面向混合像元的高光譜遙感數(shù)據(jù)降維.pdf

1、高光譜數(shù)據(jù)包含大量的空間、光譜等信息，它將決定地物性質(zhì)的光譜和決定地物空間與幾何特性的圖像有機的結(jié)合，有利于高光譜數(shù)據(jù)更準確地分類。但是，由于高光譜數(shù)據(jù)的波段數(shù)眾多，給分類器的模型選擇和訓(xùn)練均帶來了困難。因此，對高光譜數(shù)據(jù)進行降維，提取更具判別性的分類特征，已變成當前高光譜數(shù)據(jù)處理中的重要問題。
　　由于高光譜圖像的空間分辨率有限，圖像中存在包含多類地物的混合像元。正是由于混合像元，屬于同類的樣本可能具有不同的光譜向量，而屬于異類

2、的樣本可能具有相同的光譜向量。然而，以往的降維方法往往未考慮混合像元的影響，從而導(dǎo)致提取的特征判別性不高，從而產(chǎn)生大量的錯分。針對該問題，在判別子空間投影的基礎(chǔ)上，設(shè)計了幾種改進方案。具體研究內(nèi)容如下：
　　(1)提出了一種基于模糊標簽的判別子空間投影算法。首先，定義模糊標簽，用“相似的樣本具有相似的模糊標簽”的假設(shè)代替“相似的樣本具有相同的標簽”的假設(shè)，構(gòu)造拉普拉斯正則項；然后，利用標記樣本構(gòu)造判別子空間投影判別項，最大化異類近

3、鄰與同類近鄰間的邊界；最后，聯(lián)合優(yōu)化投影矩陣和模糊標簽，在無需設(shè)計分類器的情況下，借助模糊標簽實現(xiàn)分類，同步實現(xiàn)了高光譜數(shù)據(jù)的降維與分類。在Indian Pines、Salinas-A、Pavia Centre、Botswana、KSC高光譜數(shù)據(jù)庫上進行仿真實驗，實驗結(jié)果表明：該算法能有效緩解混合像元的問題，更好地實現(xiàn)分類。
　　(2)提出了一種基于混合模糊標簽的半監(jiān)督高光譜數(shù)據(jù)的降維方法。首先，為充分利用樣本的空間信息，通過 T

4、urbopixels算法對圖像進行超像素分割，再挑選出超像素中的混合像元；然后針對優(yōu)化后的超像素和混合像元，分別創(chuàng)建基于超像素和像素的模糊標簽，構(gòu)造基于模糊標簽的拉普拉斯正則項；最后結(jié)合判別子空間投影準則，同步求取最佳投影矩陣和分類結(jié)果。在Indian Pines、Salinas-A、Pavia Centre高光譜數(shù)據(jù)庫上進行仿真實驗，實驗結(jié)果表明：該算法保持了數(shù)據(jù)的空間一致性，提高了高光譜遙感數(shù)據(jù)的分類識別率。
　　(3)提出了

5、一種基于自步學習模糊標簽的半監(jiān)督高光譜數(shù)據(jù)降維方法。由于混合像元不利于模型的建立且雙凸優(yōu)化問題的最優(yōu)解常常陷入局部最優(yōu)，該算法引入自步學習算法，在訓(xùn)練過程中不再直接輸入全部訓(xùn)練樣本參與訓(xùn)練，而是在迭代求解過程中，逐步加入更具判別性的像素同時優(yōu)化模型參數(shù)，因而更能緩解混合像元的問題，改進優(yōu)化過程。在Indian Pines、Salinas-A、Pavia Centre高光譜數(shù)據(jù)庫上進行仿真實驗，實驗結(jié)果表明：該算法可更好地緩解混合像元的問