论文部分内容阅读
近年来，稀疏表示已成为图像处理和模式识别研究领域的一个热点。稀疏表示的重要理论已经应用到遥感图像研究，特别是高光谱遥感图像处理方面。高光谱遥感图像通过的丰富光谱信息具有更强的分辨能力。同时，高光谱数据由于光谱丰富带来了很多复杂的因素，如维数灾难，数据的不确定性和小样本问题等。而稀疏表示在处理高维数据中具有一定的优势。稀疏表示不需对数据的分布特征进行统计假设，并且在稀疏模型中可以根据不同情况添加不同的约束条件，使其具有更大的灵活性。本文主要将稀疏表示理论应用到高光谱遥感图像分类研究中。采用航拍OMIS-I和星载Hyperion两类高光谱遥感图像进行稀疏表示方法的分类实验，并与支持向量机（Support Vector Machine, SVM）分类方法进行对比，验证稀疏表示应用于高光谱遥感图像分类的有效性。论文的主要研究内容如下：（1）首先研究分析了稀疏表示理论和方法，建立稀疏表示方法应用于高光谱遥感图像分类的稀疏表示模型。选取样本构建字典，未知像元通过字典进行稀疏表示，最后对稀疏结果进行各类别冗余计算，确定未知像元所属类别。通过与SVM方法对比，证明了在高光谱遥感图像分类中稀疏表示方法优于传统SVM方法。（2）对稀疏模型中稀疏重构算法进行了研究分析。稀疏重构主要采用贪婪追踪算法、平滑约束模型和联合稀疏模型，主要包括正交匹配追踪（OrthogonalMctching Pursuit, OMP）、子空间追踪（Subspace Pursuit, SP）、平滑正交匹配追踪（Smooth Orthogonal Mctching Pursuit, S-OMP）、平滑子空间追踪（Smooth SubspacePursuit, S-SP）、联合正交匹配追踪（Simultaneous Orthogonal Mctching Pursuit,SOMP）和联合子空间追踪（Simultaneous Subspace Pursuit, SSP）。实验结果证明了采用稀疏表示方法均比传统SVM方法精度高。在稀疏表示方法中采用OMP算法效果比SP算法好，但SP复杂度比OMP算法低，运行效率高；考虑上下文关系的平滑约束（S-OMP、S-SP）和联合稀疏（SOMP、SSP）比基于单像元分类（OMP、SP）效果好；采用平滑约束算法和联合稀疏分类效果相差不大，但联合稀疏算法复杂度要比平滑约束要低很多。以OMSI-I数据分类总体精度为例：SVM算法为86.32%，OMP算法为92.51%，SP算法为89.56%，S-OMP算法为93.43%，S-SP算法90.82%，SOMP算法为93.17%，SSP算法为90.84%。（3）研究分析了稀疏模型中稀疏字典构建方法，主要采用采样样本集和K-SVD算法构建稀疏过完备字典。实验结果证明了采用K-SVD算法构建稀疏过完备字典的稀疏表示方法比直接采样样本集效果好。以采用K-SVD算法的OMSI-I数据分类的总体精度为例：OMP算法为93.03%，SP算法为91.95%，S-OMP算法为94.67%，S-SP算法为92.09%，SOMP算法为96.45%，SSP算法为92.31%。