高光谱遥感图像的特征约简研究

发布时间：2019-08-15 13:24

【摘要】：高光谱遥感技术始于上世纪80年代，其融合了探测器技术、微弱信息检测、信息处理技术、精密光学机械、计算机技术等尖端科学技术的新型遥感技术。由于高光谱遥感图像具有图谱合一以及良好的光谱分辨率等特性，使得该方法在地质勘探、军事探测、星际探索以及生态环境监测等诸多领域得到越来越广泛的应用。由于高光谱图像数据量大，数据维数高，信息冗余等问题，导致高光谱遥感图像的信息无法被充分有效的运用。论文从特征约简入手，研究从高光谱图像的海量数据中提取有效信息的方法。论文的主要工作和贡献有：第一，局部Fisher判别分析算法(Local Fisher discriminant analysis algorithmLFDA)描绘样本间几何结构的过程中，只重点考虑了样本的相似性几何关系，而没有对数据的多样性几何信息进行描述，从而影响了通过特征约简后低维特征的识别效果。针对LFDA存在的这些不足，，提出了增强局部Fisher判别分析算法(Enhanced Local Fisher discriminant analysis algorithm ELFDA)。ELFDA利用邻接图描述数据的多样性几何属性，然后结合LFDA算法中考虑的相似性几何属性，实现了稳定性较好的内在几何结构描述；在此基础上，通过最大化类间离散度同时最小化局部类内离散度，提取投影方向，再通过最近邻分类器区分类别。多个数据库上的实验结果证明了ELFDA算法的优越性。第二，利用多模态思想，通过多模态数据融合的方法，运用无标签模态数据保持样本局部拓扑结构，同时通过有标签模态数据获得良好的判别信息，提出一种半监督的邻域保持边界Fisher判别算法(Neighborhood Preserving Marginal FisherAnalysis，NPMFA)。NPMFA算法在进行特征提取时，不仅保持良好的判别信息，而且保持了良好的空间局部几何属性，较好地刻画了数据相似性几何特性，从而获得更好的识别效果。多个数据库上的实验结果证明了NPMFA算法的有效性。
【图文】：

高光谱图像,立方体

谱波段数据，从而收集了丰富的图像光谱信息和空间几何信息。将各个波段上收集的图像叠合起来，可构成描述不同波段中同一场景地物图像的高光谱图像立方体。图1.1是一个高光谱图像立方体。图1.1 高光谱图像立方体图1.2所展示的为高光谱图像的成像原理，图中每一层图像都是光谱成像仪在某一波段内对相同场景的成像。而图中同一位置的各不同波段上的点组成一个向量，被称作像元。像元是一个连续的光谱曲线，对于不同的地物，光谱曲线是不一样的[4]，图1.2所展示的几种地物光谱曲线就有着不小的差别。

高光谱图像,成像原理

憧笮畔⒘恐幛猓嘀鼓芏怨馄滋卣鹘鈉辛己玫拿枋觥Ｍ?1.3 多光谱图像和高光谱图像成像对比图1.2 高光谱数据描述在概念上和数学上，怎样表述高光谱数据是选择如何处理数据的重点。由于不同种类信息能够符合不同应用要求，高光谱数据有三种不同的描述方式[6]，分别为光谱空间、特征空间和图像空间。光谱空间：高光谱图像中的每一个像元可表示为一条相应波长的连续光谱曲线，该曲线显示的为电磁波波长与能量之间的关系，像元灰度值在各个波段上的
【学位授予单位】：西安电子科技大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TP751

【参考文献】