结合空间坐标信息的高光谱图像空谱分类

发布时间：2020-03-21 12:23

【摘要】：目前,高光谱遥感技术已经相对成熟,高光谱图像具有的高分辨率和图谱合一等特点让高光谱图像在很多领域都得到了广泛的应用。高光谱图像分类技术作为高光谱遥感技术之一,也受到了众多学者的关注。不同于传统彩色图像或多光谱图像,高光谱图像具有很高的光谱分辨率,为地物识别提供了很好的依据。但是较高的光谱分辨率也带来了一些困难,数据量大、信息冗余等现象都为高光谱图像分类造成了一定困难。与此同时,由于对图像中样本点进行人工标记费时费力,如何在很少数量的已标记样本前提下得到理想的分类结果是高光谱图像分类方法研究中的一项难点。近些年研究表明,在根据样本的光谱信息进行分类时引入空间信息能有效地提高最终的分类精度,但如何有效地利用空间信息来提高精度也是一个难点。针对上述几个问题,本文提出了以下几种将空间信息与光谱信息结合的分类技术。具体研究内容如下:(1)提出了一种基于空间坐标与光谱特征融合的高光谱图像分类方法,首先对光谱信息进行主成分分析并取部分数据作为光谱特征,接着以样本的空间坐标为特征进行有监督分类并输出样本的概率特征,同时对光谱特征进行分类并得到的相应概率特征,最后以两种概率特征融合后的新特征为依据进行有监督分类,获得最终的分类结果。该方法利用样本的空间坐标来将空间信息加入到分类过程中,并通过分类器特性转化成概率特征,便于与光谱信息进行特征融合分析,最终该方法通过特征融合的方法分析空间信息与光谱信息。与其他结合空间信息的方法相比,该方法的分类精度更高,且运算时间更少。(2)提出了一种基于主动学习与空间坐标的高光谱图像分类方法。以空间坐标为特征的有监督分类结果与训练样本点的空间位置有很大关系。依据这一特点,将主动学习的方法与空间坐标特征结合起来。通过采样策略挑选出对光谱特征分类器和空间坐标分类器而言不确定性均较大的样本进行人工标记,并重新训练分类器,使得分类器性能快速提高,最终将光谱特征与空间坐标融合分析与分类,使得算法能在短时间内使用小数量训练样本得到很高的分类精度。(3)提出了一种基于集成学习与空间坐标的高光谱图像分类方法。该方法首先通过每一个基分类器分类得到的一组样本隶属于每一个类别的概率值,接着将每一组基分类器获得的概率值分别与基于空间坐标特征分类获得的样本概率值相乘,然后将相乘后的概率值再彼此相乘得到样本最终隶属于每一个类别的概率值,选出最大概率值对应的类别为样本的类别标签,继而得到高光谱图像分类结果。该方法将空间坐标与集成学习方法融合到一起,使每一个基分类器的分类结果都引入空间信息,从而提高了最终的分类精度。
【图文】：

光谱曲线,光谱曲线,高光谱图像,高光谱遥感技术

西安电子科技大学硕士学位论文2图1.1 高光谱遥感图像上不同地物的光谱曲线[4]1.2 高光谱图像分类的研究现状1.2.1 高光谱图像分类的研究现状不同于普通彩色图像和多光谱图像，高光谱图像具有更加丰富的信息，为地物的分类与识别带来了极大的方便。在 20 世纪 80 年代美国发明第一台光谱仪 AIS[10]后，高光谱图像带来的便利让很多国家都开始加入到高光谱遥感技术研究中来。我国也投入了大量的人力物力来研发高光谱遥感技术，成功研制了许多成像光谱仪，如 OMIS、PHI 等。这些成像光谱仪有许多已经在各个领域得到了实际应用。分类问题是遥感图像处理技术领域中常见的问题之一。在高光谱图像分类方法的研究前期，主要以基于光谱信息的特征为主。常见的分类方法通常可以归为两种：有监督分类方法 (Supervised Classification) 和无监督分类方法 (UnsupervisedClassification)。无监督分类方法的主要思想是在没有先验知识作为辅助的前提下，依靠数据的统计特征等直接对样本进行归类，最后再对各类的地物属性标签进行确认。

数据结构图,高光谱图像,数据结构

西安电子科技大学硕士学位论文8图2.1 高光谱图像数据结构[3]2.3 支持向量机支持向量机是建立在统计学习理论的 VC 维理论[23]和结构风险最小化原理[24]的基础之上的，，这使得 SVM 能在小规模训练样本集的情况下获得良好的分类效果。同时 SVM 具有的高泛化能力和抗噪声能力，使它成为应用最为广泛的分类器之一。SVM 的基础模型是一种二分类模型，它的主要思路是在特征空间去求一个最优的分类超平面，使得两类样本能够无误地分开并保证分类超平面两侧样本之间的分类间隔最大。对于包含 n 个样本的训练集 , tr i iX x y，dix R， 1,1iy ，i 1, 2, ,n。其中
【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】：2018
【分类号】：TP751

【参考文献】