论文部分内容阅读
高光谱图像处理是当代遥感领域的技术发展的前沿领域,在各个领域的实际应用越来越广泛。但由于高光谱图像具有光谱分辨率高,波段数量多等特点,波段间存在大量的冗余信息,在存储时会占据大量的物理空间,且处理时间长,效率低;在进行地物识别、检测和分类时由于高光谱图像维度高,地物标记样本有限,容易出现维度灾难的问题,因此对进行高光谱图像降维,去除冗余数据的预处理是十分必要的,而对高光谱图像波段选择既可以到达对原始图像进行降维的同时又能保留原始波段的物理特性。因此,本论文重点针对高光谱的图像特点以及可分类问题,本论文提出了两种新的高光谱图像波段选择方法如下:(1)基于K-AP算法的高光谱图像波段选择方法。K-AP算法是一种高效的聚类算法,已成功地应用于人脸识别和数据分析等领域,但在高光谱图像分析领域还少有成功的应用。通过对K-AP算法的深入研究,本文提出了将K-AP算法应用于高光谱图像波段选择,对高光谱图像进行有效的数据压缩。首先,针对K-AP算法的特点,基于Kullback-Leibler散度我们定义了新的相似度矩阵,对波段进行度量,然后再使用K-AP算法进行聚类,选择最有代表性的波段,有效地减少了原始高光谱图像波段间的相关性和冗余信息。实验结果表明,和常用的波段选择方法相比,本文所提出的方法有更好的表现。(2)结合空谱信息稀疏子空间聚类的波段选择方法。稀疏子空间聚类算法是一种在数据降维中常用的算法,其主要利用构建稀疏优化模型找到数据的稀疏表示以及稀疏参数,然后用谱聚类的方法将高维度的数据聚类到低维度的子空间。通过对稀疏子空间聚类算法深入研究,本文提出了一种基于稀疏子空间聚类算法的波段选择方法。但由于高光谱图像波段之前的关联性高,具有图谱合一等特点,针对高光谱图像的特点,我们改进了稀疏子空间聚类算法,结合了高光谱图像的空谱信息进行波段选择,从而使减少了的波段相关性,有效地减少了高光谱图像波段间的冗余,并且通过实验表明相对于常用的波段选择方法,该方法具有较好的效果。本论文所提出的两种不同的波段选择方法各有优点,基于K-AP算法的高光谱图像波段选择方法能够快速的选择出目标波段子集,对比常用的波段选择方法在分类性能上有较优越的表现;结合空谱信息稀疏子空间聚类的波段选择方法使用2范数优化模型有效地防止过稀疏的出现,并且结合高光谱图像的空谱信息进行波段选择,不仅能够选择出目标波段的子集,而且具有较强的的鲁棒性,在分类性能上同样也有优异的表现。