基于流形学习的高光谱遥感图像的降维方法研究

摘要

近年来，高光谱遥感成为遥感科学的一个重要研究方向。高光谱遥感具有高分辨率的特性，提高了地物识别能力，使得地物要素定量或半定量识别成为可能。高光谱遥感已经广泛应用于精细农业、水质参数反演、矿物填图等领域。高光谱图像含有丰富的空间、辐射和光谱信息，但存在波段数众多，数据量巨大，信息冗余，维数灾难的问题，使得海量信息难以有效利用。本文将流形学习中的局部保持映射、线性判别分析、组合了局部保持映射和线性判别分析等算法拓展应用到高光谱数据的降维，该方法保持高光谱遥感信息的同时，有效降低了高光谱图像的数据量。同时，采用支持向量机（SVM）分类方法验证其降维的有效性。论文主要工作如下：
　　（1）分析了传统降维方法原理，包括全局保持降维方法（主成分析、线性判别分析）、局部保持降维方法（局部保持映射），组合线性判别分析和局部保持映射方法。
　　（2）针对地形起伏造成高光谱图像光谱不连续性问题，采用基于色彩空间变换的高光谱数据阴影检测技术和基于图像的色度、饱和度与亮度空间分别实现阴影的去除，最后对阴影恢复后的图像进行边界的去除。
　　（3）分别采用OMSI-I航空高光谱图像和Hyperion卫星高光谱图像进行降维方法实验。采用SVM分别对特征子集分类并进行精度评价。两组数据的分类精度统计结果表明，基于LPP方法提取的特征子集的分类精度最高；基于LDA-LPP方法获得的特征子集分类精度次之，但它将更多的信息压缩到了前面几个波段中，即压缩效率较高；基于传统的 PCA和 LDA方法获得的特征子集上的分类精度最低，其中基于 LDA方法获得的特征子集分类精度优于基于 PCA方法获得的特征子集的分类精度，因为PCA降维方法是从保持原始信息最大能量的角度为出发点，而基于LDA特征提取方法是从最好的区分不同类别样本为出发点的。
　　本文的实验证明了保持了局部特性的局部保持映射能更好的挖掘出高光谱数据内部的非线性特性，达到较好的数据压缩效果；组合降维方法效果仅次于局部保持映射算法，但其在保持了数据全局和局部信息的同时，将数据更多的信息压缩到前面较少的波段总，即有着较高的压缩效率。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪 论

1.1 研究目的和意义

1.2 国内外研究现状及分析

1.3 主要研究内容和技术路线

第二章 基于流形学习的降维算法原理

2.1 全局保持流形学习算法

2.2 局部保持流形学习算法

2.3 组合全局和局部保持降维方法

第三章 OMSI-I航空高光谱图像的降维及分类验证

3.1 OMIS-I航空高光谱遥感图像的降维

3.2 OMIS-I航空高光谱图像特征子集分类

第四章 Hyperion高光谱遥感图像降维及分类验证

4.1 Hyperion高光谱数据预处理

4.2 Hyperion数据阴影检测与去除技术

4.3 Hyperion高光谱数据的降维

4.4 Hyperion数据特征子集的分类

4.5 Hyperion数据各种特征集分类效果的比较

第五章 结论和展望

5.1 结论

5.2 展望

致谢

参考文献

硕期间取得的研究成果