高光谱遥感影像光谱降维与空谱联合分类方法研究

发布时间：2020-03-20 17:53

【摘要】：遥感影像分类是遥感领域研究的重要问题。高光谱遥感数据具有丰富的光谱信息和空间信息,为地物目标的辨识和分类提供了更多依据。分类方法的优劣直接影响着分类的精度,空谱分类方法将光谱特征和空间特征结合在一起,被证明可以有效地提高分类精度。高光谱数据降维是降低处理成本,避免维数灾难的有效手段,已成为分类的重要步骤。深度学习能够提取数据深层次非线性本质特征,越来越多的深度学习模型被应用到高光谱特征提取和地物分类中。论文通过深入分析高光谱数据特性,基于信息论、统计学理论、机器学习、深度学习等领域的新理论和新方法,研究高效的光谱降维策略和空谱联合分类方法,并在多个高光谱遥感数据集上进行验证。主要内容包括:基于信息量和类间可分性的评价标准,分别提出了两种特征选择方法。一种是改进的最优指数因子法。该方法根据波段间相关系数矩阵图像“分块”的特点,将整个波段空间划分为若干子空间,在子空间的基础上计算最优指数因子,实现波段选择。该方法提高了计算效率,降低了信息冗余,提升了分类精度。另一种是改进的二进制粒子群算法,通过改进迭代函数和引入变异机制,提高了算法的收敛能力和全局寻优能力;设计了基于该算法的特征选择和分类器参数同步寻优策略。实验证明该算法能有效地进行特征选择和参数寻优,降低了处理成本、提升了分类的精度。基于深度学习网络提取数据深层次本质特征的能力,论文构建了最优的堆栈降噪自编码器网络模型,实现了对高光谱数据的特征提取并完成分类,分类精度高于常见的特征提取方法。基于数学形态学处理空间形状和几何结构的能力,论文提出了两种空谱分类方法。一种是基于二值数学形态学的空间特征后处理方法。该方法利用二值形态学的降噪能力,对基于光谱特征的分类结果进行优化处理,有效降低了分类结果中的“椒盐现象”,提高了分类精度。另一种是基于灰度数学形态学的空谱特征同步处理方法。该方法将高光谱数据的每一波段转化为灰度图像,分别进行降噪处理,处理后的光谱特征融入了空间信息;然后将空谱特征作为堆栈降噪自编码分类器的输入进行分类,提高了分类精度。论文从降维和空谱分类两个方向提出了多个创新点,并将这些创新点进行有机结合,实现高光谱影像降维和空谱分类的综合处理。论文将所提出的算法与同类算法进行了比较,实验证明所提算法具有更好的分类效果。
【图文】：

示意图,高光谱影像,示意图

更有利于地物的识别与分类。图1-1[7]给出了高光谱影像示意图。从图 1-1 中的例子可以看出土壤、水和植被的光谱形成了一条精细连续的光谱特征曲线。因此，高光谱影像与多光谱影像相比，可以解决更多问题[8]。高光谱时代始于 20 世纪 80 年代，经过三十多年的发展，高光谱遥感日臻成熟，得到了广泛的应用，占据了对地观测的重要位置。高光谱成像光谱仪采集每个样本点的同时，也采集其空间几何分布信息，具有“图谱合一”的特点。高光谱遥感实现了对目标地物的光谱成像，形成二维空间信息与光谱信息相互融合的三维数据立方体（Data Cube）[9]。图 1-2 是 AVIRIS 92AV3C 高光谱数据立方体，三维空间分别是空间维 x、空间维 y 和纵向轴光谱维 z，图中 x 轴和 y 轴构成立方体的前部截面的二维空间影像，z 轴为光谱维。不同地物对各个频率的光具有不同的反射率，它们所对应的光谱曲线就有差异，因此可以通过高光谱遥感数据为地物目标进行更加精细的识别和分类。为了适应不同的研究目的，高光谱数据采用了三种不同的表达方式，图像空间、光谱空间和特征空间[10]，对高光谱数据的地物属性信息从不同的角度进行表达，如图 1-3 所示。（1）图像空间图像空间是高光谱数据最简单、最直接的表达方式

曲线,高光谱影像,立方体,结构示意图

4图 1-2 高光谱影像立方体结构示意图（2）光谱空间图 1-3（b）描述的是光谱空间，光谱空间的每个像素对应一条波谱响应曲线，波线反映的是目标地物的光谱反射率随光谱波长的变化情况[11]。在使用光谱空间对地物分析时，所依据的是不同地物表现出的辐射响应曲线不同。但由于受到如太阳光入射风速等因素的影响，实际中容易出现“同物异谱”和“同谱异物”现象，这一现象对
【学位授予单位】：中国地质大学(北京)
【学位级别】：博士
【学位授予年份】：2018
【分类号】：P237

【参考文献】