论文部分内容阅读
虚拟陆地环境是综合自然环境的重要组成部分，在虚拟试验中有着重要的地位。高光谱图像分类技术是构建虚拟陆地环境的重要技术基础。随着高光谱图像（HSI）光谱维度的增多，高光谱图像分类领域出现了光谱数据维度过高、临近空间信息利用不足、椒盐噪声严重的问题，研究如何解决这些问题对虚拟陆地环境构建有着重要的意义。本文利用图像分割技术和稀疏表示分类技术，设计了基于稀疏表示的高光谱图像超像元分类方法，一定程度上解决了空间信息利用粗糙与椒盐噪声严重的问题，提高了分类准确性。 在高光谱图像超像元分割部分，设计了基于主成分加权假彩色合成和颜色直方图驱动的高光谱超像元分割方法（FCC-CHD）。通过主成分加权的假彩色图像存储高光谱信息；再通过颜色直方图驱动函数评价分割水平，最后通过合理的问题转化利用爬山法求解所有的超像元区域，以这种快速准确的优化求解方法最终求得了超像元分割结果。 在高光谱图像超像元稀疏表示部分，设计了基于半监督K-SVD与多尺度稀疏表示方法（SK-MSR）。在该方法中，将无监督K-SVD方法转为更强调类特征的半监督K-SVD字典学习方法；之后通过对矩形区域与超像元区域的光谱-空间信息的融合使用，得到了每个像元稳定准确的稀疏表示。 最后，基于前面研究的超像元分割和稀疏表示方法，提出了完整的基于稀疏表示的高光谱图像超像元分类方法，该方法通过先超像元分割、后稀疏表示的方法融合了FCC-CHD和SK-MSR两方法，再通过残差分类与超像元投票得到了最终分类结果。并且通过对该方法全面的验证实验证实了：通过合理的设计，FCC-CHD和SK-MSR方法可以提升多种分类方法的性能，并且本文完整的基于稀疏表示的高光谱图像超像元分类方法在不同类型地物上分类性能最为优异稳定，可以满足复杂虚拟陆地环境的需求。