基于流形學(xué)習(xí)的高光譜圖像空-譜聯(lián)合特征提取與分類.pdf

1、高光譜遙感圖像中含有相當(dāng)豐富的空間-光譜特征信息，為地物的精細(xì)識(shí)別與分類帶來(lái)了新的機(jī)遇。然而，超高的空間-光譜分別率也帶來(lái)了數(shù)據(jù)量大、冗余度高、波段數(shù)多且相關(guān)性強(qiáng)等問(wèn)題，若直接對(duì)其進(jìn)行地物分類，極易產(chǎn)生“維數(shù)災(zāi)難”問(wèn)題。因此，如何從原始高光譜圖像中挖掘出有用的鑒別特征，在減少運(yùn)算量的同時(shí)，提高地物分類精度，是一個(gè)亟待解決的問(wèn)題。
　　本文以高光譜圖像數(shù)據(jù)具有非線性結(jié)構(gòu)為切入點(diǎn)，主要從流形學(xué)習(xí)和空-譜聯(lián)合的角度對(duì)圖像的特征提取及分類

2、算法進(jìn)行深入研究。主要研究工作如下：
　?、俜謩e從全局線性、非線性流形學(xué)習(xí)以及線性流形學(xué)習(xí)三個(gè)不同的角度詳細(xì)介紹了高光譜圖像中典型的特征提取算法，并簡(jiǎn)要介紹了目前較為經(jīng)典的分類算法、分類精度評(píng)價(jià)指標(biāo)以及本文實(shí)驗(yàn)中所用到的高光譜數(shù)據(jù)集。
　?、谔岢隽艘环N融合空間-光譜信息的空-譜協(xié)同嵌入(SSCE)特征提取算法和空-譜協(xié)同最近鄰(SSCNN)分類算法。針對(duì)傳統(tǒng)算法多僅利用圖像光譜特征而忽略空間信息的不足，本文以流形學(xué)習(xí)中的圖嵌

3、入理論為基礎(chǔ)，并充分融合了圖像中的空間-光譜信息。為減小選取異類地物為近鄰的概率，首先提出了一種新的相似性度量方法，即空-譜協(xié)同距離(SSCD)；其次，在構(gòu)建近鄰關(guān)系圖時(shí)，通過(guò)提高空-譜近鄰點(diǎn)的權(quán)值來(lái)提升同種類別地物間的內(nèi)聚性，提取低維嵌入后的鑒別特征；最后，利用融合了圖像空間信息的SSCNN對(duì)地物進(jìn)行分類。在PaviaU和Salinas高光譜數(shù)據(jù)集上進(jìn)行驗(yàn)證實(shí)驗(yàn)，從分類結(jié)果可以看出，該算法相比于其它算法能明顯提高地物分類的精度。

4、>　　③提出了一種融合加權(quán)均值濾波(WMF)和流形重構(gòu)保持嵌入(MRPE)的特征提取算法。該方法利用高光譜圖像中地物分布的空間一致性，首先對(duì)所有像元進(jìn)行加權(quán)均值濾波處理，消除同種類別地物中光譜差異性較大的像元的影響，并在流形重構(gòu)過(guò)程中通過(guò)增大空間-光譜近鄰點(diǎn)的權(quán)值以獲得更為有效地鑒別特征，實(shí)現(xiàn)特征提取。在PaviaU和Urban高光譜數(shù)據(jù)集上進(jìn)行驗(yàn)證實(shí)驗(yàn)，從分類結(jié)果可以看出，在同等實(shí)驗(yàn)條件下，MRPE算法取得了更好的地物分類效果。