基于稀疏性的高光谱遥感影像降维方法研究

摘要

高光谱遥感影像包含丰富的空间、辐射和光谱信息，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在一起，有利于进行地物的分类和目标的精细识别。因此，充分利用高光谱的光谱信息进行地物分类已经成为最近的一个研究热点。高光谱遥感影像谱段数目众多，甚至达到上百个波段，海量的数据为地物分类算法提出挑战，因此需要对高光谱数据进行降维。
　　最近，稀疏表示成为国内外的研究热点，在信号处理、图像处理、模式识别与计算机视觉等许多领域得到成功的应用。许多自然数据都具有稀疏的特性，使得基于稀疏性的数据降维成为可能。本文挖掘了高光谱数据的稀疏特性，利用稀疏表示方法对高光谱遥感影像进行降维。具体研究内容如下:
　　(1)提出一种基于Ker Sparseband的高光谱影像降维方法。首先，利用核函数将样本映射到高维空间，在高维特征空间内采用稀疏表示的方法进行特征选择。在分类过程中，集成多个Ker Sparseband特征器选择光谱波段的稀疏子集，投票决策分类结果。在极少标记样本下，利用核函数相似性度量性质改善分类器的性能。在Indian Pines、Salinas-A和Pavia Centre高光谱数据库上进行仿真实验，实验结果表明:该算法能够有效的提高分类器的识别率，尤其是在小样本学习情况下，依然可以取得很高的识别情况。
　　(2)提出了一种基于双几何约束的半监督高光谱影像波段降维算法。该算法的基本思想为充分利用有标签和无标签的样本信息，找到一个最优子空间投影实现降维。该算法利用样本的标签信息构造样本的标签相似度矩阵。同时，该算法通过分别在流形域和图像域定义的几何结构矩阵来获取样本的局部相似性，在流形域的几何信息由稀疏表示几何矩阵获取，在图像域的局部几何信息由定义的局部一致性约束矩阵来表示。在Indian Pines高光谱数据库上进行实验仿真，结果显示:与同类算法相比，分类正确率有所提高。
　　(3)提出了一种基于低秩表示和局部一致性的半监督降维算法。该算法在基于成对约束的半监督降维算法框架中考虑低秩表示信息和局部一致性信息正则项，来实现高光谱遥感影像的降维。该算法性能在Indian Pines和Pavia Centre-A高光谱数据库上得以验证。

目录

声明

摘要

第一章 绪论

1．1 研究背景

1．1．1 遥感技术发展概述

1．1．2 高光谱遥感影像地物分类概述

1．1．3 高光谱遥感数据降维的必要性

1．2 研究目的与意义

1．3 研究内容与创新

1．4 论文架构安排

第二章 高光谱遥感影像降维方法

2．1 遥感影像降维算法

2．1．1 特征选择降维算法

2．1．2 特征提取降维算法

2．2 基于稀疏性的降维算法

2．2．1 基于稀疏性的特征选择算法

2．2．2 基于稀疏保持投影的降维算法

2．2．3 稀疏无监督降维模型

2．3 本章小结

第三章 基于KerSparseBand和多特征集成的高光谱影像降维算法

3．1 基于压缩感知的特征选择算法

3．1．1 压缩感知理论

3．1．2 基于压缩感知的降维算法

3．2 基于KerSparseBand和多特征集成的高光谱影像降维算法

3．3 基于KerSparseBand的分类算法

3．4 实验结果与分析

3．4．1 实验数据库介绍

3．4．2 分类精度评价指标

3．4．3 在Indian Pines高光谱数据库上的实验结果

3．4．4 在Salinas-A高光谱数据库上的实验结果

3．4．5 在Pavia Centre-A高光谱数据库上的实验结果

3．4．6 实验分析

3．5 本章小结

第四章 基于双几何约束的半监督高光谱影像波段降维算法

4．1 半监督降维学习

4．2 子空间投影降维算法

4．3 基于双几何约束的半监督子空间投影降维算法

4．3．1 基于稀疏表示的几何结构矩阵

4．3．2 基于样本的标签信息的相异矩阵

4．3．3 基于局部一致性的几何结构矩阵

4．3．4 基于双几何结构的子空间投影

4．4 实验结果与分析

4．4．1 在Indian Pines高光谱数据集上得实验结果

4．4．2 实验分析

4．5 本章小结

第五章 基于低秩表示和局部一致性的半监督降维方法

5．1 基于成对约束的半监督降维算法

5．1．1 SSDR的判别项

5．1．2 SSDR的正则项

5．2 低秩表示

5．3 基于低秩表示和局部一致性的半监督降维算法

5．4 实验结果与分析

5．4．1 在Indian Pines高光谱数据集上得实验结果

5．4．2 在Salinas-A高光谱数据集上得实验结果

5．4．3 实验分析

5．5 本章小结

第六章 总结与展望

6．1 本论文内容总结

6．2 工作展望

致谢

参考文献

研究成果