高光譜圖像特征提取與分類算法研究.pdf

1、高光譜遙感圖像具有幾十個乃至幾百個具有接近連續(xù)光譜覆蓋特性的波段，它包含了豐富的光譜信息和空間信息，可廣泛應(yīng)用于地質(zhì)勘探、精細農(nóng)業(yè)、生態(tài)環(huán)境、城市遙感等領(lǐng)域。然而，由于高光譜圖像具有數(shù)據(jù)量大、波段多、波段間相關(guān)性強等特性，給其在分類與識別應(yīng)用中帶來了諸多挑戰(zhàn)。高光譜圖像特征提取與分類算法的研究成為高光譜遙感數(shù)據(jù)處理的關(guān)鍵問題之一，受到越來越多國內(nèi)外學者的重視，并已被IEEE圖像處理、IEEE地理與遙感等匯刊先后列為前沿課題。為了提高高光

2、譜圖像的分類精度，本文結(jié)合所參與的國家自然科學基金項目，對高光譜圖像的譜間-空間特征提取方法和分類算法進行了系統(tǒng)而深入的研究。研究內(nèi)容和主要成果如下：
　　（1）基于三維小波變換的高光譜圖像特征提取與分類算法的研究。研究了一種基于三維小波變換（3DDWT）的譜間-空間特征提取方法，該方法通過移動窗三維小波變換，同時獲取高光譜圖像的譜間信息與空間信息。在此基礎(chǔ)上提出了基于三維小波特征的高光譜圖像分類算法，即3DDWT-LFDA-GM

3、M算法和3DDWT-SVM算法。通過仿真實驗，從所有特征子空間（LLLs，LLHs，LHLs，LHHs，HLLs，HLHs，HHLs，HHHs）中選出分類效果最好的“LLLs”低頻特征子空間作為特征空間。同時，對參數(shù)B（3DDWT移動窗大?。┻M行優(yōu)化選取，從而得到最終的分類結(jié)果。由于移動窗三維小波變換能夠充分挖掘高光譜圖像的方向特征和尺度特征，因此，提出的3DDWT-LFDA-GMM算法和3DDWT-SVM算法均能在很大程度上提高分類精

4、度。
　?。?）基于三維小波特征與馬爾可夫隨機場的高光譜圖像分類算法的研究。對馬爾可夫隨機場（MRF）在高光譜圖像分類應(yīng)用領(lǐng)域進行了分析，在提出的3DDWT-SVM算法的基礎(chǔ)上，研究了一種基于三維小波特征與馬爾可夫隨機場相結(jié)合的高光譜圖像分類算法，即3DDWT-SVM-MRF算法。該算法根據(jù)貝葉斯定理將高光譜圖像分類問題轉(zhuǎn)化為最大后驗概率的求解問題，不但能有效的提取高光譜圖像的譜間-空間特征，而且使高光譜圖像的空間上下文信息得到了

5、更加充分的利用。實驗結(jié)果表明，無論在小樣本情況下，還是在高斯白噪聲環(huán)境中，提出的3DDWT-SVM-MRF算法比已有的幾種算法能得到更好的分類結(jié)果。
　?。?）基于三維小波特征的高光譜圖像決策融合分類算法的研究。由于多個小波特征子空間比單個小波特征子空間（如“LLLs”子空間）能更充分的挖掘有用信息，因而，提出了基于多個三維小波特征空間的高光譜圖像決策融合分類算法，即Fusion-LOGP算法。首先，通過移動窗3DDWT技術(shù)對高光

6、譜圖像進行三維小波特征提取，得到8個小波特征子空間（LLLs，LLHs，LHLs，LHHs，HLLs，HLHs，HHLs，HHHs）；然后，利用局部Fisher判別分析（LFDA）對這8個子空間的特征同時進行降維；再將高斯混合模型（GMM）多分類器用來對降維后的特征進行分類；最后，采用對數(shù)意見池（LOGP）決策融合法則對各個子空間的分類結(jié)果進行融合。實驗結(jié)果表明，F(xiàn)usion-LOGP算法比基于單個特征子空間的3DDWT-LFDA-GM

7、M算法具有更好的分類性能。
　　提出了一系列基于小波系數(shù)相關(guān)矩陣（WCM）的高光譜圖像決策融合分類算法，即WCM-LDA-MLE算法、WCM-LFDA-GMM算法和WCM-SVM算法。首先，通過移動窗三維小波變換得到“LLLs”特征子空間，再利用WCM將該特征空間分割成若干個相關(guān)性強的特征組；然后，分別利用最大似然估計分類器、高斯混合模型分類器或支持向量機分類器對分組后的特征進行分類；最后，采用多數(shù)票決（MV）決策融合法則對分類結(jié)

8、果進行融合。實驗結(jié)果表明，提出的一系列基于WCM的高光譜圖像決策融合分類算法不依賴于分類器的選擇，即無論利用哪種分類器，均比對應(yīng)的單分類器算法具有更優(yōu)的分類性能。即使在樣本數(shù)較少和信噪比較低的情況下，WCM-LFDA-GMM算法和WCM-SVM算法也能得到很好的分類結(jié)果。
　?。?）基于主成分分析與二維小波變換的高光譜圖像決策融合分類算法的研究。研究了一種基于譜間PCA降維與空間DWT特征提取的高光譜圖像決策融合分類算法，即PCA

9、-DWT-Fusion算法。首先，利用譜間相關(guān)系數(shù)矩陣對高光譜圖像進行波段分組；然后，利用PCA對各組圖像進行降維，并通過移動窗二維小波變換對降維后的圖像進行空間特征提?。辉倮肔DA-MLE分類器對各組特征進行分類，并采用線性意見池（LOP）決策融合法則得到最終的分類結(jié)果。與已有的幾種算法相比，PCA-DWT-Fusion算法能充分挖掘高光譜圖像的譜間-空間特征，即使在小樣本情況下和噪聲環(huán)境中，也能有效的提高分類精度。
　?。?

10、）基于局部保護降維的高光譜圖像決策融合分類算法的研究。研究了局部保護投影（LPP）、局部保護非負矩陣分離（LPNMF）和局部Fisher判別分析（LFDA）三種局部保護降維法，提出了兩種基于微分特征與局部保護降維的高光譜圖像決策融合分類算法，即D-LPNMF-Fusion算法和D-LFDA-Fusion算法。通過對Gabor變換進行分析，對以上兩種算法進行了改進，提出了兩種基于微分-Gabor特征與局部保護降維的高光譜圖像決策融合分類算