论文部分内容阅读
随着科学技术的飞速发展以及人类处理数据能力的不断加强,高光谱图像处理已经成为图像处理技术中最受关注的领域之一。高光谱遥感影像图像包含大量的空间信息和光谱信息,具有很高的光谱分辨率和空间分辨率。光谱信息决定了地物的谱特性,空间信息决定了地物的几何特性,将高光谱图像的光谱信息和空间信息有机的结合起来,有利于对高光谱遥感图像进行分类。因此,充分利用高光谱遥感图像的光谱信息和空间信息进行地物分类已经成为最近的一个研究热点。最近,稀疏表示在模式识别、信号处理和图像处理等领域都取得了不错的成绩。本文围绕着稀疏表示理论的相关方法对高光谱遥感图像分类的相关问题进行探讨和研究,旨在搜索稀疏概念在高光谱遥感图像分类问题中的理论背景和具体应用,并对稀疏表示框架进行了改进。具体研究内容如下:(1)提出了一种基于半监督局部保留降维和改进的联合协同表示相结合的分类方法。首先,对每两类训练样本求得一个投影矩阵,该投影矩阵使得每两类样本之间同类的距离尽量小,不同类的距离尽量大,这样每两类之间都可以得到一个投影矩阵。在分类时,通过每两类样本的投影矩阵,我们可以判断测试样本和哪一类距离更接近,统计这些信息,我们可以得到测试样本的类别。在Indian Pines和Salinas-A高光谱数据库上进行实验,从该算法实验结果可以看出,该算法在高光谱遥感图像上分类的正确率很高。(2)提出了一种基于半监督局部保留线性判别降维算法和改进最近邻分类器相结合的分类算法。该算法的基本思想是结合有标签样本和无标签的样本,得到一个最优的投影子空间,然后通过一个改进的最近邻分类器。先将数据通过得到的投影矩阵进行降维处理,然后用改进的最近邻分类器对测试样本进行分类。在Indian Pines和Kennedy Space Center高光谱数据库上进行了实验,与其他的分类算法相比,我们的算法有着明显的优势。(3)提出了一种基于两阶段非局部相似性联合协同表示分类的算法。首先,该算法利用光谱信息得到每个测试样本一定数目的近邻训练样本,把它作为该测试样本的字典,然后结合测试样本非局部相似性和已求得的字典对测试样本进行非局部相似性表示,最后得到测试样本的类别。我们通过Indian Pines和Kennedy Space Center验证了该算法的性能。