高空間-高光譜分辨率的遙感圖像城市場景分類識別研究.pdf

1、高光譜技術是近幾十年來地球觀測技術取得的最重大成就之一。高光譜圖像光譜分辨率較高，能夠提供非常豐富的光譜信息，因此在許多領域得到了廣泛應用，但是由于空間分辨率較低，在用來對城市場景進行分析時受到很大限制。城市中場景的面積較小且分布密集，使用低空間分辨率的圖像不能有效區(qū)分地物。隨著高光譜傳感器技術的發(fā)展，高光譜圖像的空間分辨率有了較大提升，許多小區(qū)域場景能夠由像素來描述，使得利用高空間-高光譜分辨率的遙感圖像對城市場景進行分析成為可能。本

2、文將利用具有較高空間分辨率的高光譜圖像對城市場景進行分類識別研究。具體工作內容如下：
　　首先，根據(jù)高光譜圖像的數(shù)據(jù)特性進行光譜特征提取。在采用傳統(tǒng)的局部Fisher判別分析方法和近鄰保留嵌入方法的基礎上，將二者結合起來，提出了一種半監(jiān)督局部判別分析方法。本方法綜合考慮了已知樣本的可分性信息和未知樣本的結構信息。基于該方法對城市場景的光譜特征進行提取，利用支持向量機和最大似然方法進行分類，通過與其他特征提取算法進行對比分析，驗證了

3、半監(jiān)督局部判別分析方法提取特征的分類效果。
　　然后，利用城市高光譜圖像的高空間分辨率特點，提取空間特征，包括形態(tài)學特征、形狀特征等。進而對空譜特征的聯(lián)合方式進行了重點研究，主要采用以下三種方式：第一，直接對光譜和空間特征進行組合；第二，采用基于核函數(shù)的特征組合方式，將不同的特征在核變換空間進行組合；第三，采用多特征組合框架對特征進行組合，對不同特征進行降維，通過保留盡可能多的信息來實現(xiàn)組合。使用單種特征和各種空譜聯(lián)合特征進行支持

4、向量機分類實驗，結果表明空譜聯(lián)合特征會提升光譜或空間特征的分類精度。
　　最后，針對城市場景分類識別中可能存在的訓練樣本不足問題，結合主動學習方法進行了研究，并利用判別隨機場模型對分類結果進行優(yōu)化。在傳統(tǒng)主動學習算法的基礎上，利用已知樣本信息，提出了一種確定候選樣本集的方法。該方法最大的優(yōu)勢在于主動學習的過程中不需要人工標記選出的新樣本。論文還針對歸屬類別概率的輸出問題，研究了一種基于邏輯回歸模型的多項式邏輯回歸分類方法。通過使用