面向高光譜遙感圖像分類的RTF模型理論與應(yīng)用研究.pdf

1、高光譜圖像中蘊含豐富的光譜信息和空間信息，能夠提高人類對地物的分類和監(jiān)測能力。高光譜圖像分類是高光譜圖像處理領(lǐng)域的研究熱點和重要研究內(nèi)容之一，也是后續(xù)高光譜圖像分析與理解的基礎(chǔ)。但是綜合考慮光譜信息和空間信息對高光譜圖像進(jìn)行精確有效的分類仍然是一個具有挑戰(zhàn)性的任務(wù)。本文從充分且正確利用高光譜圖像中的空譜信息出發(fā)，研究面向高光譜圖像分類的回歸樹場模型，以期提高高光譜圖像分類性能。論文主要工作分為三個部分：
　　首先，提出了一種利用自

2、適應(yīng)空-譜上下文的RTF高光譜圖像去噪方法。高光譜圖像在采集與傳輸過程當(dāng)中會受到噪聲的污染，通常的做法是直接刪掉這些噪聲波段，這會導(dǎo)致部分信息的丟失，從而有可能降低高光譜圖像分類性能。為此，針對高光譜圖像噪聲的特點，本文提出了一種利用自適應(yīng)空-譜上下文的RTF高光譜圖像去噪方法。
　　其次，提出了一種使線性分類評價最優(yōu)的RTF高光譜圖像分類方法。通常的模型訓(xùn)練方法將模型訓(xùn)練與模型推斷分割開來，導(dǎo)致訓(xùn)練得到的模型雖然使定義的訓(xùn)練標(biāo)準(zhǔn)

3、最優(yōu)，但不能使衡量分類性能的指標(biāo)最優(yōu)。本文通過將線性分類評價標(biāo)準(zhǔn)轉(zhuǎn)換為經(jīng)驗風(fēng)險函數(shù)，構(gòu)建模型訓(xùn)練的代價函數(shù)，從而將模型訓(xùn)練與模型推斷結(jié)合起來，實現(xiàn)在模型推斷時的評價準(zhǔn)則最優(yōu)。
　　最后，提出了一種使非線性分類評價最優(yōu)的RTF高光譜圖像分類方法。使線性分類評價最優(yōu)的RTF高光譜圖像分類方法能夠獲得令人滿意的總體分類性能，但是訓(xùn)練得到的模型可能忽視含樣本數(shù)相對較少的地物類別，導(dǎo)致類別間分類效果有較大差異。為此，本文進(jìn)一步引入衡量分類均