摘要
高光谱图像数据是光谱波段数据与空间位置数据的综合体，其包含的地物类别信息丰富而复杂。高光谱图像分类研究的目的就是利用分类相关理论和技术去充分挖掘地物信息，提高高光谱图像分类精度，为后续的高光谱图像应用提供坚实可靠的地物信息基础。目前，高光谱图像分类技术已经深深影响了现代生活的方方面面，其在农林、军事、海洋和地质等领域的应用已经越来越广泛、越来越成熟。本文以传统高光谱图像分类算法对光谱信息和空间信息利用不充分为切入点，提出了基于紧耦合像元的自适应增强类内稀疏表示高光谱图像分类算法和基于块近邻的边界约束标签平滑高光谱图像分类算法。本文的主要研究内容有：
1. 提出基于紧耦合像元的自适应增强类内稀疏表示高光谱图像分类算法。该算法将自适应增强思想融入稀疏表示的正交匹配过程中，在正交匹配的迭代寻优中加强对判决特征的提取，同时利用局部Fisher判别分析算法在降维特征域进行紧耦合像元的选取，利用生成的紧耦合像元平滑初始的特征分布，防止后面算法迭代增强过程中可能产生的过拟合。在真实高光谱图像上的实验表明，该算法比对比的同类算法具有更优良的分类性能。
二氧化碳的排放量2. 提出基于块近邻的边界约束标签平滑算法。该算法首先利用训练块聚合度和测试样本块聚合度计算出
一个加权因子，然后用加权因子对块间距离进行加权计算判决距离并根据判决距离输出分类标签；同时，该算法利用局部Fisher判别分析算法对原始高光谱图进行降维生成单波段灰度图，接着利用自适应二值化处理成图像边界快照，最后利用获取的边界快照信息对前面输出的标签应用层次平滑操作输出最终的分类标签。该算法在三个真实高光谱图像上的实验结果表明：其分类效果比对比的同类算法更优越。
关键词：高光谱图像分类，稀疏表示，自适应增强，块近邻，边界约束
Abstract
Hyperspectral image data is a synthesis of spectral dimension information data and spatial information data, which contains rich and complex information of feature class. The purpose of hyperspectral image classification is to use the classification related technology and theory to fully excavate the information of objects, improve the accuracy of hyperspectral image classification, and provide a solid and reliable information base for the subsequent hyperspectral image application. At present, hyperspectral image classification technology has deeply affected the aspects of modern life, its application in the fields of agriculture, forestry, military, marine and geology has become more and more extensive and mature. In this paper, the traditional hyperspectral image classification algor
ithm for spectral information and spatial information is not sufficient as the starting point, than the close coupled set of pixels-based adaptive boosting class-wise sparse representation classifier for robust hyperspectral image classification algorithm and the block-nearest classifier based boundary constraint algorithm for classification of hyperspectral image algorithm are proposed. The main contents of this paper are as follows:
1. Close coupled set of pixels-based adaptive boosting class-wise sparse representation classifier for robust hyperspectral image classification is proposed. In this algorithm, the adaptive-boosting idea is integrated into the sparse representation of the orthogonal matching
process. In the iterative optimization of orthogonal matching, the extraction of the decision feature is strengthened, and the close coupled set of pixels is produced in the feature domain created by the local Fisher discriminant analysis. The generated close coupled set of pixels is to smooth the initial feature distribution, and prevent the over-fitting the previous iterative process may produce. Experiments on real hyperspectral images show that the algorithm has better classification performance than similar algorithms.
2. The block-nearest classifier based boundary constraint algorithm is proposed. Firstly, the weightin
g factor is calculated by using the degree of polymerization of the training block and the degree of polymerization of the test sample block. Then, the weighting factor is used to calculate the distance between the blocks, than the label is output according to the distance. At the same time, the algorithm uses the local Fisher discriminant analysis algorithm to reduce the original hyperspectral spectrum to reduce the single band grayscale, then use the adaptive binarization to process the image boundary snapshot, and finally use the acquired boundary snapshot information with Level smoothing operation for the label to output the final classification label. The experimental results of the algorithm on three real hyperspectral images show that the classification effect is superior to the similar algorithm.
Keywords: hyperspectral image classification; sparse representation; adaptive boosting; block nearest neighbor; boundary constraint
爱在钢琴上小说
目录
第1章引言 1
1.1 课题研究背景与意义1
1.2 国内外研究现状3
1.2.1 高光谱图像传统分类技术研究现状 4
1.2.2 稀疏表示分类器研究现状 4
1.2.3 高光谱图像分类框架研究现状 6
1.3 论文的主要研究内容7
1.4 论文的主要结构8
第2章高光谱图像分类方法10
2.1 高光谱图像分类常见方法10
2.1.1 K近邻分类与局部费希尔判别分析10
2.1.2 支持向量机分类方法12
2.1.3 模糊神经网络分类方法13
2.2 稀疏表示高光谱图像分类方法15
2.2.1 稀疏表示分类模型16
2.2.2 稀疏模型重构算法18
2.3 高光谱图像分类效果评价方法20
2.4 高光谱图像分类常用实验数据集22
2.5 本章小结23
第3章基于紧耦合像元的自适应增强类内稀疏表示高光谱图像分类25
3.1 自适应增强类内稀疏表示模型25
3.2 紧耦合像元生成算法28
3.3 实验分析30
3.3.1 Indian Pines数据集32
腺苷蛋氨酸3.3.2 University of Pavia数据集34
3.3.3 Salinas数据集35
3.4 本章小结38
应急管理信息系统第4章基于块近邻的边界约束标签平滑高光谱图像分类39
4.1 基于块近邻的高光谱图像分类模型39
4.2 边界约束标签平滑算法42
4.3 实验分析43
4.3.1 Indian Pines 数据集43
4.3.2 University of Pavia 数据集45
4.3.3 Salinas 数据集47
4.4 本章小结49
第5章总结与展望50
5.1 工作总结50
5.2 发展展望50
参考文献52
致谢57无人直升机
攻读硕士学位期间从事的科研工作及取得的成果 58
第1章引言
1.1 课题研究背景与意义
高光谱遥感技术[1](Hyperspectral Remote Sensing)又称成像光谱遥感，以高分辨力的光谱信息与遥感影像信息合二为一为特点。面对图谱合一的数据立方体，传统应用于全图像以及多光谱图像的一些处理算法、分析手段已经不能很好地适应其应用。随着近几十年高光谱图像处理技术的发展，以高光谱图像分类与目标探测为主要目标的高光谱图像处理技术被不断突破创新，如今在农业[2]、林业、海洋探测[3]、地质勘探[4]、环境监测[5]、军事侦查[6]等方面已经具有了广泛的应用前景。
如图1.1遥感系统工作示意图所示，航空或者航天设备携带传感器（高光谱成像仪，Hyperspectral Imager）对地物进行观测、扫描，记录下数百个波段的高光谱图像数据以及遥感影像，数据经过预处理发送至综合接收平台（一般为地面接收站），综合接收平台经过初步处理或者数字化后送至专业遥感数据处理系统，处理完的数据进行备份、数据可视化处理或者送至相应遥感应用系统。
图1.1遥感系统工作示意图
由高光谱成像仪获取的高光谱遥感数据的各光谱波段间通常连续，因而其相邻波段数据间具有相关性。获取的完整高光谱图像中光谱波段数一般达到数十个甚至数百个以上，其光谱分辨率可以高达数量级，在可见光到短波红外波段范围内光谱分辨率为纳米(nm)级[7]。这种海量的信息内涵为地物分类和目标探测提供了巨大的潜力，但同时其庞大的信息体又对图像处理、信息分析、分类和提取方面提出了严峻的挑战。
高光谱图像数据是三维数据构成的数据立方体，维和维表现的是地理二维坐标，第三维是波段，是各种频率波的反射和辐射强度。实际的高光谱图像数据反映的是某特定地理位置上特定频率波的辐射或者反射强度。立方体的上部对应较长波的地物反射或者辐射数据，下部对应较短波的地物反射或者辐射数据。高光谱图像的分类工作主要依赖于特殊数据立方
体中数据间的相关性，其数据间的相关性主要表现在两个方面：一个是空间相关性，另一个是谱间相
关性[8]。高光谱图像的谱间相关性是指在同一地理位置上高光谱图像的各连续波段数据间具有相似性。在高光谱图像的同一波段数据中，地理坐标相邻的数据间具有较强的相关性，这种相关性是由相同区域内地物反射或者辐射的强度相近导致的。根据流形假设[9]，自然图像相邻区域内的数据具有相似性，因此，同一波段的光谱图像在空间上具有了一定的相关性。
高光谱图像数据特点决定了高光谱图像具有较其他遥感图像更强的地物识别和精细分类的能力，其特殊形态及包含的丰富的空间、辐射和光谱三重信息给高光谱的分类识别工作带来了新的机遇和挑战。
高光谱图像光谱分辨率高、波段众多，从可见光延伸到短波红外，甚至中红外和热红外，是多种信息的综合载体，为新的分类模式和分类算法的出现提供了可能[10]，同时其众多的波段信息也招致了数据量的庞大，如果对数据冗余处理不当则会影响分类精度。高光谱图像中波段数众多、波段间谱间相关性强，这导致分类需要的训练样本数目增加，而训练样本的获取代价昂贵，面对这种情况，利用传统方法在小样本下训练已不能得到可靠的分类参数。为了进一步提高目前高光谱图像分类的精度，充分挖掘高光谱遥感图像在地物识别方面的巨大潜力，必须在图像分类基本算法的基础上，结合高光谱图像分类的特点，恰当利用其数据的特殊性，研究适用于遥感图像分类且高效可靠的新理论、新模型、新算法。
高效且高精度的高光谱图像分类算法可以在农业、林业、地质、环境检测和军事等方面发挥巨大的作
用[11]。在农业方面，高光谱图像分类可以检测识别杂草、虫害、作物体内化学成分变化等等；在林业方面，高光谱图像分类可以识别树种、辅助统计、划分林区、监测火灾等等；在地质方面，高光谱图像分类可以进行矿物识别、监测岩层变动等等；在环境检测方面，高光谱图像分类技术可以监测水质变化、识别浮游生物、识别污染物等等；在军事方面，高光谱图像分类可以用于战场地物分类、辅助战场部署、识别军事目标等等。因此，高效、高精度的高光谱图像分类技术的发展在未来生活中意义重大。
图1.2 高光谱图像概念
1.2 国内外研究现状
自上个世纪60年代遥感技术出现以来，遥感设备和遥感图像处理技术都得到了长足的发展。近几年，随着图像处理技术、海量数据处理技术以及模式识别技术的蓬勃发展，高光谱图像分类技术趁机发展、进步，并凭借其高实用性和数据的特殊性而方兴未艾。高光谱图像分类技术作为高光谱图像处理技术中的关键应用技术，一直以来都是高光谱图像研究领域工程、科研人员的研究重点。高光谱图像分类就是利用高光谱成像仪获取的关于地物的空间位置信息和光谱信息的综合数据去辨别地物。高光谱图像中每个像元都有一条连续的光谱曲线，相对于全图像或者多光谱图像有其特殊性，因此利用普通图像分类技术或者传统的遥感图像分类技术存在一定的局限性。高光谱图像数据量巨大、波段众
多、Huges现象[12]、训练样本昂贵、混合像元[13]的存在、同物异谱、同谱异物等给高光谱图像分类技术的发展带来了巨大的挑战。目前，高光谱图像分类算法大概涵盖如下几个类别划分：传统的基于模式识别思想的方法和基于稀疏、智能算法的深度学习算法；根据训练样本的有无分为有监督分类、无监督分类以及半监督分类，无监督分类由于其分类精度局限性目前研究已经很少；有监督分类又划分为基于统计学的方法和基于判别的方法。
1.2.1 高光谱图像传统分类技术研究现状
分类技术是图像处理技术中关键技术之一，其发展较早，已经有很多成熟的分类器及其
石点头
改进版本。高光谱分类技术作为新兴的分类领域，其深受传统分类算法的影响，经过近几十年的研究，出现了一批以传统分类技术为基础的高光谱分类技术及其改进。
其中无监督主要基于高光谱的谱相似性利用各种聚类算法进行聚类或者基于地物谱的差异进行光谱匹配分类，但受高光谱特殊数据形态以及同谱异物和同物异谱影响，其分类效果瓶颈严重，现已将无监督分类方法作为高光谱分类算法中的一个辅助手段，其相关研究已经很少。比较著名的基于无监督的分类方法有基于光谱角填图(Spectral Angle Mapper, SAM)[14]的光谱角匹配算法，基于编码的编码匹配算法[15]，比如二值编码匹配算法[16]、遗传编码匹配算法[17]等，以及各种聚类算法，比如K均值聚类算法。
高光谱图像的有监督分类利用训练样本提取特征向量或者选择特征波段对分类器进行训练，然后利用训练好的分类器对待测样本进行类别判定。有监督分类算法的应用较为广泛，其中比较著名的算法有：基于统计的贝叶斯(Bayes)分类算法[18]系列，基于判决的支持向量机(SVM)分类算法及其改进[19]、费希尔(Fisher)线性判别分类算法及其改进[20]、模糊分类算法[21]、决策树分类算法(Decision Tree Classifier)[22]等。
1.2.2 稀疏表示分类器研究现状
稀疏表示的演进经历了正交基表示、过完备冗余字典表示和范数衡量稀疏性三个重要阶段。1993年，Stephane Mallat和Zhifeng Zhang首次利用过完备冗余字典进行信号稀疏表示就取得了良好的实验效果，与此同时，稀疏性与重构的关系得到论证。此后，一系列关于稀疏求解的技术，比如贪婪追踪技术、利用相关性度量的字典描述技术等相继出现。1995年，Scott Shaobing，David Donoho和Michael Saunders引入了一种利用范数来衡量稀疏性的追踪技术，并且证明了稀疏求解可以作为一个凸规划任务来进行且能够得到正常解。随着1996年《Nature》杂志
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议