高光谱图像多分类方法研究与应用

发布时间：2020-08-13 02:02

【摘要】：随着成像光谱仪的发展,高光谱图像的成像精度不断提高,在经济建设与国防安全领域的作用日益上升。与之而来的是高光谱数据维度急剧上升,非线性增强,这给传统的高光谱分类以及变化检测方法带来了挑战。本文通过研究传统高光谱分类以及检测方法中存在的问题,分别提出了对应的改进算法,提升了精度和效率。本文首先改进了SVM分类器使用的传统OAO策略。通过引入最大误差上界中的Chernoff距离和Jeffries-Matusita距离作为类别之间的可分性度量,分别构建了基于C距离的OAA策略和基于JM距离的类对决策树策略。同时对SVM分类器的核函数进行定制,通过加权使得分类器更加适应数据集。实验表明,两种方法都可以有效的提升分类算法的精度和效率。然后提出了应用于高光谱分类算法的视觉词袋模型。高光谱数据非线性严重,因此视觉词袋模型中采用CNN作为特征提取部分,有效弥补了传统分类器的不足。同时改进了SLIC算法,使其能够运用在高光谱图像数据上。词袋模型结合了空谱信息,弥补了传统算法中只使用光谱信息的不足。最后通过实验验证算法的有效性。最后针对高光谱变化检测任务提出了CNN-LSTM模型。变化检测任务可以看成特殊的分类任务,模型通过LSTM单元利用时序信息,改进了传统分类算法无法利用时序信息的缺点。同时模型提取的特征保证了样本不足时的迁移学习的辨识精度。通过非迁移学习以及迁移学习实验验证了该模型的有效性,且在复合样本的迁移学习实验中验证了该模型优于CNN模型,证明了时序信息在高光谱变化检测任务中的重要性。
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TP751
【图文】：

示意图,高光谱遥感,成像光谱仪,示意图

(c)多光谱遥感 (d)高光谱遥感图 1-1 高光谱遥感发展示意图载高光谱遥感的拍摄过程如图 1-2 所示。成像光谱仪可以分成persion）成像光谱仪和干涉型（Interferometer）成像光谱仪。而根据的不同，成像光谱仪也可以分为推扫型（Pushbroom）成像光谱仪和iskbroom）成像光谱仪[4]。现阶段成像光谱仪在设计和制造时存在一，主要集中于信噪比、空间分辨率以及扫幅扫宽。因此光谱成像仪要在减小每个波段的带宽以及增加波段数，和减小瞬时视场角。前光谱图像的光谱分辨率（Spectral resolution），即光谱成像仪在波长宽度，又叫做波段宽度；后者可以提升高光谱图像的空间分辨率（tion），即拍摄图像中可分辨地物的空间尺度。提升光谱分辨率和空光谱图像中识别率的提升是至关重要的。

示意图,高光谱成像仪,星载,成像光谱仪

图 1-2 星载高光谱成像仪拍摄示意图研究现状及分析谱成像仪研究遥感获取数据的方式是通过成像光谱仪拍摄目标，得到、可见光和紫外部分的窄电磁波段。成像光谱仪发展的家与机构研究出了适应不同环境与任务目标的光谱仪，在光谱仪的研究上走在了世界前列，从最开始 32 个波个波段的 AVIRIS 不断提高光谱分辨率。同时，AVIRIS 全反射波长范围（0.4 ~ 2.5 m）的成像光谱仪[5]。在SA）研制并发射了中等分辨率成像光谱仪（MODIS）大空间分辨率为 250 米，光谱范围从可见光波段（0.4 m）。NASA 还发射了高分辨率成像光谱仪（HIRS），米，光谱范围为3.8 ~15 m，共有 20 个频段，包括 1 个

高光谱图像,标签图,高光谱图像,数据

(a)原始图像 (b)标签图图 2-1 高光谱图像数据原始图与标签图（75x75）别采取了 2 种核对高光谱数据集合进行 4 类的分类实验，距离的核。这 2 种核函数皆通过 OAO 策略来构造多分类类实验每种方法都需要42 ，即 6 个子分类器。准 SVM 核与基于 C 距离的核方法对比实验我们以 RBF 作为基本核函数.由于飞机所占的像素点很少，据进行多折交叉验证的 4 分类实验，为了不漏掉飞机的样验。惩罚因子C以及 RBF 核函数的参数选择 C 60和 -2 所示。的数量上来看，2 折的实验效果比 4 折的实验效果要好，虽向量数上有劣势，但是整体的分类精度要高。基于 C 距离方法的平均分类精度有 10%左右的提升，总体精度也有于前者的提升并不十分明显，因为实验的主要目的是对飞

【参考文献】