基于流形學(xué)習(xí)算法的高光譜圖像分類和異常檢測.pdf

1、高光譜遙感數(shù)據(jù)的光譜分辨率很高，能夠獲取地球表面豐富的光譜和空間信息，反映地物本質(zhì)的物理化學(xué)特性，使得在寬波段遙感中不可識別的地物，在高光譜遙感中能夠被識別。地物分類和異常檢測是高光譜遙感的重要應(yīng)用方向，對理解地物分布規(guī)律以及探測感興趣目標(biāo)具有重要作用，是論文研究的主要內(nèi)容。高光譜圖像具有很高的維數(shù)，存在數(shù)據(jù)冗余，噪聲，和維數(shù)災(zāi)難問題，而且不是每個特征對所分析的問題都具有作用，降維是解決這個問題的有效方法。降維可以發(fā)現(xiàn)高維數(shù)據(jù)中所隱藏的

2、低維結(jié)構(gòu)，減少后續(xù)處理的負(fù)擔(dān)，而且可能提高數(shù)據(jù)分析的質(zhì)量。流形學(xué)習(xí)是一類重要的非線性降維方法，它假設(shè)高維數(shù)據(jù)位于一個低維流形中，該低維流形能夠表示數(shù)據(jù)的本征結(jié)構(gòu)和非線性特性。由于高光譜數(shù)據(jù)存在固有的非線性特性，線性降維可能丟失數(shù)據(jù)某些重要的非線性信息，因此，論文研究基于流形學(xué)習(xí)非線性降維的高光譜數(shù)據(jù)分析。流形學(xué)習(xí)分為全局算法和局部算法，論文重點研究局部流形學(xué)習(xí)算法在高光譜圖像分類和異常檢測中的應(yīng)用，主要從以下幾個方面開展研究工作：

3、>　　 ⑴流形學(xué)習(xí)算法存在的一個問題是無法對新數(shù)據(jù)進行泛化，論文采用Bengio提出的基于核的泛化算法框架，實現(xiàn)對多種流形學(xué)習(xí)算法的泛化。泛化算法的關(guān)鍵是給出流形學(xué)習(xí)算法對應(yīng)的核函數(shù)，對于局部切空間排列算法，論文推導(dǎo)出其核函數(shù)，實現(xiàn)其對新數(shù)據(jù)的泛化。
　　 ⑵對于高光譜圖像分類，論文對多種流形學(xué)習(xí)算法進行比較研究，采用k 近鄰分類器對各種降維算法的分類性能進行評價，以更好理解流形學(xué)習(xí)算法的性能，以及高光譜圖像在流形域的數(shù)據(jù)特性

4、。通過大量實驗得到多個有意義的結(jié)論：流形學(xué)習(xí)算法是一種有價值和前景的高光譜數(shù)據(jù)預(yù)處理方法，其最大優(yōu)勢是在兩類分類問題中，可以提高難以區(qū)分地物的分類效果；另外，有監(jiān)督局部流形學(xué)習(xí)算法具有最好表現(xiàn)，能夠較大幅度提高分類性能。
　　 ⑶基于流形學(xué)習(xí)算法和k 近鄰分類器結(jié)合的研究，提出一種新的基于有監(jiān)督局部流形學(xué)習(xí)算法的加權(quán)k 近鄰分類器，應(yīng)用于高光譜圖像分類。權(quán)值由流形學(xué)習(xí)算法的核函數(shù)計算，可以描述數(shù)據(jù)局部幾何結(jié)構(gòu)，有效評價各近鄰點對

5、測試點分類的作用，提高k 近鄰分類器的性能。該分類器計算簡單，只需要計算近鄰點權(quán)值，因而適用于大數(shù)據(jù)量情況，還可以有效緩解不均衡樣本對k 近鄰分類器的影響。
　　 ⑷針對高光譜圖像異常檢測存在的問題，采用魯棒的流形學(xué)習(xí)算法，以避免異常信息對背景特性的影響，建立更準(zhǔn)確的背景流形，提高異常檢測性能。首先對魯棒的局部線性嵌入算法，通過將圖像分割成多個子塊的方式降低其計算量，但是無法得到全局降維結(jié)果。然后提出基于背景訓(xùn)練點選擇的魯棒流形