论文部分内容阅读
高光谱影像（Hyperspectral Image,HSI）分类作为一个基础的遥感数据处理技术,其在城市规划、农业评估和自然资源监测等方面具有十分重要的作用。一方面,高光谱影像由于具有丰富的光谱信息,为地物的精细分类提供了数据支持;另一方面,高光谱影像相邻波段间的波段间隔较窄,因此波段间的相关性较高,存在大量的信息冗余,为分类带来了挑战。同时,影像上存在的噪声和异常值进一步制约了分类的精度。近些年来,低秩表示（Low Rank Representation,LRR）和稀疏表示（Sparse Representation,SR）方法得到了广泛关注。低秩表示考虑了数据的全局信息,通过系数矩阵的最低秩约束,能够重建出不受噪声和异常值影响的影像数据,且对高维冗余数据具备降维特性;而稀疏表示对数据局部特征进行表示,利用其系数矩阵的稀疏性约束,能高效地处理高维数据,且增加了不同类像素间表征的差异性。结合稀疏表示和低秩表示得到的低秩稀疏表示（Low Rank and Sparse Representation,LRSR）模型,能够同时利用数据的全局低秩性和局部稀疏性进行全图表示,为解决高光谱影像的分类问题提供了理论支持。另外,在高光谱影像的实际分类过程中,训练样本通常难以大量选取,且由于高光谱影像分类时存在“Hughes现象”,因此还需要研究在小样本情况下如何提高分类器的分类稳定性。相关系数（Correlation Coefficient,CC）作为一个能够直接建立训练数据与测试样本间相关性的度量,能够提高训练样本的利用率,对提高分类器在小样本情况下的鲁棒性有所帮助。本文针对高光谱影像的信息冗余问题、噪声和异常值以及分类的小样本问题,提出了通过融合相关系数与低秩稀疏表示（CC and LRSR,CCLRSR）的方法对高光谱影像进行分类。通过在三个层次上对相关系数和低秩稀疏表示进行融合,包括基于数据层（输入层）融合、基于附加约束融合和基于决策层融合,构建了相应的高光谱影像分类算法。本文的主要工作和创新如下:（1）针对训练样本不足时,数据的信息量匮乏的问题,提出了基于数据层（输入层）融合的相关系数与低秩稀疏表示（Input Level Fusion based CCLRSR,i CCLRSR）分类方法。本文首先将相关系数与原始高光谱数据融合,再利用分类器对融合的数据进行分类。具体而言,首先构建每个像素的相关系数,并将所有像素的相关系数按照对应像素在影像上的位置“对号入座”,构建一个数据块;然后将数据块与原始高光谱数据进行堆叠,以构成一个包含两者信息的融合数据;再以融合数据为基础,利用低秩稀疏表示模型对其进行全局表示;获取系数矩阵后,对测试像素窗口邻域内的像素求共同残差;最后利用最小残差分类方法对每个像素进行分类。利用Indian Pines和Pavia University数据集对建立的模型进行实验验证,结果表明,提出的方法相比于对比方法具备更高的分类精度,对小样本具有更好的鲁棒性。（2）针对高光谱影像波段信息冗余和存在噪声与异常值的问题,提出了基于附加约束融合的相关系数与低秩稀疏表示（Structural Constrained CCLRSR,s CCLRSR）的分类方法。本文首先将相关系数构造成结构化约束条件,再对分类器的目标函数进行约束。具体而言,首先构建超像素与窗口邻域叠加的联合区域,计算联合区域相关系数,再将相关系数转化为位置标定矩阵,构建结构化约束项,以约束系数矩阵为块对角矩阵;然后,将结构约束项附加到低秩稀疏表示的目标方程上,以构建一个新的优化问题,并采用LADMAP（Linearized Alternating Direction Method with Adaptive Penalty）算法对优化问题进行求解;最后,获取求解的系数矩阵后,对联合区域内的像素求共同残差,得到高光谱影像分类结果。利用Indian Pines和Pavia University数据集对建立的模型进行实验验证,结果表明,新算法对高光谱影像上的噪声和异常值有显著的抑制效果,且在小样本情况下具备更稳健的表现。（3）针对样本不足时,分类器难以提取充足分类信息的问题,提出了基于决策层融合的相关系数与低秩稀疏表示（Decision Fusion based CCLRSR,d CCLRSR）的分类方法。本文首先将相关系数与低秩稀疏表示的残差向量进行融合,然后利用融合的模型残差进行分类。具体而言,首先利用低秩稀疏表示对高光谱影像进行线性表示,求解并获取系数矩阵和噪声矩阵;然后,根据噪声矩阵,求取去噪后的高光谱影像,并在去噪影像上计算联合区域相关系数;同时,根据系数矩阵,求取以测试像素为中心的联合区域内的共同残差;最后,将两种残差信息进行线性融合,并在此基础上对影像进行分类。利用Indian Pines和Pavia University数据对建立的模型进行实验验证,结果表明,分类精度相比于对比方法更有优势,另外通过比较不同样本数下获取的分类结果,所提出的方法对小样本更加鲁棒。