论文部分内容阅读
高光谱图像是非传统图像的重要组成部分，因其无损伤性，超分辨率，高精准性，逐步成为各个领域的研究热点。高光谱图像的研究涉及到高光谱图像分类，高光谱图像解混及高光谱图像切割等问题。作为高光谱图像对象分离的两个子问题-高光谱图像分类及解混已经受到越来越多研究学者的重视。传统的高光谱分类及解混的研究方法面临着纹理精细，数据稀疏，先验缺失，光谱密集，数据高维度，光谱相关性强等挑战，因此，本文围绕上述的挑战，分别对高光谱图像分类和解混展开了深入研究，主要工作与贡献包含如下四个方面: 1)针对高光谱图像分类中的光谱密集复杂和光谱相关性强的问题，提出了基于多类SVM(Support Vector Machine)向前特征选择算法。信息足数目小的光谱子集是基于光谱特征的高光谱分类问题中的关键，也是影响高光谱图像分类器性能的重要因素。该方法通过评估SVM分类过程中权重系数的稳定性，采取向前的wrapper特征选择策略，实现高效的高光谱图像的光谱特征选择。实验结果表明，该方法在ROC，CS，准确率等考察指标上性能良好。 2)针对高光谱图像分类中纹理精细和数据维度高的问题，提出了基于局部响应模式的图像分类框架。图像纹理是高光谱图像的基础结构信息，是高光谱图像分类的基础环节。该方法包括的纹理提取，高光谱图像表示，数据降维三大步骤，结合高光谱图纹理复杂及微观性，高光谱波长的相关性，高光谱图像数据降维的一致性因素，为分类器提供优秀的输入特征。通过实验表明，该框架可以在图像纹理复杂等条件限制下，取得良好的分类结果。 3)针对高光谱图像解混中先验知识缺失和数据信噪比低等问题，提出了基于无限高斯混合模型的无监督解混方法。无限高斯混合模型既可以描述噪声模型，又可以弥补部分先验知识。该方法使用无限高斯模型对噪声模型，端元分布，丰度分布进行描述，采用多种采样方法对模型的样本，参数及超参数进行评估，有效地对限制条件下的高光谱图像进行解混。实验结果表明，该方法在R2，RMSE，信噪比评估等指标都表现较好。 4)针对高光谱图像解混中数据稀疏等问题，提出了基于非负矩阵分解的稀疏解混方法。非负矩阵分解通过在目标函数中添加多种约束，可以保证分解后的矩阵满足约束要求。该方法在非负矩阵分解的基础上，引入图关系和稀疏正则项等约束，使用Two-block策略进行迭代优化求解。实验结果表明，该方法在数据稀疏情况下可以对高光谱图像进行有效分离。