论文部分内容阅读
高光谱图像分类是图像理解和解译领域重要研究课题之一。随着高光谱遥感技术的发展,使得空间分辨率和光谱分辨率不断提高的同时,也给高光谱图像分类带来了新的挑战。主要面临的问题有:1、高光谱图像光谱维度高,数据冗余大;2、高光谱数据呈现复杂的非线性特性;3、训练样本缺乏;4、“同谱异物”和“同物异谱”现象仍然存在。其中“同谱异物”和“同物异谱”现象使得基于光谱信息的图像分类算法精度很低,而高维度和训练样本相对较少容易遭遇“Hughes”现象,所以如何充分挖掘高光谱遥感图像的光谱特征和空间特征,如何开发出更有效的分类框架提高其分类精度是本论文的研究重点。论文的主要研究内容如下:1、高维度和非线性可分性是高光谱遥感图像的固有属性,而传统的基于嵌入共享子空间岭回归的空谱分类算法(Spatial-spectral Shared Ridge Regression,SSSRR)仅在线性空间对高光谱图像进行分类,忽略了高光谱图像各地物类别间的非线性可分性。为克服此问题,本文提出了基于嵌入非线性共享子空间核岭回归的空谱分类算法(Spatialspectral Shared Kernel Ridge Regression,SSSKRR),SSSKRR使用基于核空间的核岭回归算法(KRR)和非线性共享子空间方法对SSSRR进行改进,使数据更具有可分性,得到了比线性方法更好的分类结果。此外,本文采用了一种有效的基于奇异值分解(Singular Value Decomposition,SVD)的迭代优化算法对SSSKRR目标函数进行快速求解,从而避免了传统核学习方法中时间复杂度高的问题。通过真实的高光谱数据实验表明,本章所提的方法能够实现快速、高鲁棒性和高精度的高光谱图像分类。2、训练样本的缺乏是影响高光谱遥感图像分类效果的直接因素之一,而SVM能较好的适应小样本情况。传统的基于SVM的高光谱图像空间和光谱信息的分类算法常应用马尔科夫随机场(Markov Random Fileld,MRF)和图割(Graph Cut,GC)等无监督处理算法对SVM结果进行优化处理,没有充分使用数据的类别信息,因此,它很可能丢失许多对分类有用的鉴别信息。针对此问题,本文提出了基于空间逻辑回归(Spatial Logistic Regression,SLR)的高光谱图像支持向量分类算法(SVM+SLR),该算法是一个两层学习模型,对高光谱图像的光谱信息和空间信息进行分层利用。SVM+SLR首先用SVM对原始高光谱图像进行处理,获得一维特征;然后用矩形窗提取图像的邻域信息;最后用有监督分类算法逻辑回归对提取的空间特征进行分类。实验结果证明所提方法能在有效的提高高光谱图像的分类精度的同时大幅度减少了测试时间。3、当训练样本极少时,SVM+SLR由于使用线性逻辑回归使得其分类精度仍然较低。针对此问题,本论文进一步提出了一种基于SVM多层学习模型的空谱分类算法(Spatial-spectral SVM-based Multi-layer Learning Algorithm,SSMLL),该算法属于三层学习模型。SSMLL首先用基于光谱特征的SVM对原始高光谱图像进行处理;为了规范SVM结果和增强非线性特性,引入Sigmoid函数层对SVM结果进行处理;最后用矩形窗提取图像的空间邻域信息,并用核SVM进行分类。在训练样本特别少时,SSMLL中第三层核SVM的非线性特性使得其分类精度得到了进一步的提高,实验结果验证了所提出的方法在高光谱图像分类应用中的潜力。4、虽然基于单一局部邻域空间特征的空谱分类算法能获得不错的分类效果,但单一空间特征只能描述高光谱图像的单一空间特性,其分类精度仍然有提升的空间。针对此问题,本文提出了一种基于多特征融合和核主成分分析(KPCA)降维的空谱分类算法(MF-KPCA)。扩展的多元属性特征(Extended Multi-Attribute Profiles,EMAP)和局部二值模式(Local Binary Pattern,LBP)是两种非常有效的空间特征,MF-KPCA首先提取高光谱图像的EMAP和LBP特征,结合光谱特征,并用KPCA对每个特征进行非线性降维处理,最后用SVM进行分类。本文首次把EMAP特征和KPCA同时引入到分类算法中,KPCA既能去掉冗余信息,降低了计算复杂度,又能获得可分性更强的特征,提高了算法的分类精度。5、传统的基于EMAP特征的空谱分类算法利用PCA对原始高光谱图像进行降维,然后对每个主成分提取其EMAP特征。然而,使用PCA处理得到的特征图像不能完整的保持其空间结构,影响了分类精度;此外,EMAP特征具有大量的冗余信息,且容易受到噪声的影响。为了克服这些问题,本文进一步提出了基于EMAP和图像融合递归滤波器的空谱分类算法(EMAP-IFRF)。EMAP-IFRF首先用线性预测误差(Linear Prediction Error,LPE)取代PCA对原始高光谱图像进行无监督波段选择处理;然后对选择的波段提取其EMAP特征;再用图像融合对EMAP特征进行降维和去噪处理;最后用递归滤波器对降维后的EMAP特征进行进一步平滑和边缘保持处理,并用SVM进行分类。EMAP-IFRF由于LPE和递归滤波器的使用,获得了更加有效的空间特征,进一步提高了算法的分类精度。此外,图像融合的使用对EMAP特征进行降维处理,使得所提出的算法消耗了更少的内存和运行时间。