高光谱遥感影像稀疏图嵌入分类研究

发布时间：2020-07-14 04:58

【摘要】：高光谱遥感是当今地球科学与遥感领域最重要的研究方向之一。高光谱遥感可同时获得地表空间影像和精细光谱信息,这种图谱合一的特性使得高光谱遥感具有不同于其它遥感技术的优势,同时也对高光谱遥感影像处理带来诸多挑战。高光谱遥感影像的高维特性和现实分类场景中样本的有限性使得分类面临不适定问题(ill-posed problems)。在这种情况下,传统的参数化模型变得不适用或不准确。当前,解决高光谱遥感影像不适定分类问题主要有两种策略。一是在光谱维上进行特征提取(或特征选择),实现维数约减。高光谱数据具有复杂的非线性特性,采用流形学习进行特征提取可有效顾及高光谱数据的这一特性,然而当前流形学习的研究主要集中在单图嵌入,不能充分表达高光谱数据表现出的复杂流形特性。二是利用半监督学习(或主动学习),提高分类模型的泛化性能。图正则化的半监督分类属于非参数化方法,具有较高的判别性,能够表达高光谱数据的流形特性,是一种非常有前景的半监督分类方法。然而,大多数图正则化半监督分类方法对高光谱数据的可扩展性和泛化性能都有待提高。因此,针对高维特性和样本有限性构建稳健的、高精度的分类方法是高光谱遥感影像处理领域中亟待解决的重要科学问题。本文在对稀疏表达和图方法进行理论分析和完善的基础上,系统研究了高光谱遥感影像基于稀疏图嵌入的特征提取和分类方法,重点提出了基于协同稀疏图嵌入和稀疏多流形学习的特征提取方法,以及基于稀疏图正则化的主动半监督分类方法。采用国际通用测试数据集ROSIS和AVIRIS检验了本文方法的性能,同时针对黑河流域张掖绿洲农业区精细农作物的区分,采用CASI/SASI航空高光谱遥感影像对本文方法进行了应用验证。论文的主要研究内容与结论包括：1)揭示了高光谱遥感影像稀疏表达与图构建之间的有机联系,提出了两种改进的稀疏图构建方法。高光谱遥感影像的稀疏表达具有理论依据和物理意义,稀疏系数表征了影像与字典之间的相似性。采用矩阵运算将影像一字典的关联扩展至影像一影像之间,提出了基于SUnSAL的快速稀疏图构建方法和基于SOMP的邻域自适应协同稀疏图构建方法。构建的稀疏图具有数据自适应性,同时继承了稀疏表达良好的判别性、稀疏性和对噪声的鲁棒性。通过分析高光谱遥感影像典型地物的稀疏表达与图构建结果,验证了快速稀疏图构建方法的有效性,同时发现邻域自适应的协同稀疏图构建方法可明显提高图对影像空间特征的表达能力。2)根据构建的稀疏图,应用图嵌入思想提取高光谱遥感影像光谱维特征以提高对地物的区分能力,提出了基于协同稀疏图嵌入和稀疏多流形学习的特征提取方法。在探讨了稀疏图嵌入及其核空间扩展方法的基础上,应用改进的稀疏图构建方法分别设计了基于快速稀疏图嵌入和基于协同稀疏图嵌入的特征提取方法。借助视图生成和稀疏图嵌入技术进行高光谱遥感影像多流形的表征和耦合,提出了稀疏多流形学习方法。综合运用特征值分析、相关性分析、邻域结构保持分析和特征可分性分析等评价方法检验了特征提取效果。结果表明：本文方法在对数据结构的有效表达、特征空间的去相关能力、特征空间的可分性、对噪声的鲁棒性和计算复杂度方面均取得了良好的效果；空间信息的引入,使得协同稀疏图嵌入在表达数据邻域结构方面比常规方法更有效；光谱差异信息的引入,使得稀疏多流形学习提升了地物在特征空间的可分性。3)借助稀疏多项式逻辑回归模型(SMLR),实现了基于稀疏图嵌入特征提取的高光谱遥感影像分类；采用全约束稀疏表达构建稀疏图,提出了稀疏图正则化的主动半监督分类方法。利用SMLR全面分析了快速稀疏图嵌入、自适应邻域的协同稀疏图嵌入和稀疏多流形学习方法。在核空间中进行特征提取与分类,有效削弱了"Hughes"现象。借助图割方法引入空间信息,极大地削弱了“椒盐噪声”现象。采用全约束稀疏表达构建稀疏图,设计了稀疏图正则化的半监督分类方法(SGR),引入主动学习以提高SGR的分类效果和收敛性能。在小样本条件下进行了分类实践,结果表明：SGR对参数敏感性较低,且在鲁棒性、泛化性能和计算效率方面优于其它常规监督分类(如SVM和LORSAL)和其它半监督分类(如AGR和SSMLR)方法,对研究区CASI/SASI数据的分类精度达到85%(40个已标记样本),初步满足高光谱遥感影像地物识别和信息提取的需要。本文针对高光谱遥感影像不适定分类问题,按照“稀疏表达——稀疏图构建——特征提取——影像分类”的主线展开研究,对高光谱遥感影像稀疏图嵌入分类的理论方法和技术难点进行了深入探讨,为高光谱遥感影像的不适定分类难题提供了一个新的解决途径。
【学位授予单位】：南京大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP751

【参考文献】