基于空谱特征挖掘的高光谱图像分类方法研究

《基于空谱特征挖掘的高光谱图像分类方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、：分类号：密级ＵＤＣ：编号：工学博士学位论文基于空谱特征挖掘的高光谱图像分类方法研究博士研究生：刘务指导教师：赵春晖教授学科、专业：信息与通信工程哈尔滨工程大学２０１８年３月分类号：密级：1UDC：编号：1工学博士学位论文基于空谱特征挖掘的高光谱图像分类方法研究博士研究生：刘务指导教师：赵春晖教授学位级别：工学博士学科、专业：信息与通信工程所在单位：信息与通信工程学院论文提交日期：2017年12月论文答辩日期：2018年3月学位授予单位：哈尔滨工程大学ClassifiedIndex:U.D.C:ADissertationfortheDe

2、greeofD.EngResearchonSpectral-spatialFeatureMiningforHyperspectralImageClassificationCandidate:WuLiuSupervisor:Prof.ChunhuiZhaoAcademicDegreeAppliedfor:DoctorofEngineeringSpecialty:SignalandInformationProcessingDateofSubmission:Dec.2017DateofOralExamination:Mar.2018University:HarbinEngineer

3、ingUniversity基于空谱特征挖掘的高光谱图像分类方法研究摘要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

4、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-spectralSharedRidgeRegression,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(Spatial-spectralSharedKernelRidgeRegression,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SS

5、SRR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(SingularValueDecomposition,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(MarkovRandomFileld,MRF)和图割(

6、GraphCut,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(SpatialLogisticRegression,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

7、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-spectralSVM-basedMulti-layerLearningAlgorithm,SSMLL)，该算法属于三层学哈尔滨工程大学博士学位论文习模型。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