论文部分内容阅读
随着高分辨率遥感卫星Quick Bird、IKONOS等数据广泛的应用以及近年来我国“高分一号”与“高分二号”卫星的陆续成功发射,对地观测已进入了全新的高分辨率时代。高分辨率遥感影像应用需求不断增加,对高分辨率遥感影像处理能力的要求也日益提高。然而,目前高分辨率遥感影像处理的自动化程度偏低,需要解决高分辨率遥感影像自动分类中的一些关键技术问题,对于充分发挥高分辨率遥感影像数据的应用效能具有重要的应用价值。面向对象图像分类已经成为高分辨率遥感影像处理中最重要的方法之一。为了充分利用高分辨率遥感影像精细的纹理结构信息,往往提取光谱、形状、纹理结构等各种特征表达影像对象,在面向对象分类中,这将引起特征维数偏高,容易出现维数灾难,对高维特征进行降维是解决问题的一个切实可行的途径。因此,在面向对象高分辨率遥感影像监督分类中,影像对象的高维特征降维问题将是本文需要深入研究解决的一个关键技术问题。在过去的10多年时间里降维已经在机器学习和模式识别领域受到越来越多的关注。线性降维方法无法发现非线性流形上高维数据的内蕴结构。流形学习是最有代表性的非线性降维方法之一,已经在信息处理领域中获得很多成功的应用,然而当流形学习用于监督分类尤其是层次分类时,效果并不理想。为了解决这一问题,本文提出了层次流形学习,在降维过程中通过提取共享特征来表达父流形的信息,并且通过广义回归神经网络以较低的计算代价解决流形学习中的样本外点学习问题,并将提出的层次流形学习应用于高分辨率遥感影像监督分类,与其它流形学习方法相比,取得了更好的分类性能。本文的工作与主要创新点概括如下:(1)当前绝大多数的流形学习方法假定所有的高维数据点位于只有一层结构的单个流形上,而多流形学习的研究缺乏层次性,这些方法难以高效处理多级分类问题。为此,本文给出“子流形”与“父流形”的概念,并在此基础上,提出层次流形学习。这样的学习算法可同时利用样本的类内局部几何结构信息和类间的标签信息,根据给定的训练样本以自下而上的方式构造层次流形,然后用计算得到的最优非线性映射函数进行降维,得到的低维嵌入更有利于分类。(2)绝大多数的流形学习算法都是无监督学习,流形学习用于监督学习时,还存在样本外点学习问题,目前还没有找到一种简单而又有效的方法来处理样本外点学习问题。论文中提出用广义回归神经网络来解决当流形学习用于监督分类时样本外点学习这一问题,其中,平滑因子和阈值这两个重要参数的取值对广义回归神经网络的性能有较大的影响。(3)在构建本文提出的层次流形学习中,需要研究如何以自下而上的方式利用子类样本特征中表达父流形问题。为此,文中提出了共享特征概念来描述父流形。现有的基于Ada Boost的共享特征提取方法存在很多不足,论文中提出一种基于特征映射的共享特征提取方法,算法的核心是计算广义瑞丽商,提取得到的共享特征可以用来表达父流形的共性特征,并用于构造父流形。(4)根据上面的方法的研究,利用国际上广泛采用的21类高分辨率遥感数据集以及上海市区SPOT 5卫星遥感影像数据进行监督的土地利用分类,与LDA、PCA等典型的线性降维及ISOMap、LLE、监督的LLE、多流形等典型的流形学习降维方法,进行系统的对比分析与评价,实验结果验证了层次流形学习的可行性与有效性。此外,还利用其它数据集——UCI数据集进行了分析与评价,获得了同样的效果。