基于空-谱协方差特征的高光谱图像流形降维方法

发布时间：2020-06-03 18:55

【摘要】：高光谱图像包含成十上百个光谱波段,给地物的高精度辨识提供了丰富的光谱信息,但也带来了维数灾难的问题。如何减小高光谱图像的维度,并尽可能地保留其有用信息成了近年来的研究热点。对比传统基于统计理论的降维方法,流形学习能很好地挖掘高维数据潜在的非线性结构,被广泛应用于高光谱图像的降维。但常见的流形学习方法一般都存在着以下两个问题:把高光谱图像的像素看作是高维空间中孤立的点,忽略了图像的空间信息;利用光谱特征在欧氏距离尺度下寻找样本近邻点时,容易受到“异物同谱”现象的影响,得到畸形的流形局部特性。针对以上问题,本文引入了空-谱协方差特征来刻画高光谱图像的像素,并基于该特征提出了三种降维方法,具体研究工作总结如下:1.本文通过理论分析和实验,从特征表达和相似性度量两个方面,阐明了空-谱协方差特征相比于传统的光谱特征能用于挖掘更准确的样本关系,从而恢复出更接近于真实的数据流形。空-谱协方差特征充分利用了高光谱图像的空间信息和光谱信息,有效地缓解了“异物同谱”现象的影响;而对应的Log-Euclidean距离尺度通过计算样本在流形上的测地线距离,能更准确地衡量样本点间的相似性。2.针对传统LLE算法不能寻找可靠的样本近邻关系的问题,本文提出了一种基于分层空-谱协方差特征的高光谱图像局部黎曼嵌入降维方法(GLRE)。GLRE采用了分层策略,基于波段间的不相交信息,通过聚类算法,把高光谱图像分成内部高度同质化的几个部分,降低了对应流形的复杂度;再在每个部分利用空-谱协方差特征和对应黎曼流形上的局部切平面来挖掘数据潜在流形的局部特性,提取出判别性较强的特征。在真实数据上的分类实验结果证明了GLRE的有效性。3.针对传统的LPP算法用统一的投影矩阵对整幅高光谱图像降维,忽略图像局域同质性的问题,本文提出了基于空-谱协方差特征的高光谱图像超像素局部保持投影算法(SuperLPP-SSCF)。SuperLPP-SSCF算法根据局域同质性将高光谱图像分割成许多个子区域,再在每个子区域里利用基于空-谱协方差特征的LPP降维,可以得到判别性较强的特征。针对SuperLPP-SSCF算法中超像素个数难以确定的问题,发展了基于空-谱协方差特征的多尺度高光谱图像超像素局部保持投影算法(MSuperLPP)。MSuperLPP算法利用多数投票的决策融合策略,整合了多个尺度的SuperLPP-SSCF分类结果,提高了分类准确率。在Indian Pines和Zaoyuan数据集上的实验结果证明了两种方法对高光谱图像分类的促进作用。
【图文】：

高光谱图像,高光谱图像,立方体

图 1-1 高光谱图像立方体特性则比较相近。根据这个特点，高光谱图像可以用于地物的高精度辨识。具体地来说，高光谱图像分类就是根据每个像素的光谱特征，对所有的像素就进行分类，分别赋予它们一个确定的标签，以识别图像上的地物。高光谱图像的分类方法很多，根据标记样本和未标记样本的使用情况，大致上可以分为三种：无监督分类，有监督分类和半监督分类。（1）无监督分类方法事先不需要知道任何样本标签信息，根据待分类样本在特征空间上的分布，按其相似性进行集群、归类。常用的无监督分类方法有模糊聚类算法，k-均值聚类算法[1]和多目标遗传聚类方法[2]等。无监督分类大大减小了人工干预的程度，方便计算机自动判别，但是需要预先确定地物种类的数目且实际分类效果往往比较差，因此很少被采用。（2）有监督分类方法则根据训练样本学习出分类模型，进而对测试样本进行标签预测。常用的有监督分类方法有 k 近邻分类法[3]，贝叶斯分类法[4]，多项式逻辑回归分类法[5]，稀疏表示分类法[6]，，支持向量机分类法[7]和最近非常流行的人

高光谱图像,数据集,高光谱图像,标签

a) 伪彩色图b）各类地物样本真实标签及数目图 2-2 Zaoyuan 数据集物样本真实标签及个数。2.1.2 高光谱图像波段相关性高光谱图像任意两个波段间的相关性可以用相关系数来衡量，其具体定义如下：(1 2) =∑Mx=1∑Ny=1[1( )ˉ1][2( )ˉ2]√(∑Mx=1∑Ny=1[1( )ˉ1]2) (∑Mx=1∑Ny=1[2( )ˉ2]2)(2-1)ˉ1=1M∑x=1N∑y=11( ) (2-2)ˉ2=1M∑N∑2( ) (2-3)
【学位授予单位】：华南理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP751

【参考文献】