高光譜圖像分類及端元提取方法研究.pdf

1、高光譜遙感是將目標(biāo)探測技術(shù)與光譜成像技術(shù)相結(jié)合的多維地物信息獲取技術(shù)，可以同時(shí)獲取描述地物分布的二維空間信息與描述地物光譜特征屬性的一維光譜信息。隨著光譜分辨率的不斷增加，人們對地物光譜特征的認(rèn)知能力也不斷深入，許多隱藏在狹窄光譜范圍內(nèi)的地物特性逐漸被人們所發(fā)現(xiàn)?！岸嗽睘楦吖庾V數(shù)據(jù)中可以詳盡表示待測地物光譜屬性的純像素，獲得的端元向量通常作為高光譜圖像處理算法的先驗(yàn)知識，因此得到的端元向量是否可以突出地反映待研究地物的光譜屬性信息，對

2、其他高光譜算法的處理精度起到極其重要的作用。相對于多光譜遙感而言，高光譜遙感具有更加豐富的地物光譜信息，可以詳盡地反映待測地物細(xì)微的光譜屬性，其較寬的波譜覆蓋范圍使得在高光譜數(shù)據(jù)處理時(shí)，可以根據(jù)需要選擇特定的波段來突顯地物特征，為高光譜數(shù)據(jù)處理算法提供更多的地物原始數(shù)據(jù)，使地物光譜信息的精確處理與分析成為可能。但是由于高光譜圖像具有較高的數(shù)據(jù)維數(shù)，使常規(guī)的圖像處理方法在處理高光譜圖像時(shí)有較大的限制。為此本文從分析基本高光譜遙感圖像處理理

3、論和現(xiàn)有算法及相關(guān)學(xué)科技術(shù)入手，重點(diǎn)研究了高光譜遙感圖像的特征降維、端元提取以及分類處理方法。
　　 在特征降維方面，當(dāng)訓(xùn)練樣本較少時(shí)，高光譜數(shù)據(jù)的分類精度受到嚴(yán)重的影響。通常解決這種現(xiàn)象的辦法是對原始數(shù)據(jù)進(jìn)行特征降維處理，然而多數(shù)特征降維算法無法直接給出最優(yōu)降維特征數(shù)。為此提出利用蒙特卡羅隨機(jī)實(shí)驗(yàn)可以對特征參量進(jìn)行統(tǒng)計(jì)估計(jì)的特性，計(jì)算高光譜圖像的最優(yōu)降維波段數(shù)，并與相關(guān)向量機(jī)結(jié)合，對降維后的數(shù)據(jù)進(jìn)行分類。實(shí)驗(yàn)結(jié)果表明了使用蒙特

4、卡羅算法求解降維波段數(shù)的可靠性。相比較原始未降維數(shù)據(jù)，高光譜圖像經(jīng)過蒙特卡羅特征降維算法處理后，分類精度有較大幅度的提高。
　　 在高光譜端元提取方面，通過對各種算法的分析，主要研究端元提取效果較好的N-FINDR算法。然而樣本的排序?qū)υ撍惴ǖ亩嗽崛斐梢欢ㄓ绊懀⑶覀鹘y(tǒng)N-FINDR算法需要根據(jù)端元的個(gè)數(shù)進(jìn)行降維處理，從而限制了該算法的應(yīng)用。實(shí)際高光譜數(shù)據(jù)中存在的同一地物在高維空間中非緊密團(tuán)聚現(xiàn)象也對端元提取增加了難度。為

5、此提出改進(jìn)的算法停機(jī)準(zhǔn)則和數(shù)據(jù)特征預(yù)處理方法，并使用支持向量機(jī)對提取到的端元進(jìn)行二次提取。實(shí)驗(yàn)結(jié)果表明，改進(jìn)的停機(jī)準(zhǔn)則進(jìn)一步增加了由端元向量組組成的凸體體積。數(shù)據(jù)特征預(yù)處理和基于支持向量機(jī)的二次端元提取分別提升了數(shù)據(jù)的可分性和提取到端元的精度。
　　 在高光譜圖像分類方面，模糊C-均值聚類算法因算法簡單、收斂速度快等優(yōu)點(diǎn)受到廣泛的關(guān)注。然而由于高光譜數(shù)據(jù)的維數(shù)較高，其光譜波段的非線性特性使得傳統(tǒng)模糊C-均值聚類算法無法在原始空間

6、得到較好的聚類結(jié)果。另外，模糊C-均值聚類算法在計(jì)算聚類中心時(shí)，僅使用了各樣本對聚類中心的隸屬度，忽略了樣本之間固有存在的空間分布特征。為此提出了模糊核加權(quán)C-均值聚類算法，在計(jì)算模糊核聚類中心時(shí)，根據(jù)樣本的空間分布特征，為每個(gè)樣本分配不同的權(quán)值，使得每個(gè)核聚類中心隨著樣本的不同而各有不同。標(biāo)準(zhǔn)數(shù)據(jù)和實(shí)際高光譜數(shù)據(jù)的實(shí)驗(yàn)結(jié)果均表明，相比較傳統(tǒng)模糊C-均值聚類算法，模糊核加權(quán)C-均值聚類算法在總體分類精度上有較大的提高。
　　 支

7、持向量機(jī)被廣泛使用在高光譜數(shù)據(jù)分類中，使用傳統(tǒng)支持向量機(jī)對高光譜圖像進(jìn)行分類時(shí)，認(rèn)定每個(gè)特征波段擁有相同的權(quán)值。然而在小樣本高光譜圖像分類中，由于冗余波段的影響，極容易造成“維數(shù)災(zāi)難”現(xiàn)象，使得分類精度嚴(yán)重下降。為此提出兩種特征加權(quán)支持向量機(jī)以消除“維數(shù)災(zāi)難”現(xiàn)象，提高高光譜圖像分類的精度：1)ReliefF特征加權(quán)支持向量機(jī)(RSVM)，2)模糊ReliefF特征加權(quán)支持向量機(jī)(FRSVM)。實(shí)驗(yàn)選取玉米種子圖像和公開使用的高光譜數(shù)據(jù)