论文部分内容阅读
高光谱图像具有丰富的空间-光谱信息,是地物精准分类的重要依据。但在高光谱图像分类过程中,这种高空间-光谱分辨率会导致数据量大、信息冗余多、分类精度低等问题。因此,在挖掘图像空-谱信息时,探索有效的降维方法,改善分类效果是亟待解决的问题。本文以高光谱图像数据具有非线性结构为切入点,基于流形学习算法揭示高维数据的低维流形结构,通过不同的空-谱融合方式挖掘图像的空-谱信息,对高光谱图像特征提取和分类算法进行了深入研究。具体工作如下:1.提出一种空-谱联合PCA-LPP(SSPCA-LPP)特征提取算法,以解决局部保持投影(LPP)算法对全局结构特性挖掘不足,且未充分利用空间信息的问题。首先,基于空间一致性原理提出空-谱联合距离,衡量像元相似性,选取最优近邻点;然后引入光谱信息散度优化权值矩阵构造方式;最后在LPP算法的优化目标中融入PCA算法的全局结构保持思想,使得低维空间兼具全局线性、局部流形结构保持特性,有效提取鉴别特征,提高分类精度。2.针对SSPCA-LPP算法未利用样本标签信息的不足,从保持流形的局部重构关系不变角度提出一种半监督空-谱近邻保持嵌入(S2NPE)特征提取算法。首先提出加权空-谱联合距离,引入皮尔森系数计算光谱距离,并与空-谱联合距离加权求和,进一步挖掘空-谱信息;然后利用少量标记样本信息和局部近邻关系设置权值,以获得更为有效的鉴别特征,改善分类效果。3.为进一步融合空间-光谱信息,在S2NPE算法的基础上,提出一种二阶段空-谱分类框架。首先,基于S2E算法得到一阶段空-谱分类结果;然后针对简单线性迭代聚类(SLIC)算法在更新聚类中心时易受误分点干扰问题,提出一种邻域选择SLIC算法(NS-SLIC),在聚类中心更新过程中添加选择约束,减小误分点的干扰;最后基于最大投票法将NS-SLIC的聚类结果与S2NPE的分类结果进行二阶段空-谱融合,进一步提高分类精度。在Indian Pines、Pavia University和Salinas数据集上,本文算法能够有效挖掘空-谱信息,实现维数约简,分类精度比传统算法更高。图[25]表[7]参[68]