论文部分内容阅读
遥感图像分类是遥感信息处理与分析领域最经典并持续受到关注的研究方向之一。已提出了许多分类方法，这些方法多针对多类地物的分类，即多类分类方法(multi-class classifiers)。近年来，稀疏表示方法被成功应用于在遥感图像多类分类中，该方法引入竞争机制，且具有自适应等特点，因此获得了比传统方法更好的分类性能。但在很多遥感应用中，往往只对单个或少数类别及其变化信息感兴趣，因此，提出了单类分类方法并运用于此类应用。但是现有的单类分类方法并不多见，且仍存在一些问题。因此，探索新的更有效的单类分类方法并解决相关问题具有重要的意义。本文对稀疏表示方法进行扩展，将其引入到单类分类中并对相关问题进行研究。论文的主要研究工作可以概括为: 1、首先对单类分类和稀疏表示方法进行了综述，为论文的研究提供理论依据。从新方法的提出与改进、遥感图像分类与应用和特征选择三个方面对单类分类进行综述;从稀疏求解算法和遥感图像分类两方面对稀疏表示方法进行概述。最后总结遥感图像单类分类中的一些关键问题。 2、提出了基于稀疏表示的单类分类方法，首先对样本数据进行稀疏表示，通过设置重建残差阈值对目标类别进行数据描述并分类;为提高方法的性能，利用核函数将样本数据从低维映射到高维进行稀疏表示，所获取的高维稀疏向量比原始特征空间的稀疏向量包含更有效的辨别信息;同时，通过对邻域像元进行稀疏表示将空间信息加入单类分类方法中。实验结果表明，与传统单类分类方法相比，所提出的基于稀疏表示的单类分类方法可获得更高的分类精度。 3、提出了基于稀疏表示的特征选择方法，该方法可以分别根据特征的稀疏重建特性和特征间的相关性对所有特征进行排序达到特征选择的目的。该特征选择方法不需要类别信息即可进行特征选择。利用不同类型高维数据的特征选择实验结果表明，基于稀疏表示的特征选择方法结果优于其它对比的特征选择方法。 4、针对具有显著光谱差异的目标地物类别的分类，提出了结构化稀疏表示单类分类方法。该方法将聚类与稀疏表示单类分类方法结合，通过聚类将样本数据分为多个光谱亚类后分别对每个亚类样本进行稀疏表示分类，最后将多个单类分类的结果进行合并。实验结果表明，该方法能有效地对存在显著光谱差异的目标地物进行分类，其分类精度要明显高于现有的分类方法。 5、将基于稀疏表示的单类分类方法扩展到有限的多类分类，使得提取多个不同的目标地物成为可能。通过实验比较分析，该方法能够有效地提取研究区内多个类别，获得比现有方法更高的分类精度。 总之，本论文基于稀疏表示方法，在深入分析了遥感图像单类分类特点的基础上对基于稀疏表示的单类分类方法、特征选择等方面进行了有意义的探索研究。