基于分類、解譯、超分辨的高光譜關(guān)鍵信息檢測技術(shù)研究.pdf

1、高光譜遙感或成像即在每個像素面積上獲取大量窄波段連續(xù)光譜的物質(zhì)輻射亮度。高光譜成像相對于傳統(tǒng)的全色或彩色成像的主要優(yōu)點是測量得到的反射率也就是物質(zhì)的光譜特征可以用來識別場景中的特定的物質(zhì)。這一點遠遠超越了傳統(tǒng)成像系統(tǒng)，甚至超越了高光譜成像的初始技術(shù)形式——多光譜成像。盡管有上述的優(yōu)勢，由于技術(shù)的限制，很難從高光譜圖像中檢測關(guān)鍵空間信息例如小目標和邊界線。因此，研究新的圖像處理技術(shù)將是高光譜遙感研究的重要領(lǐng)域。
　　高光譜成像及其相

2、關(guān)應(yīng)用的主要限制有：低空間分辨率，由大氣和幾何條件所造成的光譜畸變，以及場景中大量的混合像元。為了克服這些問題進而更加有效地提取感興趣的信息，本文將研究高光譜圖像關(guān)鍵信息的檢測。本文將關(guān)鍵信息定義為任何一種能幫助我們更好地解譯高光譜圖像的有用信息。關(guān)鍵信息與實際應(yīng)用緊密相關(guān)，通常與物體的位置，形狀和大小以及地物類型有關(guān)。關(guān)鍵信息涉及到物質(zhì)的種類，像素的組成（物質(zhì)的豐度），以及一段時間內(nèi)地物的變化。本文以高光譜圖像的關(guān)鍵信息檢測主要應(yīng)用范

3、疇，遵循高光譜遙感研究的基本原則，提出了新的方法。
　　高光譜圖像應(yīng)用廣泛，現(xiàn)今的大多數(shù)技術(shù)可以按照其應(yīng)用目的分為四類：1）硬分類，2）軟分類，3）目標檢測，4）變化檢測。為了縮小研究的范圍，本文并未研究相對次要的變化檢測。為了更好地利用高光譜圖像，本文提出了以下三方面的方法和技術(shù)：1）硬分類，2）軟分類中的解混，3）以目標檢測為目的的空間分辨率增強。本文提出的方法的目的和推理以及相應(yīng)的框架和成果如下：
　　1）一種針對分散

4、小目標的高光譜分類器（具有較強的魯棒性）
　　在高光譜監(jiān)督分類中，維數(shù)災(zāi)難是導致計算復雜和Hughes現(xiàn)象的主要原因。訓練樣本尤其是對于含有關(guān)鍵信息的小目標的不足，是另一個主要障礙。以往的研究很少同時考慮這兩個問題，本文將用于判別的特征降維技術(shù)與概率稀疏核模型（以貝葉斯學習為基礎(chǔ)）以及相關(guān)向量機（RVM）結(jié)合起來，提出了一種新的監(jiān)督分類方法。在提出的方法中，首先使用特征降維技術(shù)將高維數(shù)據(jù)先轉(zhuǎn)化到一個低維特征空間，從而最大化類與類之

5、間的可分性。變換后的數(shù)據(jù)通過并行體系結(jié)構(gòu)和以一對一的策略為基礎(chǔ)的RVM多類分類器進行處理。為了驗證該方法的有效性，本文以實際高光譜數(shù)據(jù)進行實驗。該結(jié)果與目前最有效的監(jiān)督分類技術(shù)如支持向量機進行比較，并使用相應(yīng)的評價指標。結(jié)果表明，該方法對難以精確分類的小目標的分類性能比其他分類方法效果更好。此外，該方法具有較低的計算復雜度和對 Hughes現(xiàn)象的魯棒性的優(yōu)勢。
　　2）針對豐度值的解混分類轉(zhuǎn)換模型
　　在高光譜圖像中，通常需

6、要用組成每個象素的純象元或者端元的先驗知識去提取端元，而現(xiàn)在解混的熱點是端元豐度值的提取。通常來說，由于缺乏純象元的先驗知識，導致將象素向量的平均光譜（從圖像中直接提取出來）作為典型的樣本，用這個平均光譜來求解豐度值。這種方法用已知的先驗知識對解混問題進行數(shù)學優(yōu)化，忽略了提取樣本的統(tǒng)計特性，從而導致了端元提取的次優(yōu)解。本文提出了一種新的基于學習的解混-分類變換模型，把豐度值的求解問題看作一個分類問題。作為一個有效地分類器，我們使用支持向

7、量機實現(xiàn)這個模型。它利用圖像中典型端元的統(tǒng)計特征（端元光譜的變化規(guī)律），而不是根據(jù)理想模型解決問題（理想模型要求只利用每個訓練樣本的平均光譜集）。本文用仿真圖像和真實的高光譜圖像進行了幾組實驗，實驗結(jié)果表明了豐度值提取的精確性，提高了子象元的檢測能力。
　　3）高光譜圖像的分辨率增強優(yōu)化方法研究
　　本文對高光譜圖像的分辨率增強技術(shù)進行詳盡的研究，對熱點研究領(lǐng)域進行分類，通過綜合比較，我們歸納了不同技術(shù)中所存在的重要障礙，之

8、后選擇了適合的光譜分辨率增強方法。最后，本文對各種高光譜圖像的分辨率增強方法進行分類。主要的研究類別有：聯(lián)合處理法，光譜解混分析法，超分辨制圖法，空間-光譜分辨率聯(lián)合法。針對不同類別的分辨率增強算法的結(jié)構(gòu)，應(yīng)用，要求，效果和局限性，本文進行了能力的評估。結(jié)果表明，一個算法的恰當與否取決于多個因素，例如獲得多源信息的能力，計算復雜性，訓練數(shù)據(jù)的可靠性，算法的效率，以及所期望的應(yīng)用。這也表明，高光譜圖像的光譜解混分析是適合開發(fā)高性能的，自主

9、的，快速的分辨率增強算法的技術(shù)。這項研究結(jié)果是接下來兩種技術(shù)的主要前提。
　　4）基于空間光譜數(shù)據(jù)融合的半監(jiān)督分辨率增強技術(shù)
　　本文提出了一種基于空間光譜數(shù)據(jù)融合的半監(jiān)督的高光譜圖像分辨率增強方法。此方法用超分辨制圖技術(shù)（SRM）最大化端元（圖像中純物質(zhì)的光譜特征）間的空間相關(guān)性，并采用一種線性混合模型和一種完全約束的最小二乘光譜解混算法來獲得高光譜圖像的端元豐度（分割的圖像）。然后，對提取出來的端元分布圖和空間信息用空間

10、光譜相關(guān)最大化模型和一種基于學習的SRM技術(shù)利用子象元數(shù)據(jù)進行融合。實驗結(jié)果驗證了本方法在關(guān)鍵信息檢測應(yīng)用方面的可靠性和有效性，并且計算速度快，適于實時應(yīng)用。本方法只需要用圖像中任意區(qū)域的有限數(shù)量的高分辨率（HR）訓練樣本就能對全圖像進行分辨率增強，而一般的方法中通常需要與低分辨率圖像（LR）同樣大小的高分辨率信息，因此可以克服一般聯(lián)合處理方法中需要大量高分辨率信息的缺點。
　　5）一種基于自學習的超分辨率制圖的空間分辨率增強技術(shù)

11、
　　本文提出了一種有效的無監(jiān)督超分辨技術(shù)。本方法采用基于學習的SRM算法來產(chǎn)生仿真的LR2數(shù)據(jù)（LR進行二次采樣的數(shù)據(jù)）向 LR數(shù)據(jù)的映射模型，從而實現(xiàn)LR數(shù)據(jù)向 HR數(shù)據(jù)的成功映射。這種方法以無監(jiān)督的方式輸入訓練樣本，并且獨立于任何二級 HR數(shù)據(jù)，因此被稱為自學習技術(shù)。首先，我們用一個線性混合模型和一種完全約束的最小二乘光譜解混算法來提取高光譜圖像的空間信息和光譜信息，之后用空間相關(guān)模型（基于學習的SRM算法）進行融合。本文提