论文部分内容阅读
高光谱遥感技术是上世纪八十年代初发展起来的新兴研究领域,是当前遥感的前沿技术,其图谱合一的特点,大大提高了遥感探测能力。然而,由于针对多光谱数据的常规处理算法存在诸多缺陷,高光谱潜在的地物细分、目标识别能力常难以充分发挥。设计有效的高光谱数据处理算法是近几年模式识别、遥感图像处理、机器学习等领域的一个研究热点。
高光谱数据分类是从遥感影像中提取信息的重要途径之一,大致可以分为两条思路:基于图像数据的统计分类和基于地物物性的匹配分类。前者受高光谱数据高维特性的影响,容易产生Hughes现象;后者必须以拥有实用的光谱库和图像光谱的高精度重建为前提,实际可操作性差。
从图像中获取参考光谱可以避免光谱精纠正和对光谱库的依赖。一个常用的方法是计算每类训练样区的平均光谱,这样虽然简单易行,却多少有些盲目。平均光谱只是一个统计参数,没有考虑到类别在特征空间中的分布,更没有顾及分类器所需要的信息,因此在某些情况下,利用平均光谱进行匹配只能获得较低的精度。为了改进基于图像光谱的匹配分类算法,本论文引入统计分类的研究思路,从参考光谱筛选、特征加权等几个方面进行突破,获得了令人满意的实验效果。具体创新点如下:
(1)设计了多目标优化匹配方法。以每个训练样本均可成为参考光谱为前提,论文首先提出了三个评价标准:训练样本的匹配精度、参考光谱与同类样本的相似度、异类参考光谱之间的相异性;然后采用多目标遗传算法搜索能使上述三个目标得以优化的Pareto集(参考光谱的备选方案);最后通过层次分析和模糊评价的方法加入主观偏好,选择得分最高的方案,从而为每类地物指定一个训练样本作为参考光谱。论文对多目标优化匹配在两类和多类情境下的运行效果进行了评价,分析其适用条件。另外还提出了两个改进形式,分别用于减少多类分类的运行时间和增加单个目标地物的分类精度。
(2)设计了特征选择/加权环境下的多目标优化匹配方法。高光谱数据波段多,冗余大,在进行某数据集的分类时,分析全波段数据毫不必要。利用少量相关波段,不仅可以加快运行速度、简化分类模式,甚至还可以提高精度。鉴于这种认识,文章将特征选择/加权引入多目标优化匹配方法中,依次实施了基于全局可分性最大化的SEP特征选择、基于类对间可分性最大化的局部SEP特征选择、基于SVM的特征选择/加权、基于样点位置的微观SVM特征加权。随着研究尺度的逐渐细化,波段的利用方式更加灵活,信息得以充分挖掘,匹配精度也明显改善。
(3)设计了光谱匹配组合方法。该方法充分利用参考光谱可选择性大、高光谱数据波段多、光谱相似度函数多的优势,通过变换单个或多个输入要素,生成上百个光谱匹配分类器,然后采用共振法进行筛选,将被保留分类器的结果综合起来。论文实验了多套不同的光谱匹配组合方案,其中某些方案实现了最高最稳的分类精度;此外,论文还对组合效果的影响因素进行了初步分析。
论文最后将新型光谱匹配方法应用于两个案例研究中(冬小麦条锈病识别和OMIS高光谱数据地表覆盖分类),并与决策树和支持向量机的结果进行了对比。结果显示,不同方法的实施效果与具体的分类任务密切有关,新型匹配方法的精度虽然高于常规匹配和决策树方法,但仍落后于强大的支持向量机。