高光譜圖像空譜聯(lián)合監(jiān)督分類算法及軟件系統(tǒng).pdf

1、高光譜遙感圖像作為一種新型細(xì)分光譜成像遙感技術(shù)，已經(jīng)廣泛應(yīng)用于軍事勘測(cè)、環(huán)境調(diào)查、災(zāi)害評(píng)估、礦物探測(cè)等各個(gè)領(lǐng)域。高光譜圖像監(jiān)督分類是高光譜圖像處理中的重要組成部分。傳統(tǒng)監(jiān)督分類方法僅僅挖掘了光譜維度的信息，但是忽視空間維度中包含的豐富信息，導(dǎo)致它們的分類效果不夠理想。此外，高光譜圖像的數(shù)據(jù)量較大，普通方法的算法復(fù)雜度比較高，造成分類的效率較低。因此，迫切需要開發(fā)一種能夠充分挖掘空譜信息的兼具高效和高精度的高光譜圖像分類方法。
　　

2、極限學(xué)習(xí)機(jī)(ELM)是一種新型的單隱層前饋神經(jīng)網(wǎng)絡(luò)算法，它能隨機(jī)生成單隱層參數(shù)，因此具有快速學(xué)習(xí)、泛化能力強(qiáng)的特點(diǎn)。本文詳細(xì)分析了極限學(xué)習(xí)機(jī)在高光譜圖像分類中的優(yōu)勢(shì)和問(wèn)題，接著從特征提取和核函數(shù)兩個(gè)方面對(duì)極限學(xué)習(xí)機(jī)方法進(jìn)行改進(jìn)，針對(duì)像素級(jí)ELM監(jiān)督分類錯(cuò)誤率高的問(wèn)題重點(diǎn)研究了一個(gè)空譜聯(lián)合信息的ELM高光譜圖像分類方法，集成了主成分分析、獨(dú)立成分分析等幾種特征提取方法和支持向量機(jī)、核支持向量機(jī)、極限學(xué)習(xí)機(jī)、核極限學(xué)習(xí)機(jī)等幾種監(jiān)督分類方法設(shè)

3、計(jì)實(shí)現(xiàn)了一個(gè)“特征提取-監(jiān)督分類-精度評(píng)價(jià)”一體化的高光譜圖像監(jiān)督分類算法原型系統(tǒng)。本文主要工作為:
　　(1)設(shè)計(jì)了各類特征提取方法與常規(guī)ELM結(jié)合的高光譜圖像監(jiān)督分類兩步方法。實(shí)驗(yàn)分析表明:不同特征提取方法（如主成分分析PCA、獨(dú)立成分分析ICA、局部保持投影LPP、核主成分分析KPCA等）都能提高常規(guī)ELM對(duì)高光譜圖像監(jiān)督分類的精度。相比而言，KPCA與ELM的結(jié)合性能更佳。
　　(2)比較研究了核化ELM框架中不同核

4、函數(shù)對(duì)高光譜圖像分類的影響，設(shè)計(jì)了結(jié)合復(fù)合核(Composite Kernel)和核化ELM(KELM)的高光譜圖像監(jiān)督分類方法，稱為KELM-CK。該方法綜合了空間-光譜維度信息，提升了小樣本情況下的監(jiān)督分類精度并克服了噪聲影響。各類數(shù)據(jù)集上驗(yàn)證了該方法的有效性。
　　(3)提出一種基于核范2DPCA(N-2DPCA)和KELM的多視學(xué)習(xí)監(jiān)督分類方法。該方法利用N-2DPCA抽取高光譜圖像不同視角下的空譜特征，通過(guò)多個(gè)KELM分