基于稀疏表示的高光譜圖像分類和解混方法研究.pdf

1、高光譜圖像分類技術(shù)和光譜解混技術(shù)在高光譜遙感技術(shù)領(lǐng)域占有非常重要的地位，一直是國內(nèi)外學(xué)者的重點(diǎn)研究方向。近年來，隨著稀疏表示在圖像處理方面的廣泛應(yīng)用，一些學(xué)者開始將其應(yīng)用到了高光譜遙感圖像處理方面，尤其是高光譜圖像分類和光譜解混方向，已經(jīng)取得了一些成就。但是現(xiàn)有的基于稀疏表示的圖像分類和光譜解混方法只考慮了高光譜圖像的光譜信息，沒有考慮到圖像的空間信息和高光譜圖像本身的特征信息。在高光譜圖像中，存在這樣一種現(xiàn)象，相鄰像元可能包含相似或相

2、同的物質(zhì)，并且物質(zhì)的含量也是相似的，基于上述特征，可以利用中心像元的鄰居像元在分類和解混模型中添加空間約束，將高光譜圖像的空間信息和光譜信息結(jié)合起來，從而提高分類和解混的精度。論文的研究方向主要有以下兩方面：
　　1.在高光譜圖像中，存在這樣一種現(xiàn)象，相鄰像元可能包含相似或相同的物質(zhì)，這樣，它們很可能在分類過程中歸為同一類。基于高光譜圖像的這種特征，本文提出了一階鄰域系統(tǒng)加權(quán)約束，即用中心像元周圍的4個(gè)像元在分類模型中去約束該像元

3、，并且與中心像元越相近的鄰居像元在約束中占的比重越大，該約束使得中心像元和周圍的4個(gè)像元在分類過程中包含同樣的光譜信息。然后將此約束添加到稀疏分類模型中，提出了一種基于一階鄰域系統(tǒng)加權(quán)約束的新的分類算法。為測(cè)試新算法的分類性能，利用常見的 AVIRIS和ROSIS傳感器搜集的高光譜圖像進(jìn)行實(shí)驗(yàn)，采用總分類精度、平均分類精度和kappa系數(shù)3種評(píng)價(jià)標(biāo)準(zhǔn)評(píng)價(jià)算法性能。實(shí)驗(yàn)結(jié)果表明，一階鄰域系統(tǒng)加權(quán)約束充分利用了空間信息和圖像本身的特征，分類

4、精度有了大幅提高，分類性能優(yōu)于現(xiàn)有分類算法。
　　2.高光譜圖像中的像元是由光譜信息和空間信息共同組成的，光譜信息是獨(dú)立的，而空間信息是相關(guān)的。由于馬爾科夫隨機(jī)場(chǎng)是一個(gè)模擬空間相關(guān)性的強(qiáng)大工具，它不僅考慮到圖像中相鄰像元的相關(guān)性，同時(shí)也考慮到了圖像本身的特征，所以本文采用馬爾科夫隨機(jī)場(chǎng)在稀疏解混模型中添加空間相關(guān)性約束，提出了一種基于自適應(yīng)的馬爾科夫隨機(jī)場(chǎng)的稀疏解混算法。為測(cè)試該算法的解混性能，本文提供了模擬圖像數(shù)據(jù)和真實(shí)的 AV