基于多分類器融合的高光譜圖像分類算法研究.pdf

1、高光譜遙感圖像分類是通過機器學習等手段利用高光譜圖像的數(shù)據(jù)特性將傳統(tǒng)光譜圖像中無法分辨的微小差異的地物通過計算機自動區(qū)分歸類的過程，具有實際意義和實用性，受到了研究者的廣泛關注。本文的工作基于高光譜圖像像元的特征和數(shù)據(jù)結構，針對其執(zhí)行分類算法時的分類正確率較差、分類算法對像元適應性差、對高光譜圖像空間信息利用不足等問題，做了以下三個方面研究:
　　首先，分析稀疏表示分類器(Sparse Representation Classif

2、ication，SRC)、協(xié)同表示分類器(Collaboration Representation Classification，CRC)、支持向量機(Support Vector Machine，SVM)、正則化最近鄰子空間分類器(Nearest Regularized Subspace，NRS)的分類算法的理論及優(yōu)缺點。將基本分類器與高光譜圖像分類結合，研究進行融合的可能性和可行性，提出使用串級結構和并聯(lián)結構來進行融合，利用類集減少

3、、重新判定、殘差融合思想構建融合分類器。
　　其次，本文針對SRC和NRS存在空間相關信息利用不足，分類精度低問題，提出利用空間聯(lián)合表示模型來將其改進為聯(lián)合稀疏表示分類器(spatial Joint Sparse Representation Classification，JSRC)和聯(lián)合正則化最近鄰子空間分類器(spatial Joint Nearest Regularized Subspace，JNRS);針對JSRC和JNR

4、S在分類中存在樣本適應性差的問題，提出將SVM作為JSRC和JNRS的后級分類器組成JSRC-SVM和JNRS-SVM兩級分類器來對高光譜圖像進行分類。結果顯示，改進算法提升了對高光譜圖像的分類精度，且分類時間和原算法相近。
　　再次，針對SRC使用的L1范數(shù)和CRC使用的L2范數(shù)在實際分類時存在的選取原子時或過于稀疏不能很好的表達類間信息，或不能很好的選取主要重構原子的問題，本文利用兩者的互補性，實現(xiàn)了殘差融合的分類器(resi

5、dual Fusion Representation Classification，F(xiàn)RC)。FRC是并聯(lián)分類器，其通過平衡因子來實現(xiàn)對殘差的融合。實驗顯示FRC能融合各方法的優(yōu)勢，取得較高的分類精度，且開銷不變。
　　最后，針對基于并聯(lián)結構的FRC對高光譜遙感圖像分類時存在的空間信息利用不足和字典類別信息利用不足，提出了兩種改進算法:1、空間聯(lián)合表示殘差融合分類器(spatial Joint residual FusionRep

6、resentation Classification，JFRC)，利用高光譜圖像相鄰像元可能相似的特性進行改進。結果顯示，JFRC將分類正確率提升。2、最近鄰非本地字典的殘差融合分類器(Non-local Dictionary Residual FusionRepresentation Classification，NLD-FRC)，其利用像元和本地字典的自相似性。結果表明，NLD-FRC提高了對圖像的分類精度，減小了字典大小和計算量，