【摘要】：針對(duì)高光譜遙感數(shù)據(jù)數(shù)據(jù)量大、非線性、樣本標(biāo)記代價(jià)昂貴、訓(xùn)練樣本少、光譜特征維度高等特點(diǎn),利用機(jī)器學(xué)習(xí)、圖像處理技術(shù)、圖嵌入降維以及表示學(xué)習(xí)相關(guān)理論,重點(diǎn)研究高光譜數(shù)據(jù)降維有關(guān)問(wèn)題。包括以下主要研究?jī)?nèi)容:1.基于空-譜聯(lián)合增長(zhǎng)圖嵌入的高光譜數(shù)據(jù)降維。利用高光譜數(shù)據(jù)的空間和光譜信息,提出一種空-譜聯(lián)合增長(zhǎng)圖嵌入的高光譜數(shù)據(jù)降維算法。在增長(zhǎng)圖的迭代構(gòu)造過(guò)程中,訓(xùn)練樣本的標(biāo)簽可以傳遞給與其最近鄰的測(cè)試樣本,直至所有測(cè)試樣本都有一個(gè)偽標(biāo)簽。首先,通過(guò)尋找最近的空間近鄰實(shí)現(xiàn)近鄰選擇及其鄰接權(quán)重計(jì)算;其次,對(duì)于分布在決策邊界附近的樣本,設(shè)計(jì)三種不同的鄰接權(quán)重計(jì)算策略,以提高異類(lèi)樣本的可分性;最后,根據(jù)標(biāo)記樣本周?chē)欠翊嬖跍y(cè)試樣本,對(duì)空間窗口大小以及近鄰個(gè)數(shù)進(jìn)行自適應(yīng)調(diào)整。2.基于超像素分割和多核聯(lián)合的空-譜近鄰圖嵌入高光譜數(shù)據(jù)降維。圖嵌入降維算法的關(guān)鍵步驟在于近鄰選擇和鄰接權(quán)重的計(jì)算。傳統(tǒng)圖嵌入降維算法通常采用成對(duì)光譜特征相似圖反映原始高光譜數(shù)據(jù)的幾何結(jié)構(gòu)。然而,傳統(tǒng)圖嵌入降維算法忽略了高光譜數(shù)據(jù)的空間信息,導(dǎo)致構(gòu)造的圖無(wú)法充分反映高光譜數(shù)據(jù)的空間流形結(jié)構(gòu)。因此,提出一種基于超像素分割和多核聯(lián)合的空-譜近鄰圖嵌入降維算法,以充分利用高光譜數(shù)據(jù)的空間信息,進(jìn)而提高分類(lèi)性能。首先,采用熵率超像素分割算法將高光譜圖像分割成若干超像素塊;其次,在每個(gè)超像素塊中,利用空-譜度量距離來(lái)表示樣本間的相似程度;然后,基于上述空-譜度量距離構(gòu)造空-譜近鄰圖;最后,采用多核支持向量機(jī)分類(lèi)器,對(duì)降維后的高光譜數(shù)據(jù)進(jìn)行分類(lèi)。3.基于多尺度超像素最大噪聲比率的高光譜數(shù)據(jù)降維。針對(duì)高光譜數(shù)據(jù)不同空間區(qū)域?qū)?yīng)不同物體,降維中若采用統(tǒng)一投影變換,容易導(dǎo)致投影子空間中異類(lèi)樣本間差異性變小的問(wèn)題,根據(jù)圖像分割和集成學(xué)習(xí)思想提出一種基于多尺度超像素最大噪聲比率高光譜數(shù)據(jù)降維算法。首先,通過(guò)圖像分割算法對(duì)高光譜圖像進(jìn)行空間區(qū)域分塊,使得每個(gè)空間區(qū)域塊中的樣本具有相似的光譜特征;其次,設(shè)定子空間維數(shù),在每個(gè)區(qū)域塊中,采用最大噪聲比率構(gòu)造一個(gè)對(duì)應(yīng)的局部空間投影矩陣,并對(duì)該區(qū)域中的高光譜數(shù)據(jù)進(jìn)行降維,得到對(duì)應(yīng)像素在低維子空間中的特征;然后,將不同區(qū)域塊中像素的低維特征按照原始空間坐標(biāo)進(jìn)行合并,得到整個(gè)高光譜數(shù)據(jù)在低維子空間中的特征表示;最后,通過(guò)設(shè)置不同尺度的超像素,利用最大投票原則確定測(cè)試樣本的標(biāo)簽。4.基于圖正則自適應(yīng)聯(lián)合協(xié)同表示的高光譜數(shù)據(jù)降維。針對(duì)空間信息利用不充分導(dǎo)致的高光譜圖像分類(lèi)精度較低的問(wèn)題,提出一種基于圖正則自適應(yīng)聯(lián)合協(xié)同表示的高光譜數(shù)據(jù)降維算法。首先,采用雙邊濾波操作對(duì)高光譜圖像進(jìn)行空間信息提取,以充分挖掘每個(gè)像素的空間信息;其次,在聯(lián)合協(xié)同表示的目標(biāo)函數(shù)中引入圖正則約束項(xiàng),以保持高光譜數(shù)據(jù)的流形結(jié)構(gòu);然后,一方面利用圖像分割來(lái)自適應(yīng)調(diào)整空間鄰域的形狀,另一方面通過(guò)對(duì)中心像素的空間近鄰賦予不同的權(quán)重,提出一種自適應(yīng)空-譜特征融合策略;最后,基于誤差最小原則,得到測(cè)試樣本的類(lèi)別標(biāo)簽。在Indian Pines、Pavia University、KSC和Salinas四個(gè)高光譜數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明,所提算法能有效地利用高光譜圖像的空間特征和光譜特征獲得較高的整體分類(lèi)精度和Kappa系數(shù),獲得的分類(lèi)效果圖平滑。
【學(xué)位授予單位】：中國(guó)礦業(yè)大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2019
【分類(lèi)號(hào)】：TP751
【圖文】：

圖1 1高光譜成像傳感器Figure 1 1 Hyperspectral image sensor譜分辨率遙感能發(fā)現(xiàn)寬波段中無(wú)法探測(cè)的物質(zhì)，可利用其區(qū)光譜特征的物質(zhì)。

1緒論修正這一缺陷，很多學(xué)者通過(guò)使用核技巧，將這些線性特征提取算法擴(kuò)展到核領(lǐng)域，如核主成分分析[32]，核線性判別分析[33]，核獨(dú)立主成分分析[34]。但是上述特征提取算法存在一定缺陷：高光譜數(shù)據(jù)本質(zhì)上是非線性的，而上述特征提取算法均為線性，無(wú)法刻畫(huà)高光譜數(shù)據(jù)的流行結(jié)構(gòu)。為了解決上述問(wèn)題，Yan等[35]等提出了一個(gè)廣義的圖嵌入降維模型。圖1 3給出一個(gè)圖嵌入降維的示意圖。由圖可看出，高維空間中，容易錯(cuò)分的樣本，在低維空間中分類(lèi)較為容易。圖嵌入降維算法的核心思想是通過(guò)構(gòu)造一個(gè)能揭示數(shù)據(jù)流形結(jié)構(gòu)的圖，將高維特征通過(guò)一個(gè)投影矩陣投影在低維空間中以保持高維空間中數(shù)據(jù)間的近鄰結(jié)構(gòu)。在圖模型中，每個(gè)頂點(diǎn)表示一個(gè)樣本點(diǎn)兩樣本點(diǎn)之間的邊權(quán)重表示兩個(gè)點(diǎn)之間的鄰接程度。圖嵌入降維的關(guān)鍵在于鄰接權(quán)重的賦值。根據(jù)鄰接權(quán)重的賦值方式，圖的構(gòu)造可分為三種情形：1)基于距離度量的構(gòu)圖；2)基于表示系數(shù)度量的構(gòu)圖；3)基于判別信息的構(gòu)圖。

【參考文獻(xiàn)】

相關(guān)期刊論文 前2條

1 尹宏鵬;劉兆棟;柴毅;焦緒國(guó);;壓縮感知綜述[J];控制與決策;2013年10期

2 高陽(yáng);王雪松;程玉虎;汪嬋;;基于塊非負(fù)稀疏重構(gòu)嵌入的高光譜數(shù)據(jù)降維[J];控制與決策;2013年08期

相關(guān)博士學(xué)位論文 前3條

1 胡立栓;高光譜遙感影像光譜降維與空譜聯(lián)合分類(lèi)方法研究[D];中國(guó)地質(zhì)大學(xué)(北京);2018年

2 甘樂(lè);高光譜遙感影像稀疏表示與字典學(xué)習(xí)分類(lèi)研究[D];南京大學(xué);2018年

3 高陽(yáng);高光譜數(shù)據(jù)降維算法研究[D];中國(guó)礦業(yè)大學(xué);2013年

本文編號(hào)：2724495