基于低秩表示的空譜聯(lián)合高光譜圖像分類(lèi)模型與方法.pdf

1、高光譜遙感是近30年以來(lái)獲得迅速發(fā)展的重要地球觀測(cè)技術(shù)之一，其具有納米級(jí)的光譜分辨率，可以提供豐富的圖像和光譜信息。其中，高光譜分類(lèi)是高光譜遙感應(yīng)用中的一個(gè)重要環(huán)節(jié)，目前的分類(lèi)方法主要是通過(guò)更多挖掘光譜信息中包含的空間、輻射和光譜信息來(lái)提高分類(lèi)效果。但是由于高光譜遙感探測(cè)易受天氣影響，高光譜圖像具有數(shù)據(jù)維度高、數(shù)據(jù)規(guī)模較大、光譜分辨率較高但空間分辨率較低等特點(diǎn)，使得高光譜分類(lèi)模型和算法的精度和穩(wěn)定性很難得到保證。
　　本論文以近年

2、來(lái)發(fā)展應(yīng)用較為活躍的低秩表示(Low Rank Representation，LRR)作為基本框架，充分提取高光譜圖像的光譜特征和空間相關(guān)性，運(yùn)用核技巧和多核學(xué)習(xí)框架設(shè)計(jì)空譜聯(lián)合的分類(lèi)模型，基于交替方向迭代算法(Alternating Direction Method ofMultipliers，ADMM)設(shè)計(jì)快速求解算法，并在Matlab GUI上開(kāi)發(fā)實(shí)現(xiàn)高光譜遙感圖像分類(lèi)處理軟件。通過(guò)實(shí)際高光譜圖像的實(shí)驗(yàn)驗(yàn)證了本文模型、方法和軟件系

3、統(tǒng)的有效性。主要內(nèi)容包括:
　　1、提出了基于核低秩表示的高光譜分類(lèi)模型和算法。該方法通過(guò)低秩表示框架對(duì)整幅高光譜圖像做全局相關(guān)性約束，同時(shí)通過(guò)核函數(shù)將傳統(tǒng)線(xiàn)性分類(lèi)器映射為非線(xiàn)性分類(lèi)器，利用核函數(shù)能隱性獲得數(shù)據(jù)高階結(jié)構(gòu)的特點(diǎn)，將高光譜圖像映射到線(xiàn)性可分的高維空間，有效提高了分類(lèi)精度，并利用核技巧避免高維運(yùn)算提高算法運(yùn)行效率。另外，在分析比較經(jīng)典徑向基核函數(shù)（Radial Basis Function，RBF），聯(lián)合空譜相關(guān)性的組合

4、核(Composite Kernel，CK)，均值濾波核(Mean Filtering，MF)和鄰域?yàn)V波核(NeighboringFiltering，NF)的基礎(chǔ)上，給出了基于鄰域?yàn)V波核的核低秩表示高光譜分類(lèi)方法。實(shí)驗(yàn)結(jié)果表明:基于鄰域?yàn)V波核低秩表示的高光譜分類(lèi)模型精度高，尤其適用于小訓(xùn)練樣本情況。
　　2、提出了基于空譜聯(lián)合多核學(xué)習(xí)的低秩表示高光譜分類(lèi)方法。論文針對(duì)核低秩表示分類(lèi)方法中特征尺度單一、而且參數(shù)確定困難的問(wèn)題，基于多

5、核學(xué)習(xí)框架，不僅在光譜維中利用多尺度核魯棒地提取光譜特征，而且在空間維中利用多核學(xué)習(xí)框架充分提取圖像的局部鄰域信息，同時(shí)保持了低秩表示分類(lèi)模型對(duì)高光譜圖像全局特征的刻畫(huà)。針對(duì)高光譜分類(lèi)的特點(diǎn)，論文采用表示多核學(xué)習(xí)算法（Representive MKL，RMKL）作為多核學(xué)習(xí)框架，通過(guò)核矩陣的特征決定要保留的核函數(shù)及其權(quán)重，從而避免了傳統(tǒng)多核學(xué)習(xí)方法中的算法時(shí)間復(fù)雜度高的問(wèn)題。通過(guò)真實(shí)的高光譜數(shù)據(jù)實(shí)驗(yàn)表明，本章方法能夠?qū)崿F(xiàn)魯棒、快速、高精