基于空间加权关联的稀疏表示高光谱聚类

摘要

本文首先引入了稀疏表示用于高光谱遥感分类。在引入的算法中，假设高光谱像元，在给定的字典下，可以用少量的原子来稀疏表示。文中采用贪婪追踪算法，通过解决一个稀疏约束优化问题，来解决测试光谱样本的稀疏表示。为了提高分类效果，文中先介绍了两种不同的方式来描述高光谱遥感信息的邻域结构信息。第一个方案通过在重建图像上加入拉普拉斯平滑，一个显式的平滑约束加入到问题规划中;另一个通过中心像元的局部邻域像元的联合稀疏结构来解决的。由于前面两个方案中，对中心像元的最邻近样本的权重都一样，这样对于边界处，加大相异样本的权重，降低相似样本的权重。为了提高多种类别边界处的分类效果，文中提出了空间加权关联改进方案，改善局部邻域的空间关系;对此，文中提出两种相似度度量。文中还提出了正方形窗口局部区域关联，这样适用的边界类型更加广泛。同时，文中对分类器也进行了加权重构，通过重构误差相似加权，或者直接通过去除一半相异程度较大的重构像元，来减少相异样本的误差影响，提升相似样本的误差影响。实验结果证明本文的改进方案比先前方案和经典的监督分类器支持向量机都有相应的提高。

目录

声明

摘要

第一章 引言

第二章 高光谱主要内容

2．1 高光谱遥感技术

2．2 高光谱图像原理

2．3 高光谱图像分类基本理论

第三章 稀疏表示模型用于高光谱图像聚类

3．1 稀疏模型

3．2 重建和分类

3．3 高光谱稀疏表示的空间信息关联

3．3．1 A．拉普拉斯约束

3．3．2 B．联合稀疏模型

3．3．3 对拉普拉斯平滑与联合稀疏模型分析

第四章 稀疏表示模型中空间加权关联

4．1 空间权重

4．2 局部区域的选择

4．3 分类器的重构

第五章 实验结果

第六章 我的创新之处及未来展望

参考文献

致谢