高光谱遥感图像的降维与分类研究

发布时间：2020-04-19 11:57

【摘要】：高光谱图像(Hyperspectral Image)通常指光谱分辨率在10nm数量级范围内的光谱图像。遥感技术经过半个世纪的发展,无论在理论上、技术上还是应用上均发生了重大的变化。其中,高光谱图像技术的出现和快速发展无疑是这种变化中十分突出的一个方面。通过搭载在不同空间平台上的高光谱传感器,在电磁波谱的紫外、可见光、近红外和中红外区域,以数十至数百个连续且细分的光谱波段对目标区域同时成像。在获得地表图像信息的同时,也获得其光谱信息,第-次真正做到了光谱与图像的结合。尽管高光谱遥感图像具有更高光谱分辨率,但是由于其高数据维度的特点,使得应用于多光谱图像(Multispectral Image)的统计分类器往往不能有效地应用于高光谱遥感图像。当训练样本有限,而光谱波段增加时,例如最大似然分类器,支持向量机分类器等都会出现分类精度随着特征维数增加而降低的现象,即所谓的“维数灾难”(Curse of Dimensionality),也称Hughes现象。本文对实际数据做了实验,对维度灾难问题做出解释和更深研究。本文的主要创新点包含以下几个方面： 1、提出两种基于图像距离(Image Euclidean Distance)的流形降维算法：图像距离的等距映射算法和图像距离的局部线性嵌入算法。这两种算法针对高光谱图像数据的图像特点,在过去的基于数据的降维方法上,引入了图像的空间信息,将高光谱数据中单纯表示数据距离的欧氏距离进行了改进,扩展成了高光谱数据的图像距离。使用基于图像距离的流形降维方法对实际高光谱图像数据降维处理后,不但分类精度上有了提高,而且分类后视觉效果也有了提高。 2、提出基于光谱角距离(Spectral Angle)的自组织神经网络分类算法。算法使用了光谱角特征代替了传统算法中的欧氏距离特征,有效地区分高光谱图像中普遍存在的同物异谱问题。实际数据实验表明,这个算法在不影响复杂度情况下有效地提高了分类精度。
【图文】：

高光谱图像,欧氏距离,图像,空间因子

距离是一种直观的IL鲁棒性很好的距离算法，可以较好地分类中。为M X 的灰度图像X e R"""'和Y e 来说，它们之间I M N M N(X，Y)= . (Y /?=1 ?=丨—/=1 /=1和Y"分别表示图像X和Y屮第/行、第/列的灰度值，通过空间乘子引入的，它被定义为|/-/w|" + \i -n\'复-J^^- ? (间因子，表征了空间关系的影响程度。该空间因子的物理意“近”的像素点之间的影响也较“大”，反之亦然。由于空相对的远近关系，因此图像欧氏距离对其并不敏感，一。I ：

合成图,降维

本文提出的算法的复杂度主要取决于计算图像欧氏距离矩阵（IMEDM)。以使用3X3图像块为例，由公式（4. 4)可知，计算两个像素对之间的图像欧氏距离共需要81Z + 82次乘法。对于一个具有TV个像素的高光谱图像来说，总的复杂度为0(i7v2)。空间复杂度主要取决于一个的矩阵和一个的矩阵。由此可知，较大的数据量，即较大的将带来较高的运算复杂度和空间复杂度。4.5实验数据我们采用实际的高光谱数据测试算法的性能。我们将本文提出的算法与PCA、LLE和ISOMAP算法进行比较，它们都是应用于高光谱数据降维的常见的且性能较优的算法。我们在降维基础之上，利用分类算法对降维结果执行分类操作。通过分析分类的精度评价这三种算法的性能。采用的分类算法为支撑向量机(SVM) [43]和1^最近邻分类法（KNN) _。SVM算法的重要参数有C和g。实验中我们使用交叉验证方法(Cross Validation )选择较优的统一的SVM算法参数，，具体懫用的参数在每个实验中说明。KNN算法的参数为用于判定对象所属类别所需要的邻近点个数K，我们统一采用参数1。评价分类结果的指标为分类精度。
【学位授予单位】：复旦大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：TP751

【参考文献】