习模型有能力获得更高的分类精度。
2、传统基于光谱信息的分类算法没有考虑空间分辨率对高光谱数据分类精度影响的两面性。事实上，高光谱图像的分类精度取决于类内光谱变异程度和边缘混合像元数目这两个因素的净效应。针对这个问题，本文提出基于尺度扩展和SSARF的空谱分类算法(SU-SSARF)。该算法首先利用立方卷积法获得不同空间分辨率的高光谱图像;然后利用类别可分性准则选取最适宜空间分辨率图像，将获得的每个像元的空间特征和光谱特征进行级联;最后将级联的特征送入到SSARF模型中进行学习和分类。相比初始高光谱图像，获取的最适宜空间分辨率图像中大部分地物之间的类别可分性增强，一定程度上改善了高光谱数据的“同谱异物”和“同物异谱”现象，从而提高了算法的分类精度。
3、相比于仅使用单一光谱特征的分类算法，提出的SU-SSARF通过考虑固定窗口内像元的光谱变异性获得了更高的分类精度，但是该算法无法进一步整合邻域窗口内像元的几何邻近性和不能有效解决图像的噪声干扰。针对此问题，提出了一种基于联合双边滤波技术(Joint Bilateral Filtering，JBE)和SSARF的空谱分类算法(JBF-SSARF)。该算法首先利用JBF衰减受损图像噪声的同时提取可分性强的空谱特征，然后利用SSARF进行高阶特征学习和分类。实验结果表明JBF-SSARF仅利用单尺度边缘保持滤波特征就能获得比当前一些主流分类算法更高的分类精度。此外，综合考虑多尺度滤波特征对分类任务的积极作用，本文同时提出了基于多尺度自适应引导滤波技术(Multi-scaleAdaptive Guided Filtering，MAGF)和SSARF的空谱分类算法(MAGF-SSARF)。实验表明多尺度滤波特征的协作作用促进算法获得更高的分类精度。
4、在利用反向传播(Backpropagation，BP)算法优化稀疏自编码器(Sparse Autoencoder，SA)的目标函数时，存在收敛速度慢和易于陷入局部极值的不足。此外，现有的一些空谱分类算法忽略了未标记样本的空间结构信息。针对这些问题，本文提出了一种基于改进的SSARF和SUSAN的空谱分类算法(ISSARF-SUSAN)。该算法首先将改进的人工鱼群算法引入到SSARF中，用来解决BP算法对SA的目标函数进行优化时存在的不足;其次利用改进的SSARF模型执行高阶特征学习和分类;然后利用后处理步骤将未标记样本的空间信息整合到初始分类图中，目的是降低初始分类图中的一些错分样本点。最后，本文进一步提出了一种基于多策略融合机制和ISSARF的空谱分类算法(MSF-ISSARF)，用来验证提出的ISSARF-SUSAN算法具有很强的可扩展性。结果表明，相比于当前一些主流分类算法，提出的MSF-ISSARF算法在训练样本有限或充足时均获得最高的分类精度。
1、在执行高光谱图像分类任务时，为了解决传统浅层学习模型无法自适应提取高光谱数据的抽象和深层次的有用特征，提出基于堆栈稀疏自编码器和随机森林分类器的高光谱图像分类算法(Stack Sparse Autoencoder and Random Forest，SSARF)。该算法首先利用堆栈稀疏自编码器(Stack Sparse Autoencoder，SSA)自适应从数据中提取抽象和有用的高阶特征，同时利用随机森林(Random Forest，RF)分类器微调整个网络和对获取的高阶特征进行分类。本文将RF引入到SSA模型中，SSA通过刻画数据的内在属性获得了有利于分类任务的高阶特征，同时RF可以很好的折衷模型的泛化能力、预测准确度和操作速度。实验表明，提出的SSARF算法相比于传统的浅层学习模型有能力获得更高的分类精度。
2、传统基于光谱信息的分类算法没有考虑空间分辨率对高光谱数据分类精度影响的两面性。事实上，高光谱图像的分类精度取决于类内光谱变异程度和边缘混合像元数目这两个因素的净效应。针对这个问题，本文提出基于尺度扩展和SSARF的空谱分类算法(SU-SSARF)。该算法首先利用立方卷积法获得不同空间分辨率的高光谱图像;然后利用类别可分性准则选取最适宜空间分辨率图像，将获得的每个像元的空间特征和光谱特征进行级联;最后将级联的特征送入到SSARF模型中进行学习和分类。相比初始高光谱图像，获取的最适宜空间分辨率图像中大部分地物之间的类别可分性增强，一定程度上改善了高光谱数据的“同谱异物”和“同物异谱”现象，从而提高了算法的分类精度。
3、相比于仅使用单一光谱特征的分类算法，提出的SU-SSARF通过考虑固定窗口内像元的光谱变异性获得了更高的分类精度，但是该算法无法进一步整合邻域窗口内像元的几何邻近性和不能有效解决图像的噪声干扰。针对此问题，提出了一种基于联合双边滤波技术(Joint Bilateral Filtering，JBE)和SSARF的空谱分类算法(JBF-SSARF)。该算法首先利用JBF衰减受损图像噪声的同时提取可分性强的空谱特征，然后利用SSARF进行高阶特征学习和分类。实验结果表明JBF-SSARF仅利用单尺度边缘保持滤波特征就能获得比当前一些主流分类算法更高的分类精度。此外，综合考虑多尺度滤波特征对分类任务的积极作用，本文同时提出了基于多尺度自适应引导滤波技术(Multi-scaleAdaptive Guided Filtering，MAGF)和SSARF的空谱分类算法(MAGF-SSARF)。实验表明多尺度滤波特征的协作作用促进算法获得更高的分类精度。
4、在利用反向传播(Backpropagation，BP)算法优化稀疏自编码器(Sparse Autoencoder，SA)的目标函数时，存在收敛速度慢和易于陷入局部极值的不足。此外，现有的一些空谱分类算法忽略了未标记样本的空间结构信息。针对这些问题，本文提出了一种基于改进的SSARF和SUSAN的空谱分类算法(ISSARF-SUSAN)。该算法首先将改进的人工鱼群算法引入到SSARF中，用来解决BP算法对SA的目标函数进行优化时存在的不足;其次利用改进的SSARF模型执行高阶特征学习和分类;然后利用后处理步骤将未标记样本的空间信息整合到初始分类图中，目的是降低初始分类图中的一些错分样本点。最后，本文进一步提出了一种基于多策略融合机制和ISSARF的空谱分类算法(MSF-ISSARF)，用来验证提出的ISSARF-SUSAN算法具有很强的可扩展性。结果表明，相比于当前一些主流分类算法，提出的MSF-ISSARF算法在训练样本有限或充足时均获得最高的分类精度。