论文部分内容阅读
高光谱遥感图像以其纳米级的光谱分辨率及高达几百个波段的光谱信息,揭示了许多传统全色探测不可观测到的地物目标特性,具备了更强的区分地物的能力,被广泛应用于遥感领域。然而,高光谱图像蕴含的丰富信息也导致其数据具有典型的高维度非线性特性,致使对其进行精确分类变得更加困难,这也使得基于高光谱图像的分类技术成为高光谱遥感处理领域的研究热点。目前广泛采用的核学习及距离测度学习方法虽然对于解决上述问题具有明显的优势并得到学界广泛认可,但在运算效率以及鲁棒性等方面仍然存在不足。因此本文以核学习及距离测度学习理论作为基础,围绕当前算法存在的效率和泛化能力差的问题展开研究,从而在现有基础上进一步提高高光谱数据分类精度。当前常用的核学习分类算法大多采用高斯核函数并且利用欧氏距离作为相似性衡量标准,但欧氏距离易受量纲影响的缺陷导致其对诸如高光谱图像的典型高维非线性数据区分的能力有限。虽然使用马氏距离替代欧氏距离可以克服上述缺陷,但当前基于马氏距离测度学习的核学习方法大多基于处理高光谱分类问题能力有限的高斯核进行改造,其分类性能的主要瓶颈在于无法准确选取适宜的高斯核函数的参数,因此这种算法最终体现的性能也存在明显的不足。针对上述问题,本文提出了一种基于多项式核函数改造的马氏距离核学习算法。为了避免使用高斯核带来的由于选择核参数困难导致的分类精度下降问题,本文采用了效率更高、且更适用于进行高光谱图像分类的多项式核函数作为核分类器的基本核函数构造马氏距离核。此外,为了在提高分类精度的同时兼顾计算效率,采用一种高效的低秩马氏距离测度学习算法所构造的距离测度矩阵与之结合,从而构成了一种新型的基于马氏距离测度学习的核学习算法。实验结果显示,该算法与现有的同层次算法算法相比,同时具备了更好的分类精度和更高的运算效率,体现了其在实际应用中的价值。与其他采用欧氏距离作为距离度量构造的加强核函数相比,虽然马氏距离核函数可以依靠拉大异类样本间距离的原理,从更本质的层面提高样本间区分度,但当前基于马氏距离测度学习的加强核算法只能对全体先验知识进行无差别地学习,无法对具体任务中在特征空间分布距离过近的类别样本进行针对性的学习。这种学习策略致使类间距离过近的类别组的特征被忽略,生成的马氏距离矩阵对个别易被错分的地物类别区分度提升不够显著,导致整体分类效果提升不均衡。针对上述问题,本文在当前马氏距离核学习的基础上,提出了针对高光谱图像分类的双层马氏距离核学习算法。该算法可以根据具体的高光谱图像数据集,在传统的马氏距离测度学习过程中进行监测,当监测到某些类别样本由于距离过近而更容易导致错分时,会针对这些类别的数据进行二次学习,再将两次学习的结果融合,从而在无差别学习的基础上对具体的高光谱数据集添加更具有针对性的特征信息,提高核函数的性能,达到从整体上提升高光谱图像分类精度的目的。将高光谱图像的空间信息引入到分类过程中有利于提高分类精度,但当前学界采用的空谱联合学习框架大多都无法将空谱信息充分挖掘并且有效结合。包括将空谱信息进行向量叠加的联合学习框架无法有效抑制噪点,以及过度依赖无监督的图像分割算法性能而导致的精细度不足、甚至由于无视真实地物特征而对图像造成过度腐蚀等诸多缺陷。针对这个问题,本文提出了一种新型的基于马氏距离学习的双层核学习空谱联合高光谱图像分类算法。本文采用了当前空谱联合学习框架中对空谱信息利用最为充分的“先分类,后分割”的策略作为总体学习框架,在分类和分割两个过程中均引入核学习机制,并且寻找到了将距离测度学习算法,基于核学习的分类算法,和基于核学习的图像分割算法有效结合的中间特征量,从而使得核学习算法的优势能够在分类和分割两个过程充分发挥。本文将所提出的算法在多个真实数据集进行了试验,其结果显示,与同类框架的算法及其他空谱联合学习框架算法相比,本文所提出的算法相较于其他算法不仅提高了图像分类精度,并且可以有效保障地物边界的清晰度,具备更加优秀的鲁棒性。