面向高光谱遥感图像分类的RTF模型理论与应用研究

摘要

高光谱图像中蕴含丰富的光谱信息和空间信息，能够提高人类对地物的分类和监测能力。高光谱图像分类是高光谱图像处理领域的研究热点和重要研究内容之一，也是后续高光谱图像分析与理解的基础。但是综合考虑光谱信息和空间信息对高光谱图像进行精确有效的分类仍然是一个具有挑战性的任务。本文从充分且正确利用高光谱图像中的空谱信息出发，研究面向高光谱图像分类的回归树场模型，以期提高高光谱图像分类性能。论文主要工作分为三个部分：
　　首先，提出了一种利用自适应空-谱上下文的RTF高光谱图像去噪方法。高光谱图像在采集与传输过程当中会受到噪声的污染，通常的做法是直接删掉这些噪声波段，这会导致部分信息的丢失，从而有可能降低高光谱图像分类性能。为此，针对高光谱图像噪声的特点，本文提出了一种利用自适应空-谱上下文的RTF高光谱图像去噪方法。
　　其次，提出了一种使线性分类评价最优的RTF高光谱图像分类方法。通常的模型训练方法将模型训练与模型推断分割开来，导致训练得到的模型虽然使定义的训练标准最优，但不能使衡量分类性能的指标最优。本文通过将线性分类评价标准转换为经验风险函数，构建模型训练的代价函数，从而将模型训练与模型推断结合起来，实现在模型推断时的评价准则最优。
　　最后，提出了一种使非线性分类评价最优的RTF高光谱图像分类方法。使线性分类评价最优的RTF高光谱图像分类方法能够获得令人满意的总体分类性能，但是训练得到的模型可能忽视含样本数相对较少的地物类别，导致类别间分类效果有较大差异。为此，本文进一步引入衡量分类均衡性的非线性代价函数，研究相应的RTF模型训练方法，提高含样本数较少但可能十分重要的地物类别的分类性能。

目录

声明

第一章 绪论

1.1 高光谱图像分类研究背景与意义

1.2 高光谱图像分类的研究现状和发展动态

1.3 本文主要工作及结构安排

第二章 RTF基本理论

2.1 引言

2.2 回归树简介

2.3 RTF模型

2.4 小结

第三章 利用自适应空-谱上下文的RTF高光谱图像去噪方法

3.1 引言

3.2 利用自适应空-谱上下文的RTF高光谱图像去噪方法

3.3 实验结果分析

3.4 小结

第四章 使线性分类评价最优的RTF高光谱图像分类方法

4.1 引言

4.2 基于MCE的RTF高光谱图像分类方法

4.3 实验结果与分析

4.4 小结

第五章 使非线性分类评价最优的RTF高光谱图像分类方法

5.1 引言

5.2 基于Kappa的RTF模型训练方法

5.3 实验结果与分析

5.4 小结

结 束 语

致谢

参考文献

作者在学期间取得的学术成果