高光谱遥感影像空谱联合分类方法研究

• 作 者: 李铁
• 机 构: 辽宁工程技术大学
• 出 处: 辽宁工程技术大学
• 发表日期: 2019年01期
• 关键词: 高光谱影像 遥感 降维 特征提取 分类

高光谱影像对比其他遥感影像,不仅包含丰富的地面图像信息,而且包含丰富的地物光谱信息。这种图谱合一的优点,使用高光谱影像进行更高精度的影像分类成为可能。然而,高光谱影像高维、波段相关性大、噪声以及独特的非线性特征,给高光谱遥感影像分析与分类带来了巨大的挑战。传统的高光谱遥感影像分类方法都是建立在仅仅分析影像的像素光谱信息,而没有考虑影像中包含的丰富空间信息,如空间结构信息、像素位置和距离信息等。近期的研究现状表明:联合光谱和空间信息的高光谱影像分类方法可以进一步提高影像的分类精度,获取包含更多同质区域的影像分类图,满足制图生产的需要。本文以联合光谱和空间信息的高光谱影像分类为主线,研究如何提取和使用高光谱影像中包含的丰富空间信息,以光谱特征为主,以空间特征为辅,将光谱特征与空间特征（包含形状特征,纹理特征）进行多特征融合,将融合后的特征作为分类器的输入,结合深度学习的分类器模型（如卷积神经网络,深度置信网络等）方法充分利用像素的光谱信息,发展了联合光谱和空间信息的高光谱影像分类方法,取得了一定的成果。（1）针对高光谱影像分类过程中,光谱维数高、波段间相关性强的特点,运用统计学理论和优化理论,开展高光谱影像降维方法的研究,提出了基于连接相关矩阵的高光谱影像降维方法,该方法利用标签信息避免了在邻接图构建中难以确定邻域大小的问题,同时采用更能反映高维数据间相关性的统计特征量相关系数来衡量数据间的相似程度,构建连接相关矩阵,寻找最优投影方向,实现数据降维。该方法既保持类内数据的几何结构,又最大化类间距离,在低维空间中增加了类间可分性。而且该方法不依赖任何参数和先验知识。在标准的高光谱影像数据集上的实验结果表明,该降维方法增加了不同光谱特征地物之间的可分性,在提高分类性能上明显优于其他传统的降维方法。（2）针对高光谱影像独特的非线性数据结构、空间同质性和异质性问题,运用统计学理论和集合理论,开展高光谱影像特征提取方法的研究,提出了基于纹理特征与空间形状特征的高光谱遥感影像空谱特征提取方法。采用基于连接相关矩阵的降维方法降维后,得到的主成分分量,前者采用以待分类像素为中心的小窗口内计算归一化中心矩通过映射函数得到纹理特征,后者对主成分分量计算形态学属性剖面,以待分类像素为中心的小窗口内取本身及邻域像素的形态学属性剖面构成特征张量,得到的融合特征可以更有效的描述样本,为后续准确分类奠定基础。在标准的高光谱影像数据集上的实验结果表明,该特征提取方法提取的特征具有更强的判别性能,而且计算复杂度低以及分类精度高等优势。（3）针对现有的分类方法没有充分利用上下文的空间信息,提取的特征对邻域内的噪声像素比较敏感,造成分类精度的不稳定问题,提出一种基于联合协同表示（JCR）与纹理特征的决策融合分类方法。首先采用联合协同表示模型对样本与字典进行多元素分解并分别进行相应的协同表示,自适应的学习多元素的残差权重并进行线性加权。其次用灰度共生矩阵计算出的统计特征量来训练多类SVM分类器。最后建立一种乘法融合规则将JCR与SVM相结合。在标准的高光谱影像数据集上的实验结果表明该方法比其他方法具有更好的性能。（4）针对高光谱影像分类中大多数方法提取浅层特征导致分类精度不高的问题,运用机器学习和深度学习的理论,开展高光谱影像分类方法的研究,提出了基于核函数的光谱及纹理融合特征分类方法、基于卷积神经网络的属性剖面空间特征分类方法、基于空谱联合的高光谱遥感影像分类方法。采用新的核函数的支持向量机、卷积神经网络、深度置信网络的分类架构,构建多层深度神经网络模型,将得到的空谱融合特征进行分类,从而提高了高光谱影像的分类精度。在标准的高光谱影像数据集上的实验结果表明,提出的模型能够获得快速和高精度的分类效果,优于目前高光谱影像处理中一些流行的分类算法。该论文有图49幅,表27个,参考文献165篇。