基于多核學習的高光譜圖像目標解譯技術(shù)研究.pdf

1、高光譜圖像因其精細的光譜辨別能力而受到廣泛地關(guān)注，被用來對感興趣地物的表面特性進行感知和識別。高光譜圖像的特點對目標解譯技術(shù)提出了嚴峻的挑戰(zhàn)，很多問題至今仍未能得到很好的解決。本文旨在從類別辨別的歧義性入手，研究多核學習方法及其在目標解譯中的應(yīng)用，以提高解譯精度和處理效率為目的，推動核方法在高光譜圖像處理中的發(fā)展。
　　本文的工作內(nèi)容主要是研究以核機器學習理論為基礎(chǔ)的高光譜圖像信息挖掘和解譯技術(shù)，具體包括以下三個方面：
　　

2、首先，本文詳細闡述了高光譜圖像數(shù)據(jù)的特點，重點分析了這些特點的優(yōu)勢和劣勢，特別是對目標解譯的影響，從機器學習的角度解釋了這些特點會增加目標辨別的歧義性，降低解譯精確度。接著，針對這些特點，研究了典型的單核學習方法及改進的加權(quán)核方法。指出了這些方法在類內(nèi)、類間挖掘信息的局限性，論證了從單核模式感知到多核信息融合的必然發(fā)展趨勢。
　　然后，研究了多核學習的基本理論框架，針對現(xiàn)有方法的不足，本文提出用多尺度核相似性度量對多核學習進行合理

3、地解釋。以此為基礎(chǔ)，提出了一種基于L2范數(shù)約束的多核相似性度量集成方法L2MKL，用以求解多核學習問題。通過高光譜圖像精細分類的實驗，證明 L2MKL方法在分類精度和計算效率方面具有出色的性能，特別是避免了核尺度的優(yōu)選問題。而且在處理小樣本分類時，L2MKL方法的優(yōu)勢明顯。
　　最后，我們將多尺度核相似性度量推廣到了更多的目標解譯應(yīng)用中。第一，研究了混合核方法，在核結(jié)構(gòu)層面上進行空譜特征的融合分類，并嵌入多核相似性度量，在多尺度下