基于空间约束和稀疏编码的高光谱图像分类

摘要

近几十年来，随着科学技术的进步，遥感技术的发展也突飞猛进，其中高光谱遥感技术是遥感技术的最大成就之一。由于该技术具有成像和光谱探测的优点，已经广泛应用到了军事和民用领域。高光谱图像(Hyperspectral imagery,HSI)分类由于其良好的应用前景受到了学者的广泛关注。然而，在对高光谱图像分类时也会遇到许多问题，例如，如何解决高维小样本问题，如何利用空间信息，如何选择分类器等。
　　稀疏表示是一种基于过完备字典表示的方法，采用尽可能简洁、有效的稀疏方式对数据进行表示。稀疏表示的出现和兴起，使构建高维信号的稀疏模型成为研究的热点，同时为高光谱图像的分类研究提供了新的研究思路。近年来，通过字典学习的稀疏信号模型在图像处理与机器学习领域都取得了不错的成绩，稀疏表示能捕捉信号的内在结构特点，且对噪声具有鲁棒性。
　　本文针对传统的高光谱图像分类时只考虑地物的光谱信息，忽略了目标的空间邻域信息，不能取得理想分类精度的问题，研究了结合空谱信息的分类方法，以此来改进高光谱图像的分类效果。本文利用了高光谱图像数据的稀疏特性，采用稀疏编码方式对高光谱图像进行分类，所取得的主要研究成果为：
　　1.提出了一种基于引导滤波和字典学习的高光谱图像分类方法。该算法的基本思想是利用引导滤波求权重的方法，对光谱信息进行空间约束，然后通过字典学习的方法获得每个像元相应的稀疏表示系数，最后利用训练好的线性SVM分类器对稀疏表示系数进行分类。利用三幅真实高光谱遥感图像来验证本方法的有效性。
　　2.提出了一种基于非局部相似性和稀疏编码的高光谱图像分类方法。该算法是受非局部均值思想的启发，考虑到邻域像素对中心测试像素的贡献大小不同，提出利用非局部权值来衡量测试像素与邻域像素的相似度。同时，该权值的大小由测试像素与邻域像素之间的光谱角决定。然后利用稀疏编码方式获取样本的稀疏系数，最后利用SVM对高光谱图像进行分类。在Indian Pines、Pavia University和Salinas三幅高光谱遥感图像上进行仿真实验，结果表明该算法能够很充分的利用高光谱图像的邻域信息，改进了边缘错分的情况，且能够在同质区域取得更好分类效果的优点。
　　3.提出了一种基于多元Lap lace尺度混合先验的高光谱图像分类方法。该算法利用多元Lap la ce尺度混合先验来模拟系数间的依赖关系，同时利用组稀疏编码编码模型来结合图像的空谱域信息。在高光谱遥感图像Indian Pines上的实验结果验证了该方法的可行性和有效性。

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 研究背景和意义

1.2 国内外的研究现状

1.3 研究内容与创新

第二章 高光谱图像分类研究

2.1 高光谱图像特点

2.2 高光谱图像分类面临的难题

2.3 高光谱图像分类的发展趋势

2.4 评价高光谱图像分类的方法

2.5 本章小结

第三章 基于引导滤波和字典学习的高光谱图像分类

3.1 引导滤波

3.2 字典学习理论

3.3 SVM分类器

3.4 基于引导滤波和字典学习的高光谱图像分类方法

3.5 实验结果与分析

3.6 本章小结

第四章 基于非局部相似性和稀疏编码的高光谱图像分类

4.1 非局部均值滤波

4.2 光谱角匹配法

4.3 基于非局部相似性和稀疏编码的高光谱图像分类

4.4 实验结果与分析

4.5 本章小结

第五章 基于多元Laplace尺度混合先验的高光谱图像分类

5.1 Laplace尺度混合分布

5.2 基于多元Laplace尺度混合分布的稀疏编码模型

5.3 实验结果与分析

5.4 本章小结

第六章 结论和展望

6.1 研究结论

6.2 研究展望

参考文献

致谢

作者简介