基于分层稀疏学习和协同表示的高光谱图像去噪和分类

摘要

随着光谱成像系统的发展，高光谱图像能够对观测对象进行越来越精确和详细地表达。精细的光谱特征为识别和区分每个像元提供了可能，使得高光谱图像在民事和军事领域中都得到了广泛的应用，例如大气环境监测、地物分类、目标检测和识别等。但是，高光谱图像在采集和传输过程中，不可避免地引入了多种统计特性截然不同的噪声。这些噪声的存在，严重降低了高光谱图像的质量，限制了高光谱图像的适用范围。同时，随着数据量的增加，高光谱图像的空谱特性对后续分析的影响也越来越大。本论文通过对高光谱图像降噪及分类的技术现状进行分析，并结合稀疏分层学习和协同表示模型，通过有效地利用高光谱图像的空谱特性，以数据驱动的方式实现高光谱图像的降噪和分类。本论文的研宄工作主要包括下面的四个方法：
　　(1)提出了基于分层稀疏贝叶斯学习和贝塔过程的高光谱图像恢复方法，用于抑制高光谱图像中存在的多种噪声和推断高光谱图像中缺失的像素。利用字典原子的加权和、高斯噪声项和稀疏噪声项这三部分对含噪高光谱图像的固有特征和噪声特性进行学习和表达，从而将噪声分离出去。吉布斯采样被用来以数据驱动的方式对模型进行求解，具有自适应推断字典以及噪声的特点。利用两幅降级的高光谱数据集对所提方法的性能进行了验证，并和几种流行的降噪方法进行了对比分析。这里造成图像降级的因素包括高斯噪声、脉冲噪声、条带噪声、坏线以及像素缺失。视觉效果和定量评估结果证明了所提方法在恢复降级图像方面的优越性
　　(2)提出了一种基于分层稀疏学习和谱空信息的高光谱图像降噪方法。利用高光谱图像的结构相关性，将具有相似和连续谱特征的波段划分到同一个波段子集；结合局部相似性，将每个波段子集分割为多个重叠三维块数据。利用有效数据项、高斯噪声项和稀疏噪声项对三维块数据进行学习和表达。第一项由字典原子的线性组合来表示，并利用受伽马分布约束的高斯过程给字典原子添加空域一致性先验。后面两项被用来学习和表示高光谱图像的噪声信息。另外，利用贝塔贝努力过程来控制模型的稀疏度。通过吉布斯采样对模型进行求解，能够在不利用任何先验信息的情况下实现字典和噪声的推断。在不同高光谱图像上的实验结果表明所提方法能够得到比多种流行降噪方法更优的降噪结果，同时还能够更好的保留图像的结构/谱空信息。
　　(3)提出了一种结合贝叶斯低秩矩阵分解和协同块学习的高光谱图像降噪方法。依据高光谱图像的空域一致性和非局部自相似性，对其进行三维滑块分割；并利用基于融合特征的相似性测度来非局部地选出和待观测块数据最相似的若干个块数据作为协同块数据，实现待观测数据的协同块学习。贝叶斯低秩矩阵分解模型被用来学习和表示协同块数据。该模型能够利用低秩矩阵分解来刻画协同块数据在空谱域的低秩特性，并通过结合狄利克雷过程的混合高斯分布来表达高光谱图像的噪声统计特性，从而实现有效降低图像噪声这一目的。在不同高光谱数据集上的实验分析证明了所提方法在降噪方面的有效性以及普适性。
　　(4)基于高光谱图像的空域一致性和非局部自相似性，提出了一种融合非局部加权联合协同表示和极限学习机模型的高光谱图像分类方法。根据分类过程中不同样本对给定测试样本的空域贡献的不同，结合相关性和欧氏距离的相似性测度被用来构建测试样本和它的邻域样本之间的权值矩阵，进而筛选出和测试样本相似性最高的若干个样本来构建联合样本；利用非局部加权联合协同表示对该联合样本进行分类，得到协同表示系数和类别标记结果。然后，利用协同表示系数得到中阶特征，并用极限学习机对该中阶特征进行分类。最后，通过多项式融合策略将非局部加权联合协同表示和极限学习机的类别标记结果进行融合，得到最终的分类结果。在不同实验条件下，应用所提方法和几种流行的分类算法对不同高光谱图像进行分类，视觉效果和数值评估结果证明了所提方法分类性能的优越性和稳定性。

目录

第一个书签之前