基于多核学习的高光谱图像分类方法研究

• 作 者: 高巍
• 出 处: 哈尔滨工业大学
• 发表日期: 2004年期
• 关键词: 高光谱图像 图像分类 多核学习 度量学习 核方法

高光谱遥感凭借其独特的观测视角和精细化辨别观测对象的能力,成为遥感技术的重大突破和研究热点。然而,光谱和空间分辨率不断提升导致的光谱维度高、波段相关性强,以及外部干扰引发的特征间界限高度非线性等问题,使得分类这一重要且常用的遥感信息获取技术遇到了现实挑战。因此,本文针对高光谱图像分类问题,在多核学习方法的框架下,以充分挖掘样本所包含的内在结构信息和判别性信息为出发点,从多核组合系数优化、核函数结构优化及样本特征优化等不同角度,探索解决高光谱图像分类中的异构特征、类别间界限高度非线性和特征间相关性强等问题的方法。主要研究工作如下:首先,针对高光谱图像空谱联合分类中有效融合异构特征的问题,提出一种基于理想核优化的多核学习框架。通过构建一个包含理想核的目标优化函数,将理想核中蕴含的判别性信息纳入到组合系数寻优过程中。之后,按照挖掘核矩阵所蕴含的样本相似性信息和采用信号处理中信号稀疏表示这两种不同的思路,分别构建并求解优化目标函数。通过空谱联合特征的分类实验表明,所提出的方法能够有效地利用样本中蕴含的判别性信息,从而对基本核进行优化集成,提高了分类精度。其次,针对高光谱图像中类别间界限高度非线性的问题,从多核函数整体结构优化方面入手,提出一种基于自适应核结构的多核学习分类方法。将数据相关核与多核学习相结合,通过挖掘样本信息来进行核结构自适应优化。在对组合核进行保角变换的基础上,通过求解一组合适的膨胀系数,增加位于类间边界处体积元的体积,从而获得一个特征空间结构更优的核函数。通过不同基核条件下的对比实验证明,经过核结构自适应优化后,算法的分类精度有不同程度的提升,尤其是在基本核分类能力有限的情况下,优化的效果更为明显。最后,针对光谱分辨率提升导致的光谱特征间耦合度强且波段相关性大的问题,从优化样本特征的角度,提出了一种基于马氏距离的多核学习算法。将马氏距离度量学习与多核学习相结合,通过学习一个马氏距离矩阵,从而将样本映射到一个更加适合于分类操作的特征空间,在去除特征之间的耦合关系,并消除尺度影响的同时,强化样本特征与同类样本之间的关系,以达到优化样本特征的目的。实验证明,与使用欧式距离核函数的多核学习方法相比,马氏距离多核学习算法具有更高的分类精度,并且通过对同类样本的内聚作用,减少了支持向量个数,缩短了分类器的训练时间和测试时间。