基于子空間分析的高光譜圖像目標(biāo)檢測技術(shù)研究.pdf

1、高光譜圖像是將地物幾十乃至幾百個波段的光譜和相應(yīng)的空間圖像有機(jī)結(jié)合的三維圖像，其豐富的光譜信息大大提高了目標(biāo)的檢測能力，因此，針對高光譜圖像進(jìn)行目標(biāo)檢測已成為遙感技術(shù)的一個重要應(yīng)用研究方向。然而，由于成像光譜儀的空間分辨率一般比較低，導(dǎo)致高光譜圖像中普遍存在混合像元?；旌舷裨獑栴}對地物的檢測和識別提出了很大的挑戰(zhàn)，是高光譜圖像目標(biāo)檢測方法面臨的一個亟待解決的難點。因此，針對高光譜圖像亞像元級目標(biāo)檢測的研究是當(dāng)前遙感技術(shù)深入發(fā)展的關(guān)鍵問題

2、之一。
　　 目前，目標(biāo)檢測算法中針對亞像元級的目標(biāo)檢測大都基于子空間模型。因此，本論文主要研究基于子空間分析的亞像元級目標(biāo)檢測技術(shù)。在系統(tǒng)分析前人研究成果的基礎(chǔ)上，本文著眼于如何改進(jìn)現(xiàn)有的線性光譜混合模型算法，及重點研究如何運用核方法將經(jīng)典的基于線性光譜混合模型的目標(biāo)檢測算法擴(kuò)展到非線性特征空間，解決非線性光譜解混難的問題。
　　 論文的主要研究工作如下：
　　 1)針對約束線性判別分析(CLDA)是有監(jiān)督的檢

3、測方法，需要知道全部的目標(biāo)和背景知識進(jìn)而構(gòu)造大量訓(xùn)練樣本的問題，從特征提取的角度提出了一種用于高光譜混合像元分類的非監(jiān)督約束線性判別分析算法(UCLDA)。UCLDA 首先利用頂點成分分析(VCA)提取端元，然后用光譜角匹配方法(SAM)構(gòu)造訓(xùn)練樣本并基于約束線性判別分析(CLDA)進(jìn)行特征提取，最后用最小距離法分類。由于端元提取是非監(jiān)督的，所以整個算法實現(xiàn)了非監(jiān)督分類。對模擬的高光譜數(shù)據(jù)和真實的高光譜圖像進(jìn)行仿真研究，結(jié)果表明UCLD

4、A 略優(yōu)于最小二乘光譜混合分解技術(shù)，但明顯好于經(jīng)典的光譜角匹配分類。
　　 2)約束線性判別分析(CLDA)方法是一種帶約束條件的以類間距離與類內(nèi)距離之比最大為準(zhǔn)則的目標(biāo)檢測方法。該方法要求各類均值沿著相互正交的方向，是一種約束的正交子空間投影(OSP)。由于CLDA 最終得到的是像元在各正交向量的投影值，而非估計的端元成份。因而，按照信號空間投影(SSP)將OSP 擴(kuò)展到后驗?zāi)Ｐ颓页晒Φ亟鉀QOSP 需要先驗知識的問題的思路，本

5、文把CLDA與后驗光譜混合模型相結(jié)合提出了改進(jìn)的約束線性判別分析(MCLDA)方法。MCLDA 實現(xiàn)了估計端元豐度的能力，因而可以對目標(biāo)進(jìn)行量化級的研究。經(jīng)對模擬高光譜數(shù)據(jù)和AVIRIS 數(shù)據(jù)進(jìn)行仿真研究，結(jié)果表明MCLDA 性能優(yōu)于CLDA和最小二乘法。
　　 3)為了實現(xiàn)非線性混合下的亞像元級目標(biāo)檢測，核正交子空間投影作為正交子空間投影的非線性推廣，運用核函數(shù)理論，在不需要確定具體的非線性映射函數(shù)下將高光譜數(shù)據(jù)從低維空間映射

6、到高維特征空間，使得混合像元在特征空間中可以用線性混合模型來表示，再在特征空間中應(yīng)用正交子空間投影。該方法不僅揭示了典型地物光譜之間的高階性質(zhì)，而且增強(qiáng)了對噪聲的魯棒性。本文這部分主要工作是對核正交子空間投影進(jìn)行了系統(tǒng)的理論分析和推導(dǎo)，并指出了H.Kwon 提出的核正交子空間投影(KOSP)理論分析存在的錯誤。仿真數(shù)據(jù)和真實高光譜圖像數(shù)據(jù)實驗均證明了本文提出的核正交子空間投影是正確且有效的，優(yōu)于OSP。
　　 4)針對非線性混合