论文部分内容阅读
高光谱遥感是将目标探测技术与光谱成像技术相结合的多维地物信息获取技术,可以同时获取描述地物分布的二维空间信息与描述地物光谱特征属性的一维光谱信息。随着光谱分辨率的不断增加,人们对地物光谱特征的认知能力也不断深入,许多隐藏在狭窄光谱范围内的地物特性逐渐被人们所发现。“端元”为高光谱数据中可以详尽表示待测地物光谱属性的纯像素,获得的端元向量通常作为高光谱图像处理算法的先验知识,因此得到的端元向量是否可以突出地反映待研究地物的光谱属性信息,对其他高光谱算法的处理精度起到极其重要的作用。相对于多光谱遥感而言,高光谱遥感具有更加丰富的地物光谱信息,可以详尽地反映待测地物细微的光谱属性,其较宽的波谱覆盖范围使得在高光谱数据处理时,可以根据需要选择特定的波段来突显地物特征,为高光谱数据处理算法提供更多的地物原始数据,使地物光谱信息的精确处理与分析成为可能。但是由于高光谱图像具有较高的数据维数,使常规的图像处理方法在处理高光谱图像时有较大的限制。为此本文从分析基本高光谱遥感图像处理理论和现有算法及相关学科技术入手,重点研究了高光谱遥感图像的特征降维、端元提取以及分类处理方法。在特征降维方面,当训练样本较少时,高光谱数据的分类精度受到严重的影响。通常解决这种现象的办法是对原始数据进行特征降维处理,然而多数特征降维算法无法直接给出最优降维特征数。为此提出利用蒙特卡罗随机实验可以对特征参量进行统计估计的特性,计算高光谱图像的最优降维波段数,并与相关向量机结合,对降维后的数据进行分类。实验结果表明了使用蒙特卡罗算法求解降维波段数的可靠性。相比较原始未降维数据,高光谱图像经过蒙特卡罗特征降维算法处理后,分类精度有较大幅度的提高。在高光谱端元提取方面,通过对各种算法的分析,主要研究端元提取效果较好的N-FINDR算法。然而样本的排序对该算法的端元提取会造成一定影响,并且传统N-FINDR算法需要根据端元的个数进行降维处理,从而限制了该算法的应用。实际高光谱数据中存在的同一地物在高维空间中非紧密团聚现象也对端元提取增加了难度。为此提出改进的算法停机准则和数据特征预处理方法,并使用支持向量机对提取到的端元进行二次提取。实验结果表明,改进的停机准则进一步增加了由端元向量组组成的凸体体积。数据特征预处理和基于支持向量机的二次端元提取分别提升了数据的可分性和提取到端元的精度。在高光谱图像分类方面,模糊C-均值聚类算法因算法简单、收敛速度快等优点受到广泛的关注。然而由于高光谱数据的维数较高,其光谱波段的非线性特性使得传统模糊C-均值聚类算法无法在原始空间得到较好的聚类结果。另外,模糊C-均值聚类算法在计算聚类中心时,仅使用了各样本对聚类中心的隶属度,忽略了样本之间固有存在的空间分布特征。为此提出了模糊核加权C-均值聚类算法,在计算模糊核聚类中心时,根据样本的空间分布特征,为每个样本分配不同的权值,使得每个核聚类中心随着样本的不同而各有不同。标准数据和实际高光谱数据的实验结果均表明,相比较传统模糊C-均值聚类算法,模糊核加权C-均值聚类算法在总体分类精度上有较大的提高。支持向量机被广泛使用在高光谱数据分类中,使用传统支持向量机对高光谱图像进行分类时,认定每个特征波段拥有相同的权值。然而在小样本高光谱图像分类中,由于冗余波段的影响,极容易造成“维数灾难”现象,使得分类精度严重下降。为此提出两种特征加权支持向量机以消除“维数灾难”现象,提高高光谱图像分类的精度:1)ReliefF特征加权支持向量机(RSVM),2)模糊ReliefF特征加权支持向量机(FRSVM)。实验选取玉米种子图像和公开使用的高光谱数据图像作为实验数据。相对比传统支持向量机,提出的两种加权算法均提高了高光谱图像分类的精度,并且降低了“维数灾难”的影响。