高光譜遙感數(shù)據(jù)特征提取與特征選擇方法研究.pdf

1、高光譜遙感技術(shù)在可見(jiàn)光至紅外波段，可采集許多非常窄光譜的影像數(shù)據(jù)為觀測(cè)目標(biāo)提供更豐富的信息，從而使得常規(guī)傳感器探測(cè)技術(shù)無(wú)法解決的復(fù)雜目標(biāo)檢測(cè)、識(shí)別與理解成為可能，是傳統(tǒng)遙感技術(shù)的“進(jìn)化”發(fā)展，近年來(lái)受到國(guó)內(nèi)外高度重視。隨著高光譜傳感器技術(shù)的發(fā)展，光譜波段數(shù)目不斷增加。在數(shù)據(jù)所處的高維特征空間中，光譜波段間的強(qiáng)相關(guān)性、數(shù)據(jù)分布的非線性以及訓(xùn)練樣本的不足等都給數(shù)據(jù)分類(lèi)識(shí)別處理提出了嶄新的課題。特征提取和特征選擇技術(shù)在保留高光譜數(shù)據(jù)主要光譜信

2、息的同時(shí)降低特征空間的維度實(shí)現(xiàn)數(shù)據(jù)降維，成為高光譜遙感數(shù)據(jù)處理涉及的關(guān)鍵問(wèn)題之一，并已被IEEE信號(hào)處理、地球科學(xué)與遙感等會(huì)刊列為特別專(zhuān)輯的內(nèi)容。本文結(jié)合國(guó)家自然科學(xué)基金重點(diǎn)項(xiàng)目等，主要研究基于流形學(xué)習(xí)、矩陣分解的特征提取方法和基于數(shù)據(jù)結(jié)構(gòu)的特征選擇方法。針對(duì)這幾種情況，本文的創(chuàng)新點(diǎn)主要有：
　?。?）針對(duì)傳統(tǒng)流形學(xué)習(xí)方法忽視了高光譜圖像中相鄰像素之間的強(qiáng)相關(guān)性，提出了一種基于空間一致性的局部嵌入特征提取算法：通過(guò)一個(gè)優(yōu)化的局部線

3、性嵌入和相鄰像素相關(guān)特性的引入，在高維空間建立數(shù)據(jù)的局部線性結(jié)構(gòu)，尋找一個(gè)優(yōu)化的投影矩陣把局部線性結(jié)構(gòu)投影到低維空間實(shí)現(xiàn)數(shù)據(jù)的特征提取。該方法既考慮高光譜數(shù)據(jù)的流形結(jié)構(gòu)，又考慮其圖像域空間信息，實(shí)驗(yàn)結(jié)果表明在高光譜數(shù)據(jù)分類(lèi)方面具有明顯的優(yōu)越性。此外，得到的投影矩陣可以應(yīng)用于新的樣本，改進(jìn)了局部線性嵌入等算法只適用于訓(xùn)練樣本的不足。
　?。?）針對(duì)非負(fù)矩陣分解算法沒(méi)有考慮數(shù)據(jù)幾何結(jié)構(gòu)的特點(diǎn)，提出了一種基于正則化非負(fù)矩陣分解的特征提取

4、算法：在標(biāo)準(zhǔn)非負(fù)矩陣分解算法的基礎(chǔ)之上考慮高光譜數(shù)據(jù)的局部和非局部結(jié)構(gòu)，最大化非局部散度的同時(shí)，最小化局部散度，同時(shí)給出了一個(gè)迭代的乘性更新規(guī)則得到優(yōu)化解，并對(duì)該更新規(guī)則的收斂性進(jìn)行了理論分析和推導(dǎo)證明。此外，針對(duì)高光譜技術(shù)實(shí)際應(yīng)用中無(wú)標(biāo)記樣本和有標(biāo)記樣本并存的情況，提出了一種基于概念分解的半監(jiān)督特征提取算法：充分利用有限的標(biāo)記樣本，將其作為硬性約束加入概念分解中；同時(shí)構(gòu)建局部鄰域圖，挖掘數(shù)據(jù)的流形結(jié)構(gòu)并保持局部的不變特性，使得低維表示

5、具有更強(qiáng)的判別性能。這些特性對(duì)于高光譜數(shù)據(jù)分類(lèi)問(wèn)題比同類(lèi)矩陣分解方法具有更好的針對(duì)性效果。
　?。?）針對(duì)高光譜數(shù)據(jù)呈現(xiàn)多模態(tài)分布的特性，提出了一種分組的基于局部Fisher判別的特征選擇系統(tǒng)：在計(jì)算類(lèi)間離散度和類(lèi)內(nèi)離散度時(shí)加入樣本的局部信息，通過(guò)最大化局部類(lèi)間離散度與局部類(lèi)內(nèi)離散度之比，選擇一組優(yōu)化的特征子集，使低維子空間的數(shù)據(jù)能夠在分離不同類(lèi)別樣本的同時(shí)，保留同類(lèi)樣本的局部鄰域結(jié)構(gòu)。該方法較好的去除了光譜波段間的冗余性，使所選