基于流形學習的高光譜圖像空-譜聯(lián)合特征提取與分類.pdf

1、高光譜遙感圖像中含有相當豐富的空間-光譜特征信息，為地物的精細識別與分類帶來了新的機遇。然而，超高的空間-光譜分別率也帶來了數(shù)據(jù)量大、冗余度高、波段數(shù)多且相關(guān)性強等問題，若直接對其進行地物分類，極易產(chǎn)生“維數(shù)災難”問題。因此，如何從原始高光譜圖像中挖掘出有用的鑒別特征，在減少運算量的同時，提高地物分類精度，是一個亟待解決的問題。
　　本文以高光譜圖像數(shù)據(jù)具有非線性結(jié)構(gòu)為切入點，主要從流形學習和空-譜聯(lián)合的角度對圖像的特征提取及分類

2、算法進行深入研究。主要研究工作如下：
　?、俜謩e從全局線性、非線性流形學習以及線性流形學習三個不同的角度詳細介紹了高光譜圖像中典型的特征提取算法，并簡要介紹了目前較為經(jīng)典的分類算法、分類精度評價指標以及本文實驗中所用到的高光譜數(shù)據(jù)集。
　?、谔岢隽艘环N融合空間-光譜信息的空-譜協(xié)同嵌入(SSCE)特征提取算法和空-譜協(xié)同最近鄰(SSCNN)分類算法。針對傳統(tǒng)算法多僅利用圖像光譜特征而忽略空間信息的不足，本文以流形學習中的圖嵌

3、入理論為基礎，并充分融合了圖像中的空間-光譜信息。為減小選取異類地物為近鄰的概率，首先提出了一種新的相似性度量方法，即空-譜協(xié)同距離(SSCD)；其次，在構(gòu)建近鄰關(guān)系圖時，通過提高空-譜近鄰點的權(quán)值來提升同種類別地物間的內(nèi)聚性，提取低維嵌入后的鑒別特征；最后，利用融合了圖像空間信息的SSCNN對地物進行分類。在PaviaU和Salinas高光譜數(shù)據(jù)集上進行驗證實驗，從分類結(jié)果可以看出，該算法相比于其它算法能明顯提高地物分類的精度。

4、>　?、厶岢隽艘环N融合加權(quán)均值濾波(WMF)和流形重構(gòu)保持嵌入(MRPE)的特征提取算法。該方法利用高光譜圖像中地物分布的空間一致性，首先對所有像元進行加權(quán)均值濾波處理，消除同種類別地物中光譜差異性較大的像元的影響，并在流形重構(gòu)過程中通過增大空間-光譜近鄰點的權(quán)值以獲得更為有效地鑒別特征，實現(xiàn)特征提取。在PaviaU和Urban高光譜數(shù)據(jù)集上進行驗證實驗，從分類結(jié)果可以看出，在同等實驗條件下，MRPE算法取得了更好的地物分類效果。