念想高光譜圖像分類的高斯過程模型研究.pdf

1、高光譜遙感是指具有高光譜分辨率的遙感科學(xué)和技術(shù)。作為遙感對地觀測的重要手段，高光譜遙感能夠提供較傳統(tǒng)遙感方式更豐富的光譜信息，在國民經(jīng)濟(jì)以及現(xiàn)代軍事等領(lǐng)域均發(fā)揮著越來越重要的作用。但是，高光譜遙感獲取的圖像數(shù)據(jù)給已有的常規(guī)遙感圖像處理技術(shù)也引入了新的處理難題和挑戰(zhàn)：如何解決高維數(shù)據(jù)小樣本分類識別，如何提升光譜類似地物的區(qū)分能力，以及如何以較低成本獲取高質(zhì)量的標(biāo)記樣本等等。高斯過程（Gaussian Process，GP）模型作為二十世紀(jì)

2、末新發(fā)展起來的核機(jī)器學(xué)習(xí)方法，除傳統(tǒng)核方法在解決高維數(shù)據(jù)建模和分類方面的優(yōu)勢外，還具有易于實現(xiàn)、核參數(shù)自適應(yīng)獲取等優(yōu)點。本論文通過深入分析高光譜圖像數(shù)據(jù)特性，在總結(jié)梳理高光譜圖像處理研究現(xiàn)狀的基礎(chǔ)上，對高光譜圖像分類應(yīng)用上的高斯過程模型展開研究。本論文取得的研究成果如下：
　　首先，研究了面向高光譜圖像分類的高斯過程回歸（GP Regression，GPR）模型，針對原始GPR模型無法利用圖像空間信息的缺陷，提出了能夠同時利用圖像

3、光譜以及空間信息的分類模型S2GPR（Spectral-spatial GPR）。提出的S2GPR方法根據(jù)空間鄰域位置標(biāo)記修正各中心像元的GPR輸出結(jié)果，并基于相鄰像元光譜的余弦相似度自適應(yīng)調(diào)整光譜以及空間信息在確定S2 GPR模型輸出時的權(quán)重。在AVIRIS Indian Pines數(shù)據(jù)以及ROSIS Pavia University數(shù)據(jù)上，S2GPR方法的總體分類精度（OA）相對于原始GPR模型分別能夠提升約6％以及5%。實驗結(jié)果表

4、明，提出的S2GPR方法能夠有效提升原始GPR模型分類表現(xiàn)。另外，當(dāng)有新的標(biāo)記樣本加入到訓(xùn)練集時，我們提出了基于Cholesky矩陣分解的GPR模型更新方法，提升了GPR模型的更新效率。
　　其次，研究了面向高光譜圖像分類的高斯過程分類（GP Classification，GPC）模型，為了進(jìn)一步提升單獨使用光譜信息的GPC模型分類效果，提出了組合GPC以及馬爾可夫隨機(jī)場（Markov Random Fields，MRF）模型的空

5、譜信息結(jié)合分類方法：GPC-MRF。提出的GPC-MRF方法基于MRF對標(biāo)記圖像的先驗分布建模，然后在貝葉斯框架下組合GPC模型的概率輸出得到標(biāo)記圖像的后驗分布，最后通過極大后驗方法得到最終圖像分類結(jié)果。在AVIRIS Indian Pines數(shù)據(jù)以及ROSIS Pavia University數(shù)據(jù)上，提出的GPC-MRF方法的總體分類精度（OA）相對于原始GPC模型分別能夠提升約10%以及6%。實驗結(jié)果表明：GPC-MRF方法能夠顯著

6、提升原始GPC模型的分類精度。
　　然后，為了減少單一分類模型可能產(chǎn)生的分類誤差，提出了一種基于二類概率平均的多GPC模型融合分類方法。首先通過波段劃分將原始高光譜數(shù)據(jù)劃分為多個數(shù)據(jù)源，并以此構(gòu)建多GPC模型，然后得到分類器融合后的決策輸出結(jié)果。另外，為進(jìn)一步改善圖像分類效果，以多GPC模型融合結(jié)果為基礎(chǔ)，利用MRF模型對標(biāo)記圖像的空間分布建模，得到高光譜圖像的空譜分類結(jié)果。提出的方法在一定程度上能夠緩解訓(xùn)練集樣本數(shù)目同數(shù)據(jù)維數(shù)之

7、間的比例不均衡問題，通過多GPC模型之間的互補(bǔ)組合提升單GPC模型的泛化能力。實測高光譜數(shù)據(jù)上的實驗結(jié)果表明：在小樣本情況下，提出的多GPC融合方法能夠提升單GPC模型的分類表現(xiàn)。特別是在AVIRIS Indian Pines數(shù)據(jù)上，提出的多GPC模型融合空譜分類方法的總體分類精度相對于原始GPC-MRF方法能夠提升約7%。
　　最后，為了解決高光譜圖像分類中標(biāo)記樣本少，而且獲取標(biāo)記樣本成本高的難題，提出了針對GPC模型的主動學(xué)習(xí)

8、（Active Learning，AL）方法。我們通過GPC模型輸出的概率結(jié)果，設(shè)計了評價無標(biāo)記樣本不確定性度量，并據(jù)此提出了三種不同的主動樣本選擇策略。兩幅實際高光譜圖像上的實驗結(jié)果驗證了提出的GPC模型AL方法能夠從少量有標(biāo)記樣本出發(fā)，通過迭代方式有效收集有價值的訓(xùn)練樣本，從而快速提升GPC模型的判別能力。另外，為了提升AL過程效率，我們提出了一種增量化GPC模型更新方案，能減少AL過程中的重復(fù)運算。根據(jù)兩幅實際高光譜數(shù)據(jù)上的實驗結(jié)