基于多核学习的高光谱图像分类方法研究
发布时间：2020-10-24 10:30
高光谱遥感凭借其独特的观测视角和精细化辨别观测对象的能力,成为遥感技术的重大突破和研究热点。然而,光谱和空间分辨率不断提升导致的光谱维度高、波段相关性强,以及外部干扰引发的特征间界限高度非线性等问题,使得分类这一重要且常用的遥感信息获取技术遇到了现实挑战。因此,本文针对高光谱图像分类问题,在多核学习方法的框架下,以充分挖掘样本所包含的内在结构信息和判别性信息为出发点,从多核组合系数优化、核函数结构优化及样本特征优化等不同角度,探索解决高光谱图像分类中的异构特征、类别间界限高度非线性和特征间相关性强等问题的方法。主要研究工作如下:首先,针对高光谱图像空谱联合分类中有效融合异构特征的问题,提出一种基于理想核优化的多核学习框架。通过构建一个包含理想核的目标优化函数,将理想核中蕴含的判别性信息纳入到组合系数寻优过程中。之后,按照挖掘核矩阵所蕴含的样本相似性信息和采用信号处理中信号稀疏表示这两种不同的思路,分别构建并求解优化目标函数。通过空谱联合特征的分类实验表明,所提出的方法能够有效地利用样本中蕴含的判别性信息,从而对基本核进行优化集成,提高了分类精度。其次,针对高光谱图像中类别间界限高度非线性的问题,从多核函数整体结构优化方面入手,提出一种基于自适应核结构的多核学习分类方法。将数据相关核与多核学习相结合,通过挖掘样本信息来进行核结构自适应优化。在对组合核进行保角变换的基础上,通过求解一组合适的膨胀系数,增加位于类间边界处体积元的体积,从而获得一个特征空间结构更优的核函数。通过不同基核条件下的对比实验证明,经过核结构自适应优化后,算法的分类精度有不同程度的提升,尤其是在基本核分类能力有限的情况下,优化的效果更为明显。最后,针对光谱分辨率提升导致的光谱特征间耦合度强且波段相关性大的问题,从优化样本特征的角度,提出了一种基于马氏距离的多核学习算法。将马氏距离度量学习与多核学习相结合,通过学习一个马氏距离矩阵,从而将样本映射到一个更加适合于分类操作的特征空间,在去除特征之间的耦合关系,并消除尺度影响的同时,强化样本特征与同类样本之间的关系,以达到优化样本特征的目的。实验证明,与使用欧式距离核函数的多核学习方法相比,马氏距离多核学习算法具有更高的分类精度,并且通过对同类样本的内聚作用,减少了支持向量个数,缩短了分类器的训练时间和测试时间。
【学位单位】：哈尔滨工业大学
【学位级别】：博士
【学位年份】：2019
【中图分类】：TP751;TP181
【部分图文】：
日采集于美国印第安纳西北部的 Indian Pines 区域，既包含农业用地又包含森林用地。原始图像数据的空间尺寸为 145×145 个像素，空间分辨率为 20m。图像包含 224 个光谱波段，覆盖 0.4μm-2.4μm 的电磁波谱范围。去除 4 个低信噪比的波段和 20 个水吸收带，共有 200 个波段用于研究。该图像中的地物包含16 类，每种类别包含的像素数从 20 到 2468 不等，由于像素数比波段数少，因此去掉了苜蓿、牧草、燕麦和石钢塔等四个样本数非常少的类别，选取 12 类地物用于研究。由第 50、27、17 波段组成的假彩色合成图像及地物类别填图如图2-2 所示。（2）University of Pavia 数据集：该组数据由反射光学系统成像光谱仪（ROSIS-3）传感器在 2002 年 7 月 8 日采集于意大利的帕维亚大学。这组数据覆盖 0.43μm-0.86μm 的电磁波谱范围，共有 115 个波段，覆盖了可见光和近红外波段。去除 12 个噪声波段后，保留 103 个波段用于研究。该图像数据空间尺寸为 610×340 像素，1.3m 的空间分辨率，共包含 9 类地物类别，每类地物的标记像素数均超过 1000 个。由其中三个波段组成的假彩色图像及地物类别填图如图 2-3 所示。
图 2-3 University of Pavia 数据集的假彩色合成图及地物真实图Fig.2-3 False color image and ground truth map of University of Pavia data set上述两个数据集是高光谱遥感分析中常用的数据集，从地物类型上看盖了农作物和城市两类主要应用，具有一定代表性，反映了主要遥感应种环境条件。表 2-1 给出了两个数据集的详细数据描述，包括每种类别代表的地物每类样本的数量。表 2-1 Indian Pines 及 Pavia University 数据描述Table2-1 Indian Pines and Pavia University data descriptionIndian Pines Pavia University类别 数量 类别 数量C1-免耕玉米 1434 C1–柏油路面 6852C2-少耕玉米 834 C2-草地 18686C3-玉米 234 C3-砂砾屋顶 2207C4-草地/牧草 497 C4-树木 3436C5-草地/树木 747 C5-金属屋顶 1378C6-干草料堆 489 C6-裸露土地 5104C7-少耕大豆 968 C7-沥青屋顶 1356
第 3 章 基于理想核优化的高光谱图像分类RMKL 等算法要长，但比 NMF-MKL 算法和 SimpleMKL 算法时间稍短。从总运行时间上看，各种方法的总运行时间随训练样本数量增加有一定的增长，但主要还是由于训练时间增加，测试时间增长不明显。由于 Stack-SVM不涉及大量的多核矩阵计算，因此测试时间较短，其余多核学习算法总运行时间则基本相同。所提出的 IKMKL-LP 和 IKMKL-Sparse 算法的训练时间和总运行时间处于对比算法的中等水平。
【参考文献】
本文编号：2854346
【学位单位】：哈尔滨工业大学
【学位级别】：博士
【学位年份】：2019
【中图分类】：TP751;TP181
【部分图文】：
日采集于美国印第安纳西北部的 Indian Pines 区域，既包含农业用地又包含森林用地。原始图像数据的空间尺寸为 145×145 个像素，空间分辨率为 20m。图像包含 224 个光谱波段，覆盖 0.4μm-2.4μm 的电磁波谱范围。去除 4 个低信噪比的波段和 20 个水吸收带，共有 200 个波段用于研究。该图像中的地物包含16 类，每种类别包含的像素数从 20 到 2468 不等，由于像素数比波段数少，因此去掉了苜蓿、牧草、燕麦和石钢塔等四个样本数非常少的类别，选取 12 类地物用于研究。由第 50、27、17 波段组成的假彩色合成图像及地物类别填图如图2-2 所示。（2）University of Pavia 数据集：该组数据由反射光学系统成像光谱仪（ROSIS-3）传感器在 2002 年 7 月 8 日采集于意大利的帕维亚大学。这组数据覆盖 0.43μm-0.86μm 的电磁波谱范围，共有 115 个波段，覆盖了可见光和近红外波段。去除 12 个噪声波段后，保留 103 个波段用于研究。该图像数据空间尺寸为 610×340 像素，1.3m 的空间分辨率，共包含 9 类地物类别，每类地物的标记像素数均超过 1000 个。由其中三个波段组成的假彩色图像及地物类别填图如图 2-3 所示。
图 2-3 University of Pavia 数据集的假彩色合成图及地物真实图Fig.2-3 False color image and ground truth map of University of Pavia data set上述两个数据集是高光谱遥感分析中常用的数据集，从地物类型上看盖了农作物和城市两类主要应用，具有一定代表性，反映了主要遥感应种环境条件。表 2-1 给出了两个数据集的详细数据描述，包括每种类别代表的地物每类样本的数量。表 2-1 Indian Pines 及 Pavia University 数据描述Table2-1 Indian Pines and Pavia University data descriptionIndian Pines Pavia University类别 数量 类别 数量C1-免耕玉米 1434 C1–柏油路面 6852C2-少耕玉米 834 C2-草地 18686C3-玉米 234 C3-砂砾屋顶 2207C4-草地/牧草 497 C4-树木 3436C5-草地/树木 747 C5-金属屋顶 1378C6-干草料堆 489 C6-裸露土地 5104C7-少耕大豆 968 C7-沥青屋顶 1356
第 3 章 基于理想核优化的高光谱图像分类RMKL 等算法要长，但比 NMF-MKL 算法和 SimpleMKL 算法时间稍短。从总运行时间上看，各种方法的总运行时间随训练样本数量增加有一定的增长，但主要还是由于训练时间增加，测试时间增长不明显。由于 Stack-SVM不涉及大量的多核矩阵计算，因此测试时间较短，其余多核学习算法总运行时间则基本相同。所提出的 IKMKL-LP 和 IKMKL-Sparse 算法的训练时间和总运行时间处于对比算法的中等水平。
【参考文献】
相关期刊论文 前10条
1 张小东;王茂芝;侯毅;;基于烃微渗漏的航空高光谱遥感蚀变信息提取[J];科学技术与工程;2015年03期
2 沈媛媛;严严;王菡子;;有监督的距离度量学习算法研究进展[J];自动化学报;2014年12期
3 余旭初;谭熊;付琼莹;王蔚涛;;联合纹理和光谱特征的高光谱影像多核分类方法[J];测绘通报;2014年09期
4 何进荣;丁立新;胡庆辉;李照奎;;高维数据空间的性质及度量选择[J];计算机科学;2014年03期
5 刘庆杰;荆林海;王梦飞;蔺启忠;;基于克隆选择支持向量机高光谱遥感影像分类技术[J];光谱学与光谱分析;2013年03期
6 华晔;张涛;奚后玮;王玉斐;黄秀丽;;基于决策树的高光谱遥感影像分类方法研究[J];计算机技术与发展;2012年06期
7 王娜;刘国胜;李霞;;基于成对约束半监督学习的数据相关核优化方法[J];模式识别与人工智能;2011年05期
8 汪洪桥;孙富春;蔡艳宁;陈宁;丁林阁;;多核学习方法[J];自动化学报;2010年08期
9 梅锋;赵春晖;孙岩;王立国;;基于新型光谱相似度量核的高光谱异常检测算法[J];光子学报;2009年12期
10 赵春晖;刘凡;;基于改进自组织竞争神经网络的高光谱图像分类[J];应用科技;2009年08期
本文编号：2854346
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2854346.html
