高光譜遙感影像空譜特征提取與分類方法研究.pdf

1、高光譜遙感影像提供了豐富的光譜信息，在遙感對地觀測系統(tǒng)中占據(jù)越來越重要的位置，并被廣泛應(yīng)用于現(xiàn)代軍事、精確農(nóng)業(yè)以及環(huán)境監(jiān)控等諸多領(lǐng)域。然而傳統(tǒng)的遙感影像處理技術(shù)在分析高光譜影像時面臨許多問題和挑戰(zhàn):如何解決高維數(shù)據(jù)小樣本識別分類問題、如何實現(xiàn)高維數(shù)據(jù)的實時處理、如何提升光譜類似地物的區(qū)分能力等等。本論文通過對高光譜影像自身特性的深入分析，在總結(jié)高光譜圖像處理研究現(xiàn)狀的基礎(chǔ)上，研究了多種高性能的特征提取與分類識別技術(shù)，并用多個高光譜遙感應(yīng)

2、用實例驗證了本文提出的多種方法。
　　對于高光譜影像特征提取，本文提出了一種基于圖像融合與遞歸濾波的方法。該方法通過圖像融合與遞歸濾波有效去除高光譜影像中的噪聲，強化地物的形狀與輪廓等顯著空間結(jié)構(gòu)，從而有效降低類內(nèi)差異，同時增大類間差異。實驗比較了該方法與其他廣泛使用的高光譜影像特征提取方法，結(jié)果顯示:基于圖像融合與遞歸濾波方法獲取的影像特征可有效描述地物目標的空間上下文信息，提升高光譜影像分類精度。
　　光譜反射值是高光譜

3、影像的關(guān)鍵特征，然而受到傳感器成像機理、拍攝環(huán)境以及氣候條件等因素的影響，遙感高光譜影像中的光譜反射值往往并不純凈甚至可能包含嚴重的失真與畸變。針對這一問題，我們提出了一種基于本質(zhì)圖像分解的高光譜影像特征提取算法?；谌搜垡曈X感知模型，利用人眼區(qū)分亮度特征與光譜反射特征的能力，將高光譜影像分解為亮度成份與光譜反射成份，并將通過本質(zhì)圖像分解獲取的影像純凈光譜反射成份用于地物識別分類。實驗中，我們將本質(zhì)圖像分解特征應(yīng)用于高光譜遙感應(yīng)用實例并

4、與多種現(xiàn)有的高光譜影像特征提取方法進行了比較。結(jié)果顯示:基于本質(zhì)圖像分解的特征提取方法能夠有效消除多種不利因素（如:場景光照、陰影以及成像噪聲等）對影像光譜反射值的影響，提供了更高的分類精度。尤其是在處理小樣本數(shù)據(jù)分類問題時，基于本質(zhì)圖像分解的特征提取方法依舊能夠提供較高的地物分類精度。
　　對于高光譜影像識別分類，本文針對傳統(tǒng)空譜（空間-光譜）分類方法計算復(fù)雜度高的不足，提出了一種基于邊緣保持濾波的快速高光譜影像空譜分類技術(shù)。其

5、基本步驟如下:首先，使用支持向量機逐像素解譯高光譜影像。然后，用邊緣保持濾波優(yōu)化光譜分類結(jié)果。邊緣保持濾波是一種非線性濾波器。相比于高斯濾波，它的主要優(yōu)勢在于其濾波過程中考慮了影像的邊緣結(jié)構(gòu)，因此能夠有效聯(lián)合高光譜影像的空間與光譜信息。此外，我們提出了兩種非迭代濾波方案:一種是基于非線性高斯模型的雙邊濾波方法，另一種是基于局部線性模型的引導(dǎo)濾波方法。實驗采用AVIRIS航空數(shù)據(jù)與ROSIS-3航空影像進行地物解譯，并比較了基于邊緣保持濾

6、波的方法與多種常用的空譜分類方法。結(jié)果表明邊緣保持濾波方法具備計算復(fù)雜度低以及分類精度高等優(yōu)勢。
　　常用基于局部優(yōu)化的空譜分類方法無法模擬更深層次的空間上下文關(guān)系，因此在小樣本高維數(shù)據(jù)分類問題上存在性能瓶頸。針對這一問題，我們提出了基于隨機行走的高光譜影像空譜分類算法。通過改進原始的隨機行走算法，構(gòu)建聯(lián)合影像空間與光譜信息的隨機行走能量函數(shù)，最后通過求解該函數(shù)封閉解實現(xiàn)對高光譜影像的精確快速解譯。實驗結(jié)果顯示該方法突破了多種近年

7、提出的空譜分類方法在小樣本高維數(shù)據(jù)分類問題上的性能瓶頸，進一步提升了分類精度。
　　最后，我們驗證了本文提出的特征提取與分類識別方法在真實高光譜遙感實例上的性能。具體包括:1）融合遠紅外高光譜影像與可視影像對魁北克省塞特福德礦城黑湖區(qū)域進行城市地物分類;2）通過對高光譜影像進行特征提取與分類，對肯尼迪航天中心周邊的植被進行樹種區(qū)分與精確制圖;3）對博茨瓦納草原濕地植被進行區(qū)分與制圖，并通過高光譜技術(shù)分析該區(qū)域的洪水與火災(zāi)隱患的空間