基于流形學(xué)習(xí)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(xué)的一個(gè)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(shí)別能力，使得地物要素定量或半定量識(shí)別成為可能。高光譜遙感已經(jīng)廣泛應(yīng)用于精細(xì)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(xué)習(xí)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(shí)，有效降低了高光譜圖像的數(shù)據(jù)量。同時(shí)，采用支持向量機(jī)（SVM）分類方法驗(yàn)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(duì)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(cè)技術(shù)和基于圖像的色度、飽和度與亮度空間分別

3、實(shí)現(xiàn)陰影的去除，最后對(duì)陰影恢復(fù)后的圖像進(jìn)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(jìn)行降維方法實(shí)驗(yàn)。采用SVM分別對(duì)特征子集分類并進(jìn)行精度評(píng)價(jià)。兩組數(shù)據(jù)的分類精度統(tǒng)計(jì)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(gè)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?yàn)镻CA降維方法是從保持原始信息最大能量的角度為出發(fā)點(diǎn)，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(diǎn)的。
　　本文的實(shí)驗(yàn)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(dá)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(shí)，將數(shù)據(jù)更多的信息壓縮到前面