面向混合像元的高光谱遥感数据降维

摘要

高光谱数据包含大量的空间、光谱等信息，它将决定地物性质的光谱和决定地物空间与几何特性的图像有机的结合，有利于高光谱数据更准确地分类。但是，由于高光谱数据的波段数众多，给分类器的模型选择和训练均带来了困难。因此，对高光谱数据进行降维，提取更具判别性的分类特征，已变成当前高光谱数据处理中的重要问题。
　　由于高光谱图像的空间分辨率有限，图像中存在包含多类地物的混合像元。正是由于混合像元，属于同类的样本可能具有不同的光谱向量，而属于异类的样本可能具有相同的光谱向量。然而，以往的降维方法往往未考虑混合像元的影响，从而导致提取的特征判别性不高，从而产生大量的错分。针对该问题，在判别子空间投影的基础上，设计了几种改进方案。具体研究内容如下：
　　(1)提出了一种基于模糊标签的判别子空间投影算法。首先，定义模糊标签，用“相似的样本具有相似的模糊标签”的假设代替“相似的样本具有相同的标签”的假设，构造拉普拉斯正则项；然后，利用标记样本构造判别子空间投影判别项，最大化异类近邻与同类近邻间的边界；最后，联合优化投影矩阵和模糊标签，在无需设计分类器的情况下，借助模糊标签实现分类，同步实现了高光谱数据的降维与分类。在Indian Pines、Salinas-A、Pavia Centre、Botswana、KSC高光谱数据库上进行仿真实验，实验结果表明：该算法能有效缓解混合像元的问题，更好地实现分类。
　　(2)提出了一种基于混合模糊标签的半监督高光谱数据的降维方法。首先，为充分利用样本的空间信息，通过 Turbopixels算法对图像进行超像素分割，再挑选出超像素中的混合像元；然后针对优化后的超像素和混合像元，分别创建基于超像素和像素的模糊标签，构造基于模糊标签的拉普拉斯正则项；最后结合判别子空间投影准则，同步求取最佳投影矩阵和分类结果。在Indian Pines、Salinas-A、Pavia Centre高光谱数据库上进行仿真实验，实验结果表明：该算法保持了数据的空间一致性，提高了高光谱遥感数据的分类识别率。
　　(3)提出了一种基于自步学习模糊标签的半监督高光谱数据降维方法。由于混合像元不利于模型的建立且双凸优化问题的最优解常常陷入局部最优，该算法引入自步学习算法，在训练过程中不再直接输入全部训练样本参与训练，而是在迭代求解过程中，逐步加入更具判别性的像素同时优化模型参数，因而更能缓解混合像元的问题，改进优化过程。在Indian Pines、Salinas-A、Pavia Centre高光谱数据库上进行仿真实验，实验结果表明：该算法可更好地缓解混合像元的问题，并且改善投影矩阵的解陷入局部最优的难题。

目录

封面

声明

中文摘要

英文摘要

插图索引

表格索引

符号对照表

缩略语对照表

目录

第一章 绪论

1.1研究背景

1.2研究目的与意义

1.3研究内容与创新

第二章 基于模糊标签的判别子空间投影的高光谱数据降维和分类方法

2.1模糊标签的概念

2.2基于模糊标签的拉普拉斯正则项

2.3基于模糊标签的判别子空间投影方法

2.4实验结果分析

2.5本章小结

第三章 基于混合模糊标签的半监督高光谱数据降维方法

3.1超像素分割算法的介绍

3.2基于混合模糊标签的半监督高光谱数据降维方法

3.3 实验结果分析

3.4本章小结

第四章 基于自步学习模糊标签的半监督高光谱数据降维方法

4.1 自步学习算法

4.2基于自步学习模糊标签的降维方法

4.3实验结果与分析

4.4本章小结

第五章 总结与展望

5.1论文内容总结

5.2工作展望

参考文献

致谢

作者简介