空譜信息聯(lián)合的高光譜圖像分類方法研究.pdf

1、成像光譜儀的出現(xiàn)和技術上的不斷完善，為高光譜遙感技術的發(fā)展奠定了牢固的硬件基礎。高光譜圖像因其波段數目多、光譜分辨率高、可描繪地物信息豐富等特點，在遠距離地物探測與解譯方向上發(fā)揮了獨特的優(yōu)勢，同時也為高光譜信息處理技術的發(fā)展帶來了前所未有的挑戰(zhàn)。高光譜圖像分類技術是高光譜圖像處理中重要的研究內容之一，它針對每個像元，給出確定的地物類別標簽，為具體的農作物長勢監(jiān)測、軍事探測、水域調查等實際問題提供量化的符號表示，有十分重要的研究意義。

2、r>　　現(xiàn)階段的分類方法中仍然存在不足，大多分類過程中僅依靠圖像光譜信息，而缺乏對地物空間結構上的解釋，或者對空間信息挖掘深度不足，沒有最大程度發(fā)揮空間特征的輔助作用。另外，支持向量機在處理非線性問題方面以及應對維數災難上發(fā)揮了它獨特的優(yōu)勢，但對于核函數的選取往往形式單一，對于多分類問題缺乏良好的泛化能力。因此，本論文在前人研究成果的基礎上，針對上述問題，提出有效的空間信息挖掘方法，并針對小樣本問題，構造多尺度、多特征的多核學習(MKL

3、)策略，具體研究內容如下：
　　首先，針對高光譜圖像分類現(xiàn)狀及前人研究給予概述。闡述高光譜圖像特征提取理論。針對非線性問題，展示了核方法理論框架，并針對當前核機器學習主流技術—支持向量機給予基礎理論的解釋和算法的推導。
　　其次，提出變換域的紋理特征提取及空譜信息融合分類方法。從2-D Gabor紋理特征提取出發(fā)，介紹了2-D Gabor濾波器在高光譜圖像紋理提取領域的技術原理及實現(xiàn)。針對原有提取策略兩個方面的不足：(1)針

4、對原始數據進行紋理特征分析，其數據中的噪聲及冗余信息對空間結構特征造成干擾；(2)原始紋理提取方法對空間結構的挖掘深度不足，仍有未被探測到的空間信息存在，提出基于經驗模態(tài)分解(EMD)的紋理提取策略。通過兩個數據集的實驗驗證，證明了所提出空-譜信息聯(lián)合算法的有效性，此外通過對噪聲數據的實驗證明了算法的抗噪性能。所提出算法有效地挖掘了高光譜圖像空間結構特征。
　　最后，研究了一種多分辨率多特征的多尺度核學習技術。針對支持向量機中單一