论文部分内容阅读
传统的高光谱图像分类方法大都仅考虑高光谱图像数据的光谱特征进行分类,然而随着高光谱成像技术的飞速发展,所获的影像数据的空间分辨率和谱间分辨率都有显著提高,使得空间信息的利用变为可能。高光谱数据本身除了光谱特征以外也包含了丰富的空间结构特征,而且由于空间分辨率的提高,像素间的关系更强,混叠现象也较为严重造成了混合像元的存在,不同类的样本之间光谱信息也较为相似,仅利用光谱信息的分类很难达到较为理想的结果。本文同时挖掘高光谱图像的空间信息和光谱信息来进行图像分类,提出了几种基于空-谱联合的高光谱图像分类算法,主要工作总结如下:1.提出了一种基于空-谱稀疏性的高光谱图像分类算法。在对高光谱数据进行稀疏性分析的基础上,利用超像素的方法挖掘数据的空间信息,采用稀疏编码的方法挖掘数据的光谱信息,结合超像素间的空间近邻关系设计了基于空-谱稀疏性的高光谱图像分类算法。该方法一方面可以大量减少样本数量,另一方面可以降低混合像元的影响,减少椒盐状的错分,获得区域一致性更好的分类结果。在经常用到的实际的高光谱数据集(AVIRIS卫星)上进行仿真,并将结果与一些经典的方法进行比较,结果表明,本章提出的基于空-谱稀疏性的高光谱图像分类算法在区域一致性和分类精度上均具有明显优势,且具有较好的算法鲁棒性;2.提出了一种基于空-谱核低秩表示的高光谱图像分类算法,利用低秩表示挖掘数据的全局结构信息,利用图像的区域局部一致性挖掘数据的空间信息。考虑到实际的光谱数据很难满足严格的低秩结构,将超像素块进行核映射后在高维的投影空间挖掘数据的低秩结构信息;在半监督图的基础上构造样本空-谱核低秩表示的关系,实现较少标记样本情况下的精确分类。在经常用到的实际的高光谱数据集(AVIRIS卫星)上进行仿真,并将结果与一些经典的方法进行比较,结果表明,本章提出的基于空-谱核低秩表示的高光谱图像分类算法在标记样本数较少的情况下比其他方法精度高,且算法的区域一致性也较其他方法更好;3.设计了一种基于空-谱稀疏张量的高光谱图像分类算法。高光谱图像是一种天然的多维数据,在张量的形式下更利用空-谱信息的挖掘。在稀疏编码理论的基础上,同时考虑高光谱图像的空间一致性,将数据的空域信息与光谱信息相结合,推广到高光谱数据的张量表示上,提出了一种基于空-谱联合的张量稀疏编码算法,用于高光谱数据的分类。在实际的高光谱数据集上进行仿真将结果与一些经典的稀疏编码的算法进行比较,结果表明,本章提出的基于空-谱联合稀疏张量的高光谱图像分类算法比其他方法分类速度有很大的提高,同时也可以保证较高的分类精度,而且分类结果的区域一致性也较好。