高光譜遙感圖像的稀疏表示分類方法研究.pdf

1、在20世紀80年代，對地遙感測觀測手段由多光譜遙感發(fā)展到了高光譜遙感。高光譜遙感圖像隨即成為對地觀測的主要手段之一。高光譜遙感圖像以其達到納米級的光譜分辨率，探測和揭示了許多傳統(tǒng)全色探測中不可觀測到的，隱藏在光譜曲線中的地物目標特性，因此高光譜圖像在許多領(lǐng)域都得到了廣泛的應(yīng)用，并成為世界上許多國家對地遙感系統(tǒng)的重要組成部分。而在高光譜遙感圖像的研究中，高光譜遙感圖像分類是其中的重點和基礎(chǔ)。在機器學習領(lǐng)域，許多用于高光譜圖像分類的算法都被

2、提出。近幾年，作為機器學習領(lǐng)域的熱點，稀疏表示也被成功應(yīng)用到了高光譜圖像分類當中?；谙∈璞硎镜母吖庾V圖像分類方法從經(jīng)典的利用光譜信息分類開始，演變到目前的空-譜結(jié)合的分類思路。本文就基于稀疏表示在高光譜圖像分類方法方面做了一些研究，包括以下內(nèi)容：
　?。?）針對經(jīng)典的高光譜圖像稀疏表示分類方法精度不高，時間復(fù)雜度較高的缺點，提出了一種基于字典和波段重組的高光譜圖像稀疏表示分類方法。在該算法中，在算法開始時使用鄰域均值化預(yù)處理，并

3、在判斷最終分類結(jié)果時使用多圖 K近鄰（k-Nearest Neighbor，KNN）融合策略，以達到充分利用高光譜圖像空間信息，使空-譜信息相結(jié)合的目的；依照高光譜圖像地物目標的光譜特性對其進行波段重組和分割，并與最終使用多圖KNN策略有機地結(jié)合，以達到更加充分利用光譜信息的目的。并且簡化了經(jīng)典的高光譜圖像稀疏表示算法，極大地降低了算法的時間復(fù)雜度。從實驗結(jié)果來看，該算法時間復(fù)雜度低，且分類精度高。
　?。?）提出了一種基于帶權(quán)重

4、的像元塊的高光譜稀疏表示分類方法。該方法在現(xiàn)有的高光譜遙感圖像聯(lián)合稀疏表示分類器（Joint Sparse Representation Classifier， JSRC）的基礎(chǔ)之上，對其中最主要的聯(lián)合稀疏矩陣重建算法：聯(lián)合正交匹配追蹤算法（Simultaneous Orthogonal Matching Pursuit， SOMP）與聯(lián)合子空間追蹤算法（Simultaneous Subspace Pursuit，SSP）進行了深入研究

5、，提出了Weighted Pixel Block SOMP(WPB-SOMP)與Weighted Pixel Block SSP(WPB-SSP)算法。這兩種算法分別按照SOMP與SSP本身的特性對其加以改進，將分類結(jié)果賦予以待分類像元為中心的像元塊，并利用該像元塊中所有像元的標準差對該像元塊進行權(quán)值的判定。在接下來的計算中，將待分類像元所屬的全部像元塊按照所分的類別進行同類別權(quán)值相加，得到屬于每一類別的像元塊的總權(quán)值，最終用每一類的總