基于流形學習的高光譜遙感圖像的降維方法研究.pdf

1、近年來，高光譜遙感成為遙感科學的一個重要研究方向。高光譜遙感具有高分辨率的特性，提高了地物識別能力，使得地物要素定量或半定量識別成為可能。高光譜遙感已經(jīng)廣泛應(yīng)用于精細農(nóng)業(yè)、水質(zhì)參數(shù)反演、礦物填圖等領(lǐng)域。高光譜圖像含有豐富的空間、輻射和光譜信息，但存在波段數(shù)眾多，數(shù)據(jù)量巨大，信息冗余，維數(shù)災(zāi)難的問題，使得海量信息難以有效利用。本文將流形學習中的局部保持映射、線性判別分析、組合了局部保持映射和線性判別分析等算法拓展應(yīng)用到高光譜數(shù)據(jù)的降維，該

2、方法保持高光譜遙感信息的同時，有效降低了高光譜圖像的數(shù)據(jù)量。同時，采用支持向量機（SVM）分類方法驗證其降維的有效性。論文主要工作如下：
　?。?）分析了傳統(tǒng)降維方法原理，包括全局保持降維方法（主成分析、線性判別分析）、局部保持降維方法（局部保持映射），組合線性判別分析和局部保持映射方法。
　?。?）針對地形起伏造成高光譜圖像光譜不連續(xù)性問題，采用基于色彩空間變換的高光譜數(shù)據(jù)陰影檢測技術(shù)和基于圖像的色度、飽和度與亮度空間分別

3、實現(xiàn)陰影的去除，最后對陰影恢復(fù)后的圖像進行邊界的去除。
　?。?）分別采用OMSI-I航空高光譜圖像和Hyperion衛(wèi)星高光譜圖像進行降維方法實驗。采用SVM分別對特征子集分類并進行精度評價。兩組數(shù)據(jù)的分類精度統(tǒng)計結(jié)果表明，基于LPP方法提取的特征子集的分類精度最高；基于LDA-LPP方法獲得的特征子集分類精度次之，但它將更多的信息壓縮到了前面幾個波段中，即壓縮效率較高；基于傳統(tǒng)的 PCA和 LDA方法獲得的特征子集上的分類精度

4、最低，其中基于 LDA方法獲得的特征子集分類精度優(yōu)于基于 PCA方法獲得的特征子集的分類精度，因為PCA降維方法是從保持原始信息最大能量的角度為出發(fā)點，而基于LDA特征提取方法是從最好的區(qū)分不同類別樣本為出發(fā)點的。
　　本文的實驗證明了保持了局部特性的局部保持映射能更好的挖掘出高光譜數(shù)據(jù)內(nèi)部的非線性特性，達到較好的數(shù)據(jù)壓縮效果；組合降維方法效果僅次于局部保持映射算法，但其在保持了數(shù)據(jù)全局和局部信息的同時，將數(shù)據(jù)更多的信息壓縮到前面