基于分類精度預(yù)測的高光譜圖像分類研究.pdf

1、高光譜圖像具有“圖譜合一”的特點(diǎn)，光譜與空間信息豐富，因而在地物的分類與識別領(lǐng)域有巨大的應(yīng)用潛力。然而，數(shù)據(jù)量大、冗余信息多、“維數(shù)災(zāi)難”現(xiàn)象以及“同物異譜”和“異物同譜”等問題，極大地影響高光譜圖像分類的效率與效果。為此，本文重點(diǎn)關(guān)注波段選擇及高光譜圖像的分類問題。主要研究工作及取得的成果如下：
　　（1）圖像分類性能評價指標(biāo)預(yù)測模型研究
　　分類精度的高低是圖像可分性大小的直接體現(xiàn)。它們不僅可用于高光譜圖像的波段選擇，而

2、且可指導(dǎo)波段的有效組合，以提高圖像的分類性能。本文從圖像分類性能評價指標(biāo)的定義出發(fā)，基于各類地物服從混合高斯分布的假設(shè)，建立圖像分類性能評價指標(biāo)的預(yù)測模型。從理論上分析了特征分布參數(shù)是影響圖像分類精度的主要因素。本文所建立的分類精度預(yù)測模型僅依賴于特征分布參數(shù)，且為參變量的顯式表達(dá)，因而為無訓(xùn)練樣本參與的分類精度預(yù)測提供了一種可行的途徑。利用
　　ROSIS、RetigaEx、AVIRIS三個高光譜數(shù)據(jù)集以及GeoEye-1和國產(chǎn)

3、Z3兩個多光譜數(shù)據(jù)集進(jìn)行實驗，結(jié)果表明，預(yù)測模型輸出結(jié)果與分類方法所得分類精度具有很強(qiáng)的一致性。
　?。?）基于總體精度排序與K-L距離分析的非監(jiān)督波段選擇方法研究
　　非監(jiān)督波段選擇方法算法復(fù)雜度低，但由于無訓(xùn)練樣本的參與，難以得到直接體現(xiàn)波段可分性的準(zhǔn)則?？紤]到總體精度可以反映各波段的可分性，本文首先基于總體精度預(yù)測模型，提出了一種非監(jiān)督的總體精度預(yù)測方法。為了實現(xiàn)了可分性與冗余度準(zhǔn)則在波段選擇過程的結(jié)合，提出了基于總體

4、精度排序與K-L散度分析的非監(jiān)督波段選擇方法（OCPE）。相比其它非監(jiān)督波段選擇方法，由于考慮了波段的可分性，這種方法更能體現(xiàn)面向分類的特點(diǎn)。利用ROSIS和RetigaEx數(shù)據(jù)集進(jìn)行實驗，結(jié)果表明本文方法具有明顯的分類優(yōu)勢。
　?。?）總體精度與冗余度聯(lián)合最優(yōu)的波段選擇方法研究
　　為了選擇可分性強(qiáng)且冗余度低的波段集合，本文通過引入一個刻畫各波段重要程度的指標(biāo)——波段重要性權(quán)重（SW），構(gòu)建總體精度與冗余度聯(lián)合最優(yōu)的目標(biāo)函

5、數(shù)，于是，波段選擇被轉(zhuǎn)化為帶約束的優(yōu)化問題。在該目標(biāo)函數(shù)中，為了協(xié)調(diào)總體精度與冗余度，設(shè)計了與所選波段數(shù)目l成正相關(guān)的自適應(yīng)權(quán)衡參數(shù)。相比前面所提OCPE方法，這種方法是通過犧牲算法復(fù)雜度換取性能。利用ROSIS和RetigaEx數(shù)據(jù)集的實驗結(jié)果表明，本文方法性能穩(wěn)定，在去冗余與保持較高分類精度方面均可達(dá)到更好的性能。
　?。?）基于波段貢獻(xiàn)率加權(quán)的譜域-空域高光譜圖像分類方法研究
　　各波段對辨別不同地物的能力存在差異，貢

6、獻(xiàn)也完全不同。為了發(fā)揮各波段的優(yōu)勢，提高光譜信息的利用率，本文將波段貢獻(xiàn)率引入光譜空間，并構(gòu)建了加權(quán)的光譜后驗概率模型（Weighted Spectral Posterior Probability，WSP）。為了發(fā)揮空間信息的作用，通過自適應(yīng)的權(quán)衡參數(shù)，進(jìn)一步將WSP與空間光滑性約束結(jié)合。其中，本文采用 F-measure刻畫波段貢獻(xiàn)率，并提出了一種半監(jiān)督的 F-measure預(yù)測方法（Semi-Supervised F-measur