基于多核學習的高光譜圖像目標解譯技術(shù)研究.pdf

1、高光譜圖像因其精細的光譜辨別能力而受到廣泛地關(guān)注，被用來對感興趣地物的表面特性進行感知和識別。高光譜圖像的特點對目標解譯技術(shù)提出了嚴峻的挑戰(zhàn)，很多問題至今仍未能得到很好的解決。本文旨在從類別辨別的歧義性入手，研究多核學習方法及其在目標解譯中的應用，以提高解譯精度和處理效率為目的，推動核方法在高光譜圖像處理中的發(fā)展。
　　本文的工作內(nèi)容主要是研究以核機器學習理論為基礎的高光譜圖像信息挖掘和解譯技術(shù)，具體包括以下三個方面：
　　

2、首先，本文詳細闡述了高光譜圖像數(shù)據(jù)的特點，重點分析了這些特點的優(yōu)勢和劣勢，特別是對目標解譯的影響，從機器學習的角度解釋了這些特點會增加目標辨別的歧義性，降低解譯精確度。接著，針對這些特點，研究了典型的單核學習方法及改進的加權(quán)核方法。指出了這些方法在類內(nèi)、類間挖掘信息的局限性，論證了從單核模式感知到多核信息融合的必然發(fā)展趨勢。
　　然后，研究了多核學習的基本理論框架，針對現(xiàn)有方法的不足，本文提出用多尺度核相似性度量對多核學習進行合理

3、地解釋。以此為基礎，提出了一種基于L2范數(shù)約束的多核相似性度量集成方法L2MKL，用以求解多核學習問題。通過高光譜圖像精細分類的實驗，證明 L2MKL方法在分類精度和計算效率方面具有出色的性能，特別是避免了核尺度的優(yōu)選問題。而且在處理小樣本分類時，L2MKL方法的優(yōu)勢明顯。
　　最后，我們將多尺度核相似性度量推廣到了更多的目標解譯應用中。第一，研究了混合核方法，在核結(jié)構(gòu)層面上進行空譜特征的融合分類，并嵌入多核相似性度量，在多尺度下