基于機(jī)器學(xué)習(xí)的高光譜與SAR圖像融合分類研究.pdf

1、實(shí)現(xiàn)從遠(yuǎn)距離探查地球表面的遙感技術(shù)近年來不斷發(fā)展以及多種衛(wèi)星傳感器的大量應(yīng)用,來源于同一地區(qū)的各類遙感影像數(shù)據(jù)越來越多,并且具有各自的優(yōu)勢特點(diǎn)和局限性?，F(xiàn)今,僅僅依靠單一遙感影像數(shù)據(jù)已難以滿足實(shí)際應(yīng)用中復(fù)雜的技術(shù)要求,因此針對多源信息進(jìn)行綜合處理而獲取有效信息的圖像融合技術(shù)成為研究熱點(diǎn)問題。
　　本論文將利用高光譜與合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)圖象進(jìn)行圖像融合分類研究。其中,高光譜遙感影

2、像的光譜分辨率很高且波段眾多,包含精細(xì)的地物光譜特征。而極化 SAR圖像則具備全天時(shí)、全天候等工作特性,擁有豐富的極化信息和紋理信息。通過優(yōu)勢互補(bǔ),基于機(jī)器學(xué)習(xí)理論提出不同優(yōu)化算法最終實(shí)現(xiàn)對地物的準(zhǔn)確分類識別,提高圖像場景的解譯能力,從而獲得對觀測目標(biāo)的客觀全面、本質(zhì)上的認(rèn)識。具體工作內(nèi)容如下:
　　首先,根據(jù)影像特性分析對高光譜與SAR圖像進(jìn)行特征提取,為后續(xù)研究工作提供準(zhǔn)確的數(shù)據(jù)基礎(chǔ)。其中,高光譜圖像特征提取主要采用了傳統(tǒng)經(jīng)典

3、的主成分分析PCA法、線性判別分析LDA法,以及重點(diǎn)針對小樣本集問題的SVM-PP法即將支持向量機(jī)和投影尋蹤理論有效結(jié)合起來,并提出了根據(jù)遺傳算法優(yōu)化選擇編碼表中對應(yīng)的特征而獲取最有用的集合。對于極化 SAR圖像,則研究了Freeman和Yamaguchi目標(biāo)分解方法進(jìn)行特征提取。
　　然后,基于機(jī)器學(xué)習(xí)進(jìn)行特征層融合分類研究。針對樣本不足及傳統(tǒng)分類器無法有效融合高光譜與極化SAR特征數(shù)據(jù)的問題,本文主要提出了MGBL-AL分類系

4、統(tǒng):第一,基于余一法(Leave-One-Out-Covariance,LOOC)優(yōu)化Meta-Gaussian分布參數(shù)估計(jì)來建立 MGB-LOOC分類器以融合處理多源數(shù)據(jù);第二,利用主動(dòng)學(xué)習(xí)(Active Learning)理論,根據(jù)不同查詢準(zhǔn)則主動(dòng)選擇最大信息量的未標(biāo)記樣本并添加到訓(xùn)練集中來進(jìn)一步提高地物分類精度。
　　最終,基于多分類器集成學(xué)習(xí)進(jìn)行決策層融合分類研究?；诟邔哟渭礇Q策層融合高光譜與極化 SAR圖像時(shí),本文利