基于多域聯(lián)合特征提取的高光譜圖像分類關(guān)鍵技術(shù)研究.pdf

1、高光譜成像技術(shù)源于遙感科學(xué)，得益于光譜成像技術(shù)及光學(xué)儀器科學(xué)的進步，是近幾年來迅速發(fā)展的一門新興圖像處理與分析技術(shù)。高光譜成像技術(shù)將先進的光譜成像技術(shù)與傳統(tǒng)的二維空間成像技術(shù)融為一體，通過成像光譜儀，在連續(xù)分布的數(shù)十甚至幾百波段的光譜范圍內(nèi)，對目標(biāo)進行連續(xù)成像，獲取目標(biāo)空間特性的同時，采集目標(biāo)連續(xù)變化的光譜響應(yīng)信息。高光譜圖像處理技術(shù)，因其在成分分析、目標(biāo)分類與識別等方面所展現(xiàn)的優(yōu)越性，已然成為地質(zhì)科學(xué)、農(nóng)業(yè)生產(chǎn)、食品安全、生物醫(yī)學(xué)等眾

2、多領(lǐng)域的前沿科技。
　　特征提取與分類識別技術(shù)一直是高光譜圖像處理與應(yīng)用的研究重點，此項技術(shù)的研究與創(chuàng)新具有較高的理論意義和實踐價值。然而，高光譜圖像本身存在數(shù)據(jù)量大、波段相關(guān)性強、數(shù)據(jù)冗余度高以及計算復(fù)雜度高等缺點，嚴(yán)重阻礙了高光譜成像技術(shù)的發(fā)展與應(yīng)用。本文圍繞“如何從海量高光譜數(shù)據(jù)中有效地提取目標(biāo)空間信息和光譜信息進行處理和分類，從而提高分類精度和效率”的主題，研究基于多域聯(lián)合特征提取的高光譜圖像分類關(guān)鍵技術(shù)，主要研究工作包括

3、:
　　第一，針對高光譜圖像本身數(shù)據(jù)量大、波段多且相關(guān)性強、數(shù)據(jù)冗余度高等問題，研究現(xiàn)有的高光譜圖像特征提取方法，提出一種基于張量的稀疏特征降維方法(STDR)。STDR方法將張量判別分析與稀疏表示相結(jié)合，首先采用不同尺度和方向的Gabor濾波組，對若干主成分進行濾波，抽取Gabor特征并完成二階特征張量的構(gòu)建;其次，將張量判別分析方法與稀疏表示相結(jié)合，對二階特征張量進行迭代優(yōu)化降維，提取稀疏張量特征。采用支持向量機分類的實驗結(jié)果

4、表明，該算法在張量框架下得到特征的稀疏描述，可在保持各特征之間的結(jié)構(gòu)完整性的前提下實現(xiàn)數(shù)據(jù)降維，能夠有效提高分類精度。
　　第二，針對高光譜圖像多域聯(lián)合特征提取與分類問題，提出兩種光譜域-空間域分類方法—多中心擬合MSAM-MRF分類方法與光譜域-空間域混合互相關(guān)約束條件下特定類建樹進而生成隨機森林的分類方法(CSRF):
　　(1) MSAM-MRF算法基于傳統(tǒng)的光譜角匹配算法（SAM），首先提出多中心擬合模型，克服傳統(tǒng)方

5、法采用單個均值中心代替樣本集所產(chǎn)生的擬合度過低的問題;其次，考慮SAM算法本身是非概率方法，通過高斯概率模型假設(shè)引入馬爾科夫隨機場(MRF)，將空間描述融入概率決策框架，并通過迭代尋優(yōu)得到最優(yōu)分類結(jié)果。多中心模型是一種參數(shù)控制條件下的多中心擬合算法，旨在通過決策域的分裂產(chǎn)生多個擬合中心，更加合理劃分決策域，實現(xiàn)訓(xùn)練集合的高度擬合。
　　(2) CSRF算法以隨機森林分類器為基礎(chǔ)，提出一種光譜域-空間域混合互相關(guān)約束特征提取方法和一