空谱联合先验的高光谱图像解混与分类方法

摘要

高光谱成像是近年来遥感领域发展较快、较前沿的技术。由于包含丰富的空间、辐射和光谱三重信息，高光谱遥感已被广泛应用于精准农业、矿物勘测、军事目标识别、环境监测、灾害评估等领域。因此，对高光谱数据的处理与解译具有重要的理论意义和实际应用价值。
　　高光谱解混和分类是高光谱遥感信息处理中的关键科学问题，也是定量分析以及后续应用的重要基础。由于受仪器、大气辐射、光照不均、地物结构等因素的影响，相同地物的光谱曲线存在一定的差异，使得仅利用光谱信息的解混和分类方法的精度无法得到保障。空间信息可以充分刻画地物结构，有效降低“同质异谱”的影响，空谱联合的方法受到众多学者的重视。本文研究围绕高光谱线性解混、分类等高光谱数据处理中的热点问题，重点提出基于光谱库的l1/2正则化稀疏回归解混方法、以及空谱联合的高光谱分类方法，并在此基础上设计了相应问题的高效算法。
　　本文所做的主要工作和研究成果如下:
　　1、根据高光谱线性解混模型，利用光谱库作为端元字典，将解混问题转化为稀疏回归问题;针对模型解的唯一性要求进行光谱库预优，利用l1/2范数对丰度系数向量进行稀疏正则化约束，在“和为一”、“非负性”条件下，提出了一种约束的l1/2正则化稀疏回归解混模型，并通过迭代重加权的l1算法进行优化求解。模拟和真实高光谱数据实验表明，基于光谱库的l1/2正则化稀疏回归解混方法能够有效地从光谱库字典中选择出端元并准确反演出其对应的丰度系数。
　　2、针对高光谱监督分类问题，在贝叶斯最大后验框架下，利用l1-l2正则化稀疏表示方法对似然概率进行建模，并利用MRF对分类标签的空间先验进行建模，提出了稀疏表示和马尔可夫场空间先验相结合的空谱联合分类模型，并通过图割算法进行了快速近似求解。真实高光谱数据实验表明，基于稀疏表示与马尔可夫场空间先验相结合的高光谱分类模型能够有效地提升分类精度，且分类精度优于主流的分类方法。
　　3、在贝叶斯推断框架下，采用稀疏多项式逻辑回归方法对似然概率进行建模，并将最大后验(MAP)分布的边际概率作为实值的隐形场引入到马尔可夫空间先验中，提出了一种加权马尔可夫场空间先验的高光谱分类方法。利用最大后验边际概率上的加权TV函数定义该马尔可夫场的势函数，并将MAP分类模型转化为加权TV正则化的变分模型，同时添加“非负性”、“和为一”以及“训练样本类别标签固定”三个约束项，建立约束条件下的空谱分类模型，并利用ADMM方法提出了SMLR-SpATV(sparse multinomial logistic regression based spatially adaptive totalvariation method)算法对模型进行了快速求解。实验结果表明所提出的基于隐形场空间先验的空谱分类模型对高光谱分类的有效性，对比实验表明该方法优于主流的分类方法。
　　4、为了充分挖掘特征空间与原始空间、全局分类与局部分类的特点，提出了一种子空间逻辑回归分类器与稀疏表示分类器融合的空谱分类方法。其中，仅利用光谱信息的分类概率是由子空间逻辑回归分类器和稀疏表示分类器以一定的方式融合求得，空间先验信息由边缘保持的马尔可夫随机场进行建模。最后，空谱模型采用图割算法进行快速优化求解。真实高光谱数据实验表明:多分类器融合能够充分发挥多个分类器的优点，分类结果大大高于单个分类器，且优于大部分主流的高光谱分类方法。

目录

声明

摘要

1 绪论

1．1 课题背景与研究意义

1．2 高光谱图像解混及分类问题的研究现状

1．2．1 高光谱解混与分类定义、难点与特点

1．2．2 线性高光谱解混的研究现状

1．2．3 高光谱分类的研究现状

1．3 论文研究的主要内容

1．3．1 论文的主要成果及创新点

1．3．2 论文的组织结构

2 基于光谱库的l1／2稀疏正则化解混模型与算法

2．1 引言

2．2 稀疏回归解混基础

2．3 提出的基于l1／2正则化的高光谱解混模型与算法

2．3．1 采用l1／2稀疏正则化的动机

2．3．2 l1／2正则化稀疏回归模型

2．3．3 算法

2．3．4 算法中的光谱库预优

2．4 实验结果与分析

2．4．1 模拟高光谱数据实验

2．4．2 真实高光谱数据实验

2．5 本章小结

3 结合稀疏表示与马尔可夫场空间先验的高光谱图像监督分类

3．1 引言

3．2 本章方法提出的动机及框架总览

3．3 仅利用光谱信息的高光谱稀疏表示分类方法

3．3．1 高光谱分类中的稀疏表示分类准则

3．3．2 l1-l2稀疏表示分类方法

3．4 马尔可夫场(MRF)空间先验

3．5 最大后验(MAP)估计的空谱联合分类模型

3．6 实验结果与分析

3．6．1 分类结果的评价指标

3．6．2 主流的对比算法及参数设置

3．6．3 Indian Pines数据集上的实验结果

3．6．4 University of Pavia数据集上的实验结果

3．7 本章小结

4 加权马尔可夫场空间先验的高光谱图像监督分类

4．1 引言

4．2 稀疏多项式逻辑回归(SMLR)方法

4．3 本章方法提出的动机及框架总览

4．4 提出的加权马尔可夫场先验的空谱联合分类方法

4．4．1 隐形场MPM上的MRF空间先验

4．4．2 基于空间自适应TV的最大后验边际(MPM)分类模型

4．4．3 算法

4．5 实验结果与分析

4．5．1 分类结果评价指标以及参数设置

4．5．2 参数μs、l和σ对分类结果的影响

4．5．3 Indian Pines数据集上的实验结果

4．5．4 University of Pavia数据集上的实验结果

4．5．5 Center of Pavia数据集上的实验结果

4．5．6 算法的执行时间对比实验

4．5．7 主动学习对比实验

4．6 本章小结

5 子空间多项式逻辑回归与稀疏表示融合的高光谱监督分类

5．1 引言

5．2 本章方法提出的动机及框架总览

5．3 仅光谱信息(spectral-only)两分类器融合的高光谱分类方法

5．3．1 子空间多项式逻辑回归(MLRsub)分类器

5．3．2 稀疏表示(SR)分类器

5．3．3 满概率图和稀疏概率图的融合

5．4 边缘保持的马尔可夫场空间先验

5．5 最大后验(MAP)估计的高光谱空谱联合分类

5．6 实验结果与分析

5．6．1 Indian Pines数据集上的实验结果

5．6．2 University of Pavia数据集上的实验结果

5．7 本章小结

6 结束语

参考文献

致谢

附录

攻读博士学位期间发表及己完成论文情况

攻读博士学位期间参加课题及资助基金