空-譜聯(lián)合高光譜數(shù)據(jù)降維與分類方法研究.pdf

1、高光譜影像數(shù)據(jù)分類是近年來遙感數(shù)據(jù)解譯的熱點問題之一。隨著高光譜成像技術的發(fā)展,所獲影像數(shù)據(jù)的空間分辨率得到顯著提高,使得在分類中利用空間信息成為可能。本文在挖掘高光譜數(shù)據(jù)空間信息的基礎上,研究了光譜與空間信息聯(lián)合使用的策略,設計了幾種空譜聯(lián)合的半監(jiān)督高光譜數(shù)據(jù)維數(shù)約簡與分類方法。具體研究內容如下:
　　(1)設計了一種基于空譜稀疏感知圖的高光譜數(shù)據(jù)分類方法。首先,在高光譜數(shù)據(jù)的空間一致性假設下,挖掘層次化的空域局部結構,聯(lián)合光譜

2、數(shù)據(jù)的非負低秩表示構造出空譜結合的稀疏感知圖。利用該空譜稀疏感知圖形成Laplacian正則,實現(xiàn)半監(jiān)督學習,在極少標記樣本的條件下,能夠獲得準確的分類結果。將所提出的方法進行Indian Pines、Salinas和Pavia University等實際高光譜數(shù)據(jù)的分類,實驗結果表明:該算法通過引入空間信息,能夠有效提高分類器的識別率,尤其是在小樣本情況。
　　(2)設計了一種基于空譜表征學習的高光譜數(shù)據(jù)降維方法。針對半監(jiān)督降維

3、中的正則圖規(guī)模過大的問題,將數(shù)據(jù)選擇歸結為稀疏表示問題,利用表征學習獲得“代表性”數(shù)據(jù)。在線性判別分析中構造稀疏樣本的光譜Laplacian正則,與層次化空間Laplacian正則,尋找最優(yōu)投影方向實現(xiàn)半監(jiān)督降維。在Indian Pines等實際高光譜數(shù)據(jù)上進行實驗仿真,結果顯示:與PCA,LDA,LPP,SDLA降維算法相比,能夠更好的提取判別性的特征,在采用SVM等基本分類器時,分類正確率有所提高。
　　(3)設計了一種基于空

4、譜張量稀疏表示的高光譜數(shù)據(jù)分類算法。張量能夠將高光譜數(shù)據(jù)的空譜信息聯(lián)合表示,有望對高光譜數(shù)據(jù)實現(xiàn)更高效的處理。在稀疏表示分類器的基礎上,設計了空譜張量稀疏表示分類器。在稀疏表示的過程中,考慮高光譜圖像的空間一致性,采用張量稀疏表示快速高效的求解稀疏系數(shù),用于預測高光譜數(shù)據(jù)的標簽。在Indian Pines、Salinas和Pavia University等實際高光譜數(shù)據(jù)上進行實驗仿真,實驗結果表明:本章提出的方法能得到很高的地物識別率。