高光谱图像稀疏流形学习方法研究

发布时间：2017-12-16 19:30

  本文关键词：高光谱图像稀疏流形学习方法研究

  更多相关文章： 高光谱图像 地物分类 特征提取 稀疏流形学习 图嵌入

【摘要】：高光谱图像是由成像光谱仪记录地物对电磁波的反射值而获取,包含从可见光到近红外范围内的数十上百个连续且狭窄的波段。高光谱图像光谱分辨率高,可辨识细微差异的地物,目前已广泛应用于环境监测、精准农业、目标识别和地物分类等领域。在高光谱图像分类中,传统分类方法因数据量大、波段数多、波段间的相关性强而导致“维数灾难”。因此,如何减少波段数且不丢失有用信息是目前高光谱图像分类领域的研究前沿与热点。特征提取是减少高光谱图像波段数的有效方法,能获得有用的内在信息,可有效改善分类结果。论文在流形学习、图嵌入和稀疏表示等理论的基础上,重点开展了基于稀疏流形学习的高光谱图像特征提取方法研究。主要研究工作如下:(1)根据高光谱图像的特点及其面临的挑战,引出特征提取在高光谱图像分类中的优势。然后系统地介绍了高光谱图像的特征提取和分类方法,并回顾了特征提取和分类方法的发展历程。重点介绍了流形学习、图嵌入和稀疏表示的基本原理和相关方法,为论文奠定了坚实的理论基础。最后总结了高光谱图像分类的精度评价指标和常用的高光谱数据集。(2)深入研究了基于流形学习的高光谱图像特征提取方法。通过对流形学习方法的分析,引出图嵌入框架,并详细分析了该框架下的边界Fisher分析(MFA)算法。针对MFA不能有效表达具有大量同质区域的高光谱图像内在结构的问题,提出局部几何结构Fisher分析(LGSFA)算法。LGSFA利用数据的邻域和各邻域的类内重构点来揭示高光谱图像的内在流形结构,增强了特征的表达性能。在Salinas和Indian Pines高光谱数据集上展示了LGSFA算法的有效性。(3)研究了基于稀疏表示的高光谱图像特征提取方法。对于图嵌入框架在构图时面临近邻选取困难的问题,提出稀疏保持分析(SPA)算法。SPA根据稀疏表示的自然鉴别力,能自适应地揭示出数据间的相似关系,并通过稀疏系数构建稀疏图,提取出更有效的鉴别特征。针对PaviaU和Urban高光谱数据的分类实验,SPA比其他相关方法具有更好的分类结果。在SPA的基础上,根据高光谱数据的类别信息,提出稀疏鉴别学习(SDL)算法。SDL通过稀疏表示揭示出数据间的相似性,构建类内稀疏图和类间稀疏图,并增强同类数据的相似权值,进而改善非同类数据间的可分性。在Indian Pines和Urban高光谱数据集上的分类结果表明,SDL能更好地表征数据的内在属性,提升分类精度。(4)根据流形学习和稀疏表示,开展了稀疏流形学习方面的研究。根据稀疏流形编码具有自适应地选取来自同一流形数据的特点,提出稀疏流形嵌入(SME)算法。SME通过构建稀疏流形图来揭示出数据的稀疏流形结构,进而有效地表达数据的内在特性。结合高光谱图像的类别信息,提出稀疏鉴别流形嵌入(SDME)算法。SDME增强了同类数据的聚集性,提取出更有效的鉴别特征。在Indian Pines和PaviaU高光谱数据集上的实验结果表明,SME和SDME比相关方法具有更好的分类精度。为同时利用高光谱数据的标记样本和无标记样本,结合稀疏流形编码,提出半监督稀疏流形鉴别分析(S3MDA)算法。S3MDA利用标记样本和无标记样本的稀疏系数分别构建了类内图、类间图和非监督图,在低维空间中,聚集类内图的特性,分离类间图的特征,同时聚集非监督图的相似性,进而得到更好的低维特征。对于PaviaU和Salinas高光谱数据集的分类实验,与其他特征提取方法相比,S3MDA能得到更好的分类精度。综上所述,论文主要开展了高光谱图像特征提取方法的研究,在流形学习、图嵌入和稀疏表示的基础上,逐步深入地构建了基于流形学习、稀疏表示和稀疏流形学习的高光谱图像特征提取方法,并通过高光谱数据集对各方法的有效性进行了验证。
【学位授予单位】：重庆大学
【学位级别】：博士
【学位授予年份】：2016
【分类号】：TP751

【参考文献】

中国期刊全文数据库 前10条

1 杜培军;夏俊士;薛朝辉;谭琨;苏红军;鲍蕊;;高光谱遥感影像分类研究进展[J];遥感学报;2016年02期

2 漆成莉;顾明剑;胡秀清;吴春强;;风云三号卫星红外高光谱探测技术及潜在应用[J];气象科技进展;2016年01期

3 李志忠;汪大明;刘德长;刘银年;赵慧洁;党福星;;高光谱遥感技术及资源勘查应用进展[J];地球科学(中国地质大学学报);2015年08期

4 曹福成;;高分系列遥感卫星 布设中国太空“慧眼”——我国高分专项建设回眸[J];中国军转民;2015年01期

5 史剑民;胡秀清;徐文斌;郑小兵;;风云三号B星中分辨率光谱成像仪响应衰变分析[J];大气与环境光学学报;2014年05期

6 崔毅;危峻;汤瑜瑜;马亮;;适用于推扫式成像光谱仪的CCD拖尾扣除方法[J];光谱学与光谱分析;2014年07期

7 孙伟伟;刘春;施蓓琦;李巍岳;;面向高光谱影像分类的改进局部切空间排列降维[J];同济大学学报(自然科学版);2014年01期

8 杜博;张乐飞;张良培;胡文斌;;高光谱图像降维的判别流形学习方法[J];光子学报;2013年03期

9 魏峰;何明一;梅少辉;;空间一致性邻域保留嵌入的高光谱数据特征提取[J];红外与激光工程;2012年05期

10 王立志;黄鸿;冯海亮;;基于SSMFA与kNNS算法的高光谱遥感影像分类[J];电子学报;2012年04期

中国重要会议论文全文数据库 前1条

1 方抗美;;模块化机载成像光谱仪光学系统[A];第六届成像光谱技术与应用研讨会文集[C];2006年

中国博士学位论文全文数据库 前10条

1 叶珍;高光谱图像特征提取与分类算法研究[D];西北工业大学;2015年

2 秦振涛;基于稀疏表示及字典学习遥感图像处理关键技术研究[D];成都理工大学;2015年

3 孙博良;在线半监督学习理论、算法与应用研究[D];国防科学技术大学;2014年

4 高阳;高光谱数据降维算法研究[D];中国矿业大学;2013年

5 宋相法;基于稀疏表示和集成学习的若干分类问题研究[D];西安电子科技大学;2013年

6 高恒振;高光谱遥感图像分类技术研究[D];国防科学技术大学;2011年

7 马丽;基于流形学习算法的高光谱图像分类和异常检测[D];华中科技大学;2010年

8 陈进;高光谱图像分类方法研究[D];国防科学技术大学;2010年

9 冯海亮;流形学习算法在人脸识别中的应用研究[D];重庆大学;2008年

10 李波;基于流形学习的特征提取方法及其应用研究[D];中国科学技术大学;2008年

中国硕士学位论文全文数据库 前2条

1 王小攀;基于图的高光谱遥感数据半监督分类算法研究[D];中国地质大学;2014年

2 路威;全色遥感影像面状地物半自动提取方法的研究[D];中国人民解放军信息工程大学;2002年

，

本文编号：1297211