论文部分内容阅读
由于高维和高空间分辨率两个关键因素的影响,使高光谱图像分类成为了一项极具挑战性的任务,而通过组合空间域和光谱域的特征信息可以很好的解决这些问题。本文通过对高光谱图像光谱和空间特征的深入研究,提出了一种有效的基于空谱特征学习的高光谱图像分类框架。首先,我们提出了一种基于加权平均融合的光谱特征学习方法对原始的高光谱数据进行光谱特征提取。在对所有的光谱频带进行加权后,将它们划分成多个子集,并对这些子集中的频带通过平均进行融合。这是一种简单并快速有效的光谱特征降维方法。其次,提出了两种基于空间特征学习的方法对融合后的频带进行空间特征提取,即在分类过程中整合空间背景信息,它们分别是基于反射恢复和基于全变分结构提取的方法。在基于反射恢复的方法中,我们使用局部邻域约束来恢复高光谱图像的本征反射特征,而对于表示邻域属性信息的关系矩阵,我们提出利用域变换对其进行求解来有效降低算法的运行时间。在基于全变分结构提取的方法中,我们提出了一种基于二尺度分解的相对全变分方法来提取高光谱图像的结构特征,通过结合基本层的尺度信息在细节层上进行结构提取可以使结构和纹理噪声的分离更加彻底。另外,我们也提出了一种新颖的全变分扩散函数,在具有较快扩散速率的同时可以保存图像结构信息。然后,最近理论结果表明优化间隔分布比最大化最小间隔拥有更好的推广能力,因此我们使用大间隔分布机代替支持向量机作为分类器将对学习到的空谱特征进行分类。由于大间隔分布机本质上是一个二分类器,为了将其应用到高光谱图像分类中,我们采用了“一对一”的方法将其改进为多分类器。最后,本文通过大量的实验(选取了3个高光谱数据集、使用了4种质量评价指标、对比了6种高光谱图像分类算法)证明了我们的分类框架的优越性,同时我们也对相关参数的设置进行了详细分析。另外,通过使用提出的空谱特征学习方法,大间隔分类机可以获得更高的分类精度,进一步说明了我们提出的空谱特征学习算法的有效性。