基于流形學習的高光譜圖像降維與分類研究.pdf

1、高光譜遙感是基于電磁波譜理論、地學和計算機等技術的綜合性學科。隨著遙感技術的迅速發(fā)展，人們獲得高光譜圖像的能力也不斷提高。由于高光譜遙感圖像具有獨特的高光譜分辨率的性質(zhì)，使得高光譜數(shù)據(jù)在地質(zhì)災害分析、軍事目標識別、生態(tài)環(huán)境監(jiān)測以及農(nóng)業(yè)生產(chǎn)等諸多領域得到越來越廣泛的應用。目前適用于多光譜圖像數(shù)據(jù)處理的許多算法已經(jīng)比較成熟，但是高光譜圖像數(shù)據(jù)的維數(shù)非常高且數(shù)據(jù)量很大，給傳統(tǒng)的多光譜數(shù)據(jù)處理算法帶來了新的難題。因此探索適用于高光譜數(shù)據(jù)處理的算

2、法是高光譜遙感應用首先需要研究的課題。本文從分析高光譜圖像數(shù)據(jù)的特點入手，在研究現(xiàn)有算法的基礎上，針對高光譜數(shù)據(jù)的降維和分類算法進行深入研究。主要的研究工作如下：
　　 ①對高光譜遙感數(shù)據(jù)的降維算法進行了深入的研究，主要包括波段選擇、特征提取和數(shù)據(jù)融合等3類算法，其中特征提取是較常用的技術。在研究了特征提取諸多算法的基礎上，采用一種新的半監(jiān)督的流形學習算法一半監(jiān)督邊際費希爾分析(SSMFA)。SSMFA同時利用有標記樣本和無標記

3、樣本的局部幾何結構信息學習高光譜數(shù)據(jù)的內(nèi)蘊流形結構，提取有效的鑒別特征，降低了數(shù)據(jù)的維數(shù)和冗余度，為后續(xù)的分類提供了更多可用信息。SSMFA是半監(jiān)督算法，具有自我學習的能力，在一定程度上解決了高光譜數(shù)據(jù)有標記樣本不足的問題。
　　 ②對高光譜數(shù)據(jù)的分類算法進行了研究，詳細介紹了幾種常用的監(jiān)督分類算法，對分類精度的驗證指標進行了闡述。在SSMFA算法的基礎上，將kNNS算法引入到高光譜數(shù)據(jù)分類的研究中，通過樣本與不同類別的近鄰點之

4、間的距離判定其類別屬性。對高光譜遙感圖像的分類實驗證實，數(shù)據(jù)的降維處理是非常有必要的。SSMFA算法降維后增強了不同類別數(shù)據(jù)的可分性，使kNNS的分類精度得到進一步的提升，且降低了計算量。
　　 ③現(xiàn)有的面向高光譜數(shù)據(jù)特征提取的算法大部分都是基于數(shù)據(jù)中單一流形結構假設的，并將其投影到統(tǒng)一的流形空間。但實際的數(shù)據(jù)可能分布在不同的流形結構中?；诖吮疚牟捎没诰€性局部與全局保持嵌入的多流形學習算法(M-LLGPE)，該算法通過學習不