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和技術。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)濟以及現(xiàn)代軍事等領域均發(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量的標記樣本等等。高斯過程（Gaussian Process，GP）模型作為二十世紀

2、末新發(fā)展起來的核機器學習方法，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，在總結梳理高光譜圖像處理研究現(xiàn)狀的基礎上，對高光譜圖像分類應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)空間鄰域位置標記修正各中心像元的GPR輸出結果，并基于相鄰像元光譜的余弦相似度自適應調整光譜以及空間信息在確定S2 GPR模型輸出時的權重。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，當有新的標記樣本加入到訓練集時，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以及馬爾可夫隨機場（Markov Random Fields，MRF）模型的空

5、譜信息結合分類方法：GPC-MRF。提出的GPC-MRF方法基于MRF對標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，并以此構建多GPC模型，然后得到分類器融合后的決策輸出結果。另外，為進一步改善圖像分類效果，以多GPC模型融合結果為基礎，利用MRF模型對標記圖像的空間分布建模，得到高光譜圖像的空譜分類結果。提出的方法在一定程度上能夠緩解訓練集樣本數(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記樣本少，而且獲取標記樣本成本高的難題，提出了針對GPC模型的主動學習

8、（Active Learning，AL）方法。我們通過GPC模型輸出的概率結果，設計了評價無標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果驗證了提出的GPC模型AL方法能夠從少量有標記樣本出發(fā)，通過迭代方式有效收集有價值的訓練樣本，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過程中的重復運算。根據(jù)兩幅實際高光譜數(shù)據(jù)上的實驗結