面向高光譜圖像空譜分類的學(xué)習(xí)算法研究.pdf

1、分類是高光譜圖像分析中最重要的研究內(nèi)容之一。高光譜圖像具有豐富的空間和光譜信息，這給高光譜圖像分類帶了機(jī)遇和挑戰(zhàn)。主要面臨以下幾個(gè)問題急待解決：1）高光譜圖像數(shù)據(jù)的高維性；2）標(biāo)記樣本少；3）光譜信息的空間變異性；4）圖像的質(zhì)量。其中高光譜圖像數(shù)據(jù)的高維性和相對少量的標(biāo)記樣本會(huì)造成Hughes現(xiàn)象；而光譜信息的空間變異性和圖像的質(zhì)量會(huì)導(dǎo)致同物異譜和異物同譜現(xiàn)象。本文圍繞高光譜圖像的分類問題，結(jié)合高光譜圖像的數(shù)據(jù)特點(diǎn)，采用監(jiān)督、半監(jiān)督和無

2、監(jiān)督的學(xué)習(xí)算法展開深入研究。
　　空譜（空間-光譜）分類是高光譜圖像分類的一個(gè)重要研究課題。傳統(tǒng)的高光譜圖像分類算法通常只利用了它的光譜信息，為了獲得較好的分類效果，往往對標(biāo)記樣本的數(shù)量要求較高。而在實(shí)際中獲取真實(shí)標(biāo)記樣本相當(dāng)困難，空間信息的引入不僅能彌補(bǔ)樣本標(biāo)記信息的不足，還能有效克服同物異譜和異物同譜現(xiàn)象。本文首先提出了一種高斯加權(quán)局部均值算子，該算子能夠充分利用局部鄰域內(nèi)光譜信息的相似性提取樣本的空間信息。由于光譜信息本身具

3、有很高的維數(shù)，又引入空間信息會(huì)使得樣本的數(shù)據(jù)維數(shù)更高，從而造成嚴(yán)重的信息冗余和維數(shù)災(zāi)難。為解決這一問題，本文提出了一種復(fù)合核判別分析特征提取算法，該算法利用堆疊核、串聯(lián)核和并聯(lián)核將空間信息和光譜信息（空譜信息）進(jìn)行不同組合，再通過非線性判別分析提取相應(yīng)的特征進(jìn)行分類。在極少量的標(biāo)記樣本情況下，相比于最近流行的復(fù)合核和廣義復(fù)合核算法，本文提出的監(jiān)督學(xué)習(xí)空譜分類算法能夠提取更有效的判別特征，并獲得更好的分類精度。
　　標(biāo)記樣本的缺乏是

4、直接影響高光譜圖像分類的最重要因素之一。對于監(jiān)督學(xué)習(xí)的分類算法而言，實(shí)現(xiàn)高光譜圖像的高精度分類依然是一個(gè)很艱巨的任務(wù)。在高光譜圖像中，真實(shí)標(biāo)記樣本雖然難以采集，但是未標(biāo)記的樣本卻容易獲得。因此本文提出了一種半監(jiān)督學(xué)習(xí)的空譜分類框架。該框架采用半監(jiān)督學(xué)習(xí)的算法學(xué)習(xí)新的標(biāo)記樣本用于彌補(bǔ)標(biāo)記樣本的不足。與其他流行的半監(jiān)督學(xué)習(xí)分類算法相比，本文提出的框架在分類精度方面具有顯著的優(yōu)勢。
　　雖然提出的框架取得了比較高的分類精度，但是還存在一

5、些待改進(jìn)的地方。于是本文提出了一種組合無監(jiān)督、半監(jiān)督和監(jiān)督學(xué)習(xí)算法的空譜分類模型。首先利用主成分分析對高光譜圖像進(jìn)行降維并提取少數(shù)幾個(gè)主成分特征；然后利用半監(jiān)督學(xué)習(xí)算法將未標(biāo)記樣本劃分為易分樣本和難分樣本；再利用空間鄰域信息和形態(tài)學(xué)算子從易分樣本中挑選出高可信集，并將適當(dāng)數(shù)量的高可信集樣本加入到訓(xùn)練集，難分樣本作為測試集；最終，監(jiān)督學(xué)習(xí)的空譜分類算法被用于難分樣本的分類任務(wù)。實(shí)驗(yàn)結(jié)果證明本文提出的模型能夠獲得快速和高精度的分類效果，優(yōu)于