基于稀疏和低秩表示的高光谱图像维数约减

摘要

高光谱图像是一个包含像元空间信息和光谱信息的“图谱合一”立方块数据。因为其成像原理是成像光谱仪发射连续的窄带波对地物进行反射得到高光谱数据，所以高光谱数据一般有几十或者成百条波段。丰富的光谱信息增加了图像信息的同时，也带来了很多的问题与挑战，例如波段数目过多，会导致数据量庞大，占用较大的存储空间，同时计算复杂度增加，算法耗时长。因此，对高光谱数据进行有效的维数约减非常有必要。本文主要对高光谱数据的维数约减方法进行了研究，从波段选择和特征提取两个方面着手提出解决方法，实现对原始高光谱数据的降维。本论文的主要工作如下：
　　（1）提出一种基于联合稀疏表示的高光谱图像波段选择方法。对单独波段进行稀疏表示时，忽略了波段之间的相似性，可能使本身相似的波段被差异性很大的波段表示。为了避免这个问题，本章的方法用光谱角衡量波段间的相似度，找出最相似的波段组，用所有的高光谱图像做字典，对相似波段组进行联合稀疏表示，找出对于重构相似波段组贡献最大的波段，最终选择出现频次最高的波段。该方法在真实的高光谱数据集上进行了验证，效果都优于经典的波段选择方法。
　　（2）提出一种基于改进的稀疏子空间聚类的高光谱图像波段选择方法。用低秩稀疏表示从全局和局部两方面来衡量波段之间的关系，然后用光谱信息散度（SID）来衡量变换域波段之间的相似度，接下来对相似度矩阵构造的邻接矩阵进行谱聚类，用熵度量的方法从每一个簇中选出最有代表性的波段。本文提出的方法不仅用稀疏表示衡量原始波段的局部线性结构，同时低秩正则很好的度量了波段之间的全局关系，同时对噪声鲁棒。该方法在真实的高光谱数据集上进行了验证，效果比经典的波段选择方法更好。
　　（3）提出一种基于半监督稀疏图构造的高光谱图像维数约减算法。因为半监督方法具有使用少量训练样本和大量未标记样本提高分类器性能的优势，所以本章选择用半监督方法对高光谱数据降维。稀疏图可以很好的保留样本的判别信息，同时构图简单，我们用有标记样本得到的稀疏系数构造类内图和类间图。考虑到KNN图可以很好的度量样本的局部信息，同时降低计算复杂度，所以在本文中用KNN图来度量无标记样本的本质结构属性。该方法在真实的高光谱数据集上进行验证，实验的分类精度得到了一定的提升。

目录

声明

插图索引

表格索引

符号对照表

缩略语对照表

第一章 绪论

1.1研究背景及意义

1.2高光谱图像维数约减的研究现状

1.3论文的主要工作和结构安排

1.4本章小结

第二章 高光谱图像维数约减的经典方法介绍

2.1经典的特征提取方法

2.2经典的特征选择方法

2.3 特征提取和特征选择的方法比较

2.4 本章小结

第三章 基于联合稀疏表示的高光谱图像波段选择

3.1引言

3.2联合稀疏表示模型

3.3波段之间的相似度测量

3.4基于联合稀疏表示的高光谱图像波段选择

3.5 实验结果和分析

3.6 本章小结

第四章 基于改进的稀疏子空间聚类的高光谱图像波段选择

4.1引言

4.2稀疏子空间聚类方法

4.3低秩表示在高光谱图像中的应用

4.4基于改进的稀疏子空间聚类的高光谱图像波段选择

4.5实验与分析

4.6 本章小结

第五章 基于半监督稀疏表示图构造的高光谱图像维数约减

5.1 引言

5.2 半监督维数约减方法

5.3图构造的方法和策略

5.4基于半监督稀疏表示图构造的高光谱图像维数约减

5.5 实验与结果分析

5.6 本章小结

第六章 总结和展望

6.1 论文总结

6.2 展望

参考文献

致谢

作者简介