基于低秩表示的空譜聯(lián)合高光譜圖像分類模型與方法.pdf

1、高光譜遙感是近30年以來獲得迅速發(fā)展的重要地球觀測技術之一，其具有納米級的光譜分辨率，可以提供豐富的圖像和光譜信息。其中，高光譜分類是高光譜遙感應用中的一個重要環(huán)節(jié)，目前的分類方法主要是通過更多挖掘光譜信息中包含的空間、輻射和光譜信息來提高分類效果。但是由于高光譜遙感探測易受天氣影響，高光譜圖像具有數(shù)據(jù)維度高、數(shù)據(jù)規(guī)模較大、光譜分辨率較高但空間分辨率較低等特點，使得高光譜分類模型和算法的精度和穩(wěn)定性很難得到保證。
　　本論文以近年

2、來發(fā)展應用較為活躍的低秩表示(Low Rank Representation，LRR)作為基本框架，充分提取高光譜圖像的光譜特征和空間相關性，運用核技巧和多核學習框架設計空譜聯(lián)合的分類模型，基于交替方向迭代算法(Alternating Direction Method ofMultipliers，ADMM)設計快速求解算法，并在Matlab GUI上開發(fā)實現(xiàn)高光譜遙感圖像分類處理軟件。通過實際高光譜圖像的實驗驗證了本文模型、方法和軟件系

3、統(tǒng)的有效性。主要內容包括:
　　1、提出了基于核低秩表示的高光譜分類模型和算法。該方法通過低秩表示框架對整幅高光譜圖像做全局相關性約束，同時通過核函數(shù)將傳統(tǒng)線性分類器映射為非線性分類器，利用核函數(shù)能隱性獲得數(shù)據(jù)高階結構的特點，將高光譜圖像映射到線性可分的高維空間，有效提高了分類精度，并利用核技巧避免高維運算提高算法運行效率。另外，在分析比較經典徑向基核函數(shù)（Radial Basis Function，RBF），聯(lián)合空譜相關性的組合

4、核(Composite Kernel，CK)，均值濾波核(Mean Filtering，MF)和鄰域濾波核(NeighboringFiltering，NF)的基礎上，給出了基于鄰域濾波核的核低秩表示高光譜分類方法。實驗結果表明:基于鄰域濾波核低秩表示的高光譜分類模型精度高，尤其適用于小訓練樣本情況。
　　2、提出了基于空譜聯(lián)合多核學習的低秩表示高光譜分類方法。論文針對核低秩表示分類方法中特征尺度單一、而且參數(shù)確定困難的問題，基于多

5、核學習框架，不僅在光譜維中利用多尺度核魯棒地提取光譜特征，而且在空間維中利用多核學習框架充分提取圖像的局部鄰域信息，同時保持了低秩表示分類模型對高光譜圖像全局特征的刻畫。針對高光譜分類的特點，論文采用表示多核學習算法（Representive MKL，RMKL）作為多核學習框架，通過核矩陣的特征決定要保留的核函數(shù)及其權重，從而避免了傳統(tǒng)多核學習方法中的算法時間復雜度高的問題。通過真實的高光譜數(shù)據(jù)實驗表明，本章方法能夠實現(xiàn)魯棒、快速、高精