基于软计算和互信息理论的遥感图像地物分类

发布时间：2019-08-14 20:03

【摘要】：遥感具有覆盖范围广、包含信息量大、获取信息快等优点,其所获得的图像已广泛应用于国防安全与国民经济的众多领域。遥感图像地物分类是遥感图像解译的关键技术,受到各国研究者的广泛关注,成为近年来的研究热点。本论文对合成孔径雷达(Synthetic Aperture Radar,SAR)图像地物分类和高光谱遥感图像地物分类进行了研究,结合各自特点,分别提出了有针对性的算法。作为微波遥感的代表,SAR具有全天时、全天候的工作能力。但是,由于相干成像机理,导致SAR图像不可避免地含有相干斑噪声,从而可能会遮盖感兴趣的细节和目标。本论文针对SAR图像地物分类中涉及的相干斑噪声大、边缘定位差、标签样本缺乏等具有挑战性的问题,进行了深入的研究,提出了鲁棒的SAR图像地物分类算法。近年来,高光谱遥感图像由于具有较高的光谱分辨率,能够更精细和准确地区分不同地物类别,成为当前遥感图像中另一个前沿领域。但是,高光谱图像中众多的波段使得高光谱图像地物分类计算复杂度过高并造成Hughes现象。针对这一难题,本论文利用软计算和互信息(mutual information,MI)理论,从有监督学习、无监督学习、半监督学习三个方面对高光谱波段选择进行了研究,从理论和实验上验证了所提波段选择方法是行之有效的。本论文主要工作概括如下:(1)针对词袋模型(bag-of-visual-words,BOV)可视字构造中,已有聚类算法对初始值敏感、易于陷入局部极值,并且聚类的过程和最终分类结果没有直接关联的问题,提出了一种基于克隆选择优化的BOV方法,并将其用于SAR图像特征提取与分类。提出的方法通过定义一种基于交叉验证的准则,能够直接评估最终的分类结果,构造出具有辨别力的可视字。同时,设计了一种克隆选择算法(clonal selection algorithm,CSA)对该准则进行优化,克服了传统聚类算法易于陷入局部极值的缺陷。实验结果表明,提出的方法获得了满意的SAR图像地物分类结果,并对SAR图像中的相干斑噪声较为鲁棒。(2)针对模糊聚类(fuzzy c-means,FCM)算法对于图像中噪声敏感的问题,研究者们已经提出了许多改进的FCM算法。但是,它们大多针对自然图像中的加性噪声,很少考虑过SAR图像中的乘性相干斑噪声。此外,已有算法在增强对噪声鲁棒性的同时,有可能对图像边缘过于平滑而造成失真。为此,本论文提出了一种基于非局部信息和改进边缘保持的FCM方法用于标签样本缺乏时的无监督SAR图像地物分类。提出的方法先是定义了一个基于比值距离的非局部相似度测量,然后设计了一个基于统计的边缘修订方法,能够在SAR图像分类的同时保持对相干斑噪声的抑制和精确的边缘定位。对比已有的无监督分类算法,在人工合成SAR图像和真实SAR图像上验证了所提方法在分类上的有效性和对相干斑噪声的鲁棒性。(3)由于具有非线性和非参数的特点,MI测度已经广泛用于高光谱波段选择的准则中。但是,已有的基于MI的准则通常利用二元MI来近似基于MI的理想准则,很可能丢失具有辨别力的波段,并且没有给出近似的成立条件。针对这一问题,提出了一种基于三元MI测度和CSA优化的有监督波段选择方法用于高光谱图像地物分类。提出的方法利用基于三元MI的准则来测量波段间对于分类的冗余性,并从MI理论上,证明了提出的准则和已有的二元MI准则都是理想准则的低阶近似,并且提出的准则需要更宽松的近似条件。此外,还设计了一种CSA来搜索波段子集。其中,自适应的克隆和变异操作加速了CSA的收敛。实验结果验证了所提方法在高光谱波段选择上的应用潜力。(4)在高光谱图像中,如何在没有标签信息指导的情况下,有效地进行波段选择是一个很有挑战性的课题。为了尽可能地保留原始波段中所含的信息,定义了一个无监督的最大联合MI准则。但是它很难精确计算。因此,利用熵和MI,提出了一种高信息低冗余的准则来低阶近似它,并且从MI理论角度证明了许多已有的无监督特征选择准则也是它的低阶近似。对比这些已有准则,提出的准则适用范围更加广泛。通过高光谱图像地物分类实验,我们进一步验证了所提算法的有效性。(5)在高光谱图像中,如何利用收集到的少量有标签样本和大量的无标签样本来共同提高波段选择的性能是值得研究的课题。本论文提出了两种半监督波段选择方法。第一个是在前面两个工作的基础上,同时利用有标签和无标签样本,提出了一种半监督的高信息高辨别低冗余的方法。对比已有半监督特征选择算法,实验验证了所提算法的有效性。第二个是针对第一个方法中存在的三元MI对于波段辨别力敏感和搜索时间复杂度高的问题,提出了一种半监督的基于正则化三元MI的近邻传播聚类方法。该方法定义了一个正则化三元MI,并对其取值范围进行推导,根据不同的范围,不仅考虑到波段之间的冗余性,而且考虑到波段之间的协作性,能够更加精确地移除高冗余波段。此外,该方法利用波段的连续性属性,设计了一种基于统计的方法,能够预先自动移除噪声波段,避免了聚类方法易受噪声波段干扰的问题。对比已有的特征选择算法,通过高光谱图像地物分类实验,验证了所提方法的可行性和高效性。
【图文】：

示意图,高光谱,成像,示意图

光谱成像是指通过搭载在不同空间平台上的高光谱成像光谱仪记录谱波段对地球表面的反射率[15]。高光谱成像仪能够在电磁波谱的可段范围内，，为每个像元（各个波段同一位置的点组成的向量）提供，对地物的属性的区分和识别提供了充分的信息[8]。它能够同时获得谱的信息。高光谱成像示意，如图 1.2 所示。.1.5 高光谱图像的特点及应用常规遥感图像相比，高光谱遥感图像具有以下几个显著特点[9, 16]：1）数据为“图谱合一”的 3 维数据；2）波段多、具有很高的光谱分辨率；3）数据量大、相邻波段间数据冗余性大。波段之间有很强的相关别是近邻波段间的数据冗余性较大。光谱图像虽然只发展了短短二十余年，但已经受到了国内外广泛的领域和军用领域发挥着越来越重要的作用[8]。图 1.2 高光谱成像示意图

模式图,克隆选择学说,模式图

将一个非局部信息项和一个正则项加入 FCM 的目标函数中，成功缓解了脑磁共振数据中的灰度分布不均匀与噪声对图像分割工作造成的负面干扰。随后，Zhao 等人也将非局部信息加入 FCM 中，提出了用于医学图像分割的改进 FCM 版本FCM-NLS[51]和 FCA-NLASC[52]。可以看到，上述所有的基于非局部改进的 FCM 算法都是针对医学图像，他们通过调查更大的邻域范围，考虑了更多的信息来改善FCM 性能。但是，这些算法不能直接应用于 SAR 图像分割，因为他们没有考虑SAR 图像特有的相干斑噪声特性。所以，如何在 SAR 图像分割中同时抑制噪声并保留边缘细节仍然是一个很有挑战性的问题。我们将在第三章中详细讨论。（2）进化计算这种种群中个体之间的信息交换和个体自身的信息突变，使得进化算法不容易陷入局部极值。同时，由于对待求解问题的具体形式及动力学特性没有要求，所以进化算法具有较强的鲁棒性和普适性。常用的进化计算方法包括：遗传算法[103]、模拟退火算法(simulate anneal, SA)[145]、粒子群优化算法[104]、蚁群算法(antcolony optimization, ACO)[146]、克隆选择算法[105]等。
【学位授予单位】：西安电子科技大学
【学位级别】：博士
【学位授予年份】：2014
【分类号】：TP751

【参考文献】