高光谱图像特征选择和分类

摘要

由于高光谱遥感影像含有丰富的空间信息、辐射信息和光谱信息这些丰富的信息为地表物体目标提供了更为丰富的表示信息能对目标精细分类和有效识别。高光谱遥感技术已经应用到了地球科学的各个方面，但是与高光谱图像的优点相对立的是处理难度大，随着高光谱传感器的发展所获得的高光谱数据的数据量也逐渐增多，在众多波段之间其相关性也逐渐增高，这时我们仅仅利用光谱信息进行地物识别和分类是远远不够的，我们需要提取多种类型的特征用以将目标进行精确的分类，特征提取后形成的特征空间可达数百上千维，直接运用这些高维的特征进行分类是不明智的，在使用高维特征空间直接进行分类时，往往需要更多的样本，从而出现“维数灾难”。因此本文针对高光谱图像处理的两个焦点问题:高光谱特征降维，高光谱图像分类进行研究。主要研究工作和贡献如下:
　　(1)分析高光谱数据的特性，针对使用单一光谱信息作为特征进行分类的缺点，研究各类型的高光谱图像特征算法并将这些特征运用到本文的特征选择算法中去，以进一步提高光谱地物分类与识别能力。
　　(2)提出了一种新的特征选择方法，这种方法同时利用了监督信息和非监督信息，能够保存全局与局部信息。通过对高光谱图像分类证实特征选择是非常有必要的，经过该算法特征选择后得到的特征向量在分类中的区分能力更强，证实了原始特征向量中存在着大量的冗余和噪声。在高光谱数据上实验表明该算法性能优于现有的经典特征降维与特征选择算法，表明了此特征选择方法的有效性，体现了该算法的价值。
　　(3)在对现有的超图分类算法分析和研究的基础上改进形成了自适应空间邻域超图分类方法，针对固定邻域超图分类方法对K近邻的选择比较敏感的问题进行改进，对形成的改进算法与其它分类算法的分类结果进行了比较和分析，结果表明该方法分类精度相对于原始超图分类方法进一步提高，分类结果优于其它的分类算法，有着更强的鲁棒性。

目录

声明

摘要

第一章 绪论

1．1 高光谱遥感技术的发展

1．2 高光谱遥感技术的发展

1．3 本文研究内容

1．4 各章节安排

第二章 高光谱遥感图像相关理论

2．1 引言

2．2 高光谱遥感图像数据

2．2．1 高光谱数据描述

2．2．2 高光谱遥感数据的特性

2．2．3 高光谱遥感数据主要数据源

2．3 高光谱遥感数据的特征及算法

2．3．1 基本知识

2．3．2 光谱特征

2．3．3 数学形态学特征

2．3．4 纹理特征

2．4 本章小结

第三章 高光谱遥感图像特征选择

3．1 引言

3．2 高光谱图像常用的维数约减算法

3．2．1 特征提取降维方法

3．2．2 无监督降维方法

3．3．3 有监督降维方法

3．3 全局与局部信息保存的特征选择

3．3．1 基于光谱域与空间域的特征选择算法过程

3．3．2 全局信息保存

3．3．3 局部信息保存

3．3．4 实验结果及分析

3．4 本章小结

第四章 高光谱图像数据分类

4．1 引言

4．2 高光谱图像常用分类算法

4．2．1 支持向量机(SVM)

4．2．2 K-近邻分类算法(KNN)

4．2．3 条件随机场(CRF)

4．3 自适应空间邻域超图分类

4．3．1 基于特征的超边构建

4．3．2 基于自适应空问邻域的超边构建

4．3．3 构建超图分类器

4．3．4 实验结果及分析

4．4 本章小结

第五章 总结与展望

6．1 本文总结

6．2 工作展望

参考文献

附录：攻读硕士学位期间取得的学术成果

致谢