高光譜圖像稀疏流形學(xué)習(xí)方法研究.pdf

1、高光譜圖像是由成像光譜儀記錄地物對(duì)電磁波的反射值而獲取，包含從可見光到近紅外范圍內(nèi)的數(shù)十上百個(gè)連續(xù)且狹窄的波段。高光譜圖像光譜分辨率高，可辨識(shí)細(xì)微差異的地物，目前已廣泛應(yīng)用于環(huán)境監(jiān)測、精準(zhǔn)農(nóng)業(yè)、目標(biāo)識(shí)別和地物分類等領(lǐng)域。在高光譜圖像分類中，傳統(tǒng)分類方法因數(shù)據(jù)量大、波段數(shù)多、波段間的相關(guān)性強(qiáng)而導(dǎo)致“維數(shù)災(zāi)難”。因此，如何減少波段數(shù)且不丟失有用信息是目前高光譜圖像分類領(lǐng)域的研究前沿與熱點(diǎn)。
　　特征提取是減少高光譜圖像波段數(shù)的有效方法

2、，能獲得有用的內(nèi)在信息，可有效改善分類結(jié)果。論文在流形學(xué)習(xí)、圖嵌入和稀疏表示等理論的基礎(chǔ)上，重點(diǎn)開展了基于稀疏流形學(xué)習(xí)的高光譜圖像特征提取方法研究。主要研究工作如下：
　?、俑鶕?jù)高光譜圖像的特點(diǎn)及其面臨的挑戰(zhàn)，引出特征提取在高光譜圖像分類中的優(yōu)勢。然后系統(tǒng)地介紹了高光譜圖像的特征提取和分類方法，并回顧了特征提取和分類方法的發(fā)展歷程。重點(diǎn)介紹了流形學(xué)習(xí)、圖嵌入和稀疏表示的基本原理和相關(guān)方法，為論文奠定了堅(jiān)實(shí)的理論基礎(chǔ)。最后總結(jié)了高光

3、譜圖像分類的精度評(píng)價(jià)指標(biāo)和常用的高光譜數(shù)據(jù)集。
　　②深入研究了基于流形學(xué)習(xí)的高光譜圖像特征提取方法。通過對(duì)流形學(xué)習(xí)方法的分析，引出圖嵌入框架，并詳細(xì)分析了該框架下的邊界Fisher分析(MFA)算法。針對(duì)MFA不能有效表達(dá)具有大量同質(zhì)區(qū)域的高光譜圖像內(nèi)在結(jié)構(gòu)的問題，提出局部幾何結(jié)構(gòu) Fisher分析(LGSFA)算法。LGSFA利用數(shù)據(jù)的鄰域和各鄰域的類內(nèi)重構(gòu)點(diǎn)來揭示高光譜圖像的內(nèi)在流形結(jié)構(gòu)，增強(qiáng)了特征的表達(dá)性能。在 Salin

4、as和Indian Pines高光譜數(shù)據(jù)集上展示了LGSFA算法的有效性。
　　③研究了基于稀疏表示的高光譜圖像特征提取方法。對(duì)于圖嵌入框架在構(gòu)圖時(shí)面臨近鄰選取困難的問題，提出稀疏保持分析(SPA)算法。SPA根據(jù)稀疏表示的自然鑒別力，能自適應(yīng)地揭示出數(shù)據(jù)間的相似關(guān)系，并通過稀疏系數(shù)構(gòu)建稀疏圖，提取出更有效的鑒別特征。針對(duì)PaviaU和Urban高光譜數(shù)據(jù)的分類實(shí)驗(yàn)，SPA比其他相關(guān)方法具有更好的分類結(jié)果。在SPA的基礎(chǔ)上，根據(jù)高

5、光譜數(shù)據(jù)的類別信息，提出稀疏鑒別學(xué)習(xí)(SDL)算法。SDL通過稀疏表示揭示出數(shù)據(jù)間的相似性，構(gòu)建類內(nèi)稀疏圖和類間稀疏圖，并增強(qiáng)同類數(shù)據(jù)的相似權(quán)值，進(jìn)而改善非同類數(shù)據(jù)間的可分性。在Indian Pines和Urban高光譜數(shù)據(jù)集上的分類結(jié)果表明，SDL能更好地表征數(shù)據(jù)的內(nèi)在屬性，提升分類精度。
　?、芨鶕?jù)流形學(xué)習(xí)和稀疏表示，開展了稀疏流形學(xué)習(xí)方面的研究。根據(jù)稀疏流形編碼具有自適應(yīng)地選取來自同一流形數(shù)據(jù)的特點(diǎn)，提出稀疏流形嵌入(SME

6、)算法。SME通過構(gòu)建稀疏流形圖來揭示出數(shù)據(jù)的稀疏流形結(jié)構(gòu)，進(jìn)而有效地表達(dá)數(shù)據(jù)的內(nèi)在特性。結(jié)合高光譜圖像的類別信息，提出稀疏鑒別流形嵌入(SDME)算法。SDME增強(qiáng)了同類數(shù)據(jù)的聚集性，提取出更有效的鑒別特征。在 Indian Pines和PaviaU高光譜數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明，SME和SDME比相關(guān)方法具有更好的分類精度。為同時(shí)利用高光譜數(shù)據(jù)的標(biāo)記樣本和無標(biāo)記樣本，結(jié)合稀疏流形編碼，提出半監(jiān)督稀疏流形鑒別分析(S3MDA)算法。S3

7、MDA利用標(biāo)記樣本和無標(biāo)記樣本的稀疏系數(shù)分別構(gòu)建了類內(nèi)圖、類間圖和非監(jiān)督圖，在低維空間中，聚集類內(nèi)圖的特性，分離類間圖的特征，同時(shí)聚集非監(jiān)督圖的相似性，進(jìn)而得到更好的低維特征。對(duì)于PaviaU和Salinas高光譜數(shù)據(jù)集的分類實(shí)驗(yàn)，與其他特征提取方法相比，S3MDA能得到更好的分類精度。
　　綜上所述，論文主要開展了高光譜圖像特征提取方法的研究，在流形學(xué)習(xí)、圖嵌入和稀疏表示的基礎(chǔ)上，逐步深入地構(gòu)建了基于流形學(xué)習(xí)、稀疏表示和稀疏流形