基于光谱和空间信息的高光谱图像分类

发布时间：2017-12-14 12:06

  本文关键词：基于光谱和空间信息的高光谱图像分类

  更多相关文章： 高光谱图像 特征提取 空间和光谱信息分类 支持向量机 形态分布 噪声分析

【摘要】：本文通过空间和光谱信息相结合的方法研究高光谱遥感图像的分类问题。高光谱图像可由机载或者星载平台的高光谱成像系统获取,可用于鉴别不同地物并获得不同目标(比如建筑物、水体、道路、农田、阴影等)的几何特性。然而为了实现高光谱数据的实际应用,需要建立一种有效且高效率的数据分析技术。本文主要研究高光谱遥感图像的分类问题,它是很多有关环境监测和目标检测应用的基础。图像分类是根据各自在图像信息中所反映的不同特征,把不同类别的目标区分开来的图像处理方法。然而,传统的分类技术很难适用于具有巨大数据量的高光谱图像,使分类技术面临着新的挑战。近年来提出的空间和光谱信息相结合的方法,能够有效的从高光谱图像中提取有用信息。本文针对高光谱图像,提出几种新的基于空间和光谱信息的分类方法,能自动地从高光谱图像中提取有用的信息。此外,本文所提出的新的分类算法对很多高光谱遥感应用中普遍存在的有限训练样本和观测噪声问题也有针对性考虑。本文的主要研究工作和创新性贡献如下:(1)用于有噪声高光谱图像分类的线性特征提取方法的对比性研究。由于数据量庞大,高光谱图像处理通常是比较耗时的。现在许多应用领域对高光谱图像处理提出了实时性要求。本文实现并系统地比较了针对具有几种典型噪声的高光谱图像的基于线性特征提取的分类方法,比较了不同的基于线性特征提取的分类方法的性能和相应的计算量。在实际应用中,高光谱相机的周围环境会随时间变化,所以高光谱图像会被不同的噪声污染。为了模拟这种实际情况,将椒盐噪声、高斯噪声、斑点噪声及其混合噪声人为地添加到高光谱图像中。并采用支持向量机的分类结果来衡量分类性能。实验结果有助于为有噪高光谱图像的分类选择合适的线性特征提取方法。实验结果表明,无论信噪比如何,在分类之前采用偏最小二乘和偏最小二乘-SB的特征提取方法会使得分类结果最优。此外,当信噪比较低的时候,例如达到最小值,在分类之前采用主成分分析的特征提取会使得分类结果最优。采用特征提取会减少分类阶段的时间,采用最大噪声分量作为特征提取方法的分类算法速度最快。实验结果也表明有噪高光谱图像在分类前采用线性特征提取方法能够有效提高分类精度。(2)改进了具有对偶性的扩展形态轮廓特征。提出了用于高光谱图像分类的具有对偶性的扩展形态轮廓(EMPD)特征,与传统的形态轮廓特征EMP方法相比,该方法能有效降低形状噪声,从而获得更高的分类精度。此外,将线性滤波技术和支持向量机分类器相结合,用于高光谱图像分类,通过对城市数据集的实验表明,能够进一步提高分类精度。对空间信息和光谱信息分别单独地和合并地进行了检验。在维度和冗余方面,通过非参数监督特征提取技术(NSFETs)中的的判别边界特征提取方法和非参数权重特征提取方法,对具有对偶性的扩展形态轮廓(EMPD)特征提取方法进行了深入研究。在使用SVM进行分类之前,对训练和测试样本进行线性滤波能够从很大程度上提高分类精度。而且,滤波也可以改善分类结果图,特别是数据集比较集中时,滤波之后的分类结果图阴影更加明显。除此之外,考虑到噪声对于NSFETs的影响,所以建议在严苛的环境下应该避免使用(3)提出了针对高光谱图像分类中超小训练样本分析的过拟合支持向量机标记法和骨架化标记选择法。本文提出了两种针对高光谱图像分类问题中超小样本分析的新方法:过拟合支持向量机标记选择法和骨架化标记选择法。标记指可以表示某一特定类的最可靠的像素。两种方法适用于分类问题中的超小训练样本分析,极端情况是高光谱图像的一类中只有一个训练样本。此外,通过空间和光谱信息相结合的非参数监督特征提取的方法,甚至在超小训练样本情况下也可以获得更好的分类精度。对每一类具有1-10个训练样本的情况,采用非参数权重特征提取的方法可取得更好的分类精度。实验表明,在超小样本分析中,使用上述标记选择方法可以得到合理有效的分类图(即使训练样本很少)。(4)提出了基于空间-光谱信息的迭代支持向量机分类方法。针对有限训练样本和随机训练样本导致误分问题的情况,提出了一种基于空间-光谱信息的迭代支持向量机分类方法(ISVM)。为了提高迭代支持向量机的分类精度,在每次迭代中,使用多数表决算法和标记图校正方法来校正训练样本。采用AVIRIS Indian Pine高光谱图像数据的实验结果表明,ISVM方法在小样本情况下,与SVM-RBF、线性SVM、K-NN等分类器相比,能够获得更好的分类精度。
【学位授予单位】：西北工业大学
【学位级别】：博士
【学位授予年份】：2016
【分类号】：TP751
，

本文编号：1287814