基于空譜特征降維的高光譜圖像分類.pdf

1、高光譜遙感圖像極高的光譜分辨率能夠很好地反映地表地物的不同材質(zhì)特性，使得高光譜圖像比多光譜圖像更適合于地物分類，因此得到了越來越多的關(guān)注和研究。在高光譜圖像分類時(shí)，高維度的數(shù)據(jù)提高了分類器檢測(cè)和識(shí)別各種地物類別的精度，但也存在確定地物類別代價(jià)大及訓(xùn)練樣本不足、對(duì)處理算法的運(yùn)行時(shí)間要求高、大量光譜波段引起如“Huges”現(xiàn)象等問題。采用稀疏表示可以有效解決以上問題。本文從基本的稀疏理論出發(fā)，嘗試在稀疏表示中引入空間信息，并采用加權(quán)均值過濾

2、(WeightedMean Filter, WMF)結(jié)合光譜信息和空間信息。同時(shí)，采用主成分分析(Principal Component Analysis，PCA)進(jìn)行降維。最后采用MKSOMP算法進(jìn)行高光譜圖像分類，提出了融合空間和光譜特征的高光譜圖像分類框架。主要研究?jī)?nèi)容如下所述:
　　首先，由于高光譜圖像典型的光譜維數(shù)高、訓(xùn)練樣本少的特征，僅僅利用光譜信息衡量像素之間的相似性對(duì)光譜特征進(jìn)行降維，是不充分的。大量研究已經(jīng)證實(shí)，

3、融合空間信息可以大幅度改善高光譜圖像的分類結(jié)果。因此，本文通過結(jié)合基于空間的加權(quán)均值過濾(WMF)方法，將空間特征和光譜特征進(jìn)行融合，得到新的混合像素。然后，采用PCA對(duì)混合像素進(jìn)行降維，提出了結(jié)合空間與光譜信息的WMF-PCA算法，對(duì)高光譜圖像進(jìn)行降維，緩解“Huges”現(xiàn)象。
　　其次，由于空間信息對(duì)高光譜圖像分類結(jié)果的重要性，本文采用了可充分利用空間特征的KSOMP算法進(jìn)行分類。在KSOMP算法中，采用了固定大小的滑動(dòng)窗口進(jìn)

4、行分類。因此，對(duì)于該算法而言，最優(yōu)窗口大小的確定是一件耗時(shí)的任務(wù)，因此，本論文為了避免該難題，采用了多滑動(dòng)窗口策略，提出了MKSOMP算法。
　　最后，為了方便高光譜圖像的分類、相關(guān)參數(shù)設(shè)置的任務(wù)，本文對(duì)其所涉及的算法進(jìn)行了系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)。在該部分中，模塊化的設(shè)計(jì)思想可以方便有效的對(duì)該系統(tǒng)進(jìn)行擴(kuò)展，增加系統(tǒng)的靈活性。
　　本文采用了公開數(shù)據(jù)集Indian Pines進(jìn)行了實(shí)驗(yàn)比對(duì)，實(shí)驗(yàn)結(jié)果表明本文所提出的高光譜分類框架可以有