基于低秩表示的空谱联合高光谱图像分类模型与方法

摘要

高光谱遥感是近30年以来获得迅速发展的重要地球观测技术之一，其具有纳米级的光谱分辨率，可以提供丰富的图像和光谱信息。其中，高光谱分类是高光谱遥感应用中的一个重要环节，目前的分类方法主要是通过更多挖掘光谱信息中包含的空间、辐射和光谱信息来提高分类效果。但是由于高光谱遥感探测易受天气影响，高光谱图像具有数据维度高、数据规模较大、光谱分辨率较高但空间分辨率较低等特点，使得高光谱分类模型和算法的精度和稳定性很难得到保证。
　　本论文以近年来发展应用较为活跃的低秩表示(Low Rank Representation，LRR)作为基本框架，充分提取高光谱图像的光谱特征和空间相关性，运用核技巧和多核学习框架设计空谱联合的分类模型，基于交替方向迭代算法(Alternating Direction Method ofMultipliers，ADMM)设计快速求解算法，并在Matlab GUI上开发实现高光谱遥感图像分类处理软件。通过实际高光谱图像的实验验证了本文模型、方法和软件系统的有效性。主要内容包括:
　　1、提出了基于核低秩表示的高光谱分类模型和算法。该方法通过低秩表示框架对整幅高光谱图像做全局相关性约束，同时通过核函数将传统线性分类器映射为非线性分类器，利用核函数能隐性获得数据高阶结构的特点，将高光谱图像映射到线性可分的高维空间，有效提高了分类精度，并利用核技巧避免高维运算提高算法运行效率。另外，在分析比较经典径向基核函数（Radial Basis Function，RBF），联合空谱相关性的组合核(Composite Kernel，CK)，均值滤波核(Mean Filtering，MF)和邻域滤波核(NeighboringFiltering，NF)的基础上，给出了基于邻域滤波核的核低秩表示高光谱分类方法。实验结果表明:基于邻域滤波核低秩表示的高光谱分类模型精度高，尤其适用于小训练样本情况。
　　2、提出了基于空谱联合多核学习的低秩表示高光谱分类方法。论文针对核低秩表示分类方法中特征尺度单一、而且参数确定困难的问题，基于多核学习框架，不仅在光谱维中利用多尺度核鲁棒地提取光谱特征，而且在空间维中利用多核学习框架充分提取图像的局部邻域信息，同时保持了低秩表示分类模型对高光谱图像全局特征的刻画。针对高光谱分类的特点，论文采用表示多核学习算法（Representive MKL，RMKL）作为多核学习框架，通过核矩阵的特征决定要保留的核函数及其权重，从而避免了传统多核学习方法中的算法时间复杂度高的问题。通过真实的高光谱数据实验表明，本章方法能够实现鲁棒、快速、高精度的高光谱图像分类。
　　3、在上述模型和算法的基础上，基于MATLAB/GUI设计开发了高光谱遥感图像分类处理软件，包括文件管理，高光谱图像分类，精度评估分析等四个模块，给出了系统框架、主要流程设计、及软件核心模块的开发实现和测试。

目录

声明

摘要

1．引言

1．1． 课题研究背景和意义

1．2．研究现状

1．2．1．高光谱图像分类的研究现状

1．2．2．矩阵秩相关模型的研究现状

1．3．论文主要研究内容

1．4．论文结构安排

2．高光谱图像低秩表示分类

2．1．低碳表示理论与方法

2．1．1．秩的模型与理论

2．1．2．低秩模型求解算法

2．2．高光谱低秩表示分类方法

2．2．1．低秩高光谱分类模型及其求解算法

3．基于核低秩表示的高光谱分类方法

3．1．引言

3．2．核函数的使用及核技巧

3．3．模型的提出和求解

3．3．1．核函数的选取

3．3．2．核低秩表示分类模型的提出和求解

3．4．实验结果与分析

3．4．1．高光谱图像中的精度分析

3．4．2．实验参数及环境配置

3．4．3．实验结果

3．5．本章小结

4．基于空谱多核学习的核低秩表示高光谱分类方法

4．1．引言

4．2．多核学习的简介和KA标准

4．2．1．多核学习的简介

4．2．2．KA标准

4．3．基于空谱多核学习的高光谱分类方法

4．3．1．高光谱中尺度的意义

4．3．2．提出的模型

4．4．实验结果分析

4．4．1．数值和视觉直观比较

4．4．2．分类算法时间比较

4．5．本章小结

5．高光谱图像分类软件系统设计与实现

5．1．前言

5．2．系统总体框架设计

5．3．系统徽计和功能测试

5．4．本章小结

6．总结与展望

6．1．研究总结

6．2．研究展望

致谢

参考文献

攻读硕士学位期间发表的论文和出版著作情况