论文部分内容阅读
高光谱遥感技术可以获取从可见光到短波红外甚至热红外波段范围内光谱分辨率为纳米级的图像数据,包含丰富的光谱、辐射和空间信息,可广泛应用在环境监测、军事侦察、地质勘探等领域。高光谱图像分类是高光谱图像处理的关键环节,受到研究人员的广泛关注。高光谱图像分类的实质就是给每个像元分配一个类别标签,从而产生一张地物分布图,可以精准地反映真实的地物分布情况,有利于研究人员从中发现和认识规律,为之后的其他高光谱图像处理任务提供基础。高光谱图像分类现在面临的主要挑战包括:有限的训练样本和高维度的不平衡,混合像元的存在,难于整合光谱信息和空间信息来充分利用其互补性,几何形状非常复杂,光谱波段多,计算量大。论文以极限学习机(Extreme Learning Machine,ELM)作为基本框架,利用其训练速度快,分类效果好,泛化能力强的特点解决高光谱图像分类问题。本文在分析提取高光谱图像空间信息和光谱特征的基础上,结合核极限学习机(Kernel ELM,KELM)框架,提出了一套基于空谱联合核和多特征融合的高光谱图像空谱联合分类模型和算法,设计实现了相应的软件系统,并通过真实高光谱图像数据的实验验证了本文分类方法和系统的有效性。论文主要工作包括:(1)提出了 一种基于邻域滤波核极限学习机的高光谱图像空谱联合分类模型和算法。论文在分析高斯径向基核,线性整合空间和光谱信息的组合核(Composite Kernel,CK)等经典核方法的基础上,采用空谱联合核充分提取高光谱图像的空间和光谱信息,提出了基于邻域滤波核极限学习机的高光谱图像空谱联合分类方法。基于AVIRIS Indian Pines和ROSIS University of Pavia等真实高光谱图像的分类实验表明:该方法分类精度高,尤其适用于小训练样本的情况。(2)提出了基于空谱多特征融合的核极限学习机高光谱图像分类方法。论文针对常用的核极限学习机分类模型中特征选择单一的问题,采用主成分分析(Principal ComponentAnalysis,PCA)提取光谱特征,利用局部二值模式(LocalBinary Patterns,LBP),Gabor滤波和拓展形态学多属性剖面(Extended Multiattribute Profiles,EMAP)分别提取局部纹理特征,全局纹理特征和几何结构特征,然后基于softmax的概率核极限学习机(Probabilistic KELM,PKELM)分别对每种特征进行软决策分类,并设计了一种决策级多特征融合分类方法综合各特征的软决策分类结果,最后运用马尔科夫随机场(Markov Random Field,MRF)加入邻域像元空间相关性,进一步提高分类精度。实验表明,本文所提出的模型和算法可以实现鲁棒、高效的高光谱图像分类,在训练样本较少的情况下也可以获得较好的分类精度。(3)在上述模型和算法的基础上,基于Matlab GUI框架设计实现了一套高光谱遥感图像分类软件系统,主要包括高光谱图像管理与显示,特征提取,高光谱图像分类以及分析等模块,给出了整个系统框架、主要流程设计以及软件核心模块的开发实现和测试。