论文部分内容阅读
随着遥感成像技术的日益发展,我们能够接触到更多来自地球表面的覆盖信息。作为对遥感影像的传统应用,分类技术一直在精细农业,污染治理,灾害防治等方面发挥着重大的作用。随着社会的发展,遥感图像分类的应用已经不仅仅局限于传统领域,在重大灾害保险理赔,不同场景下客户流量监控等商业领域,矿产资源规划,太阳能高效收集等能源领域都有着极高的应用价值。而高光谱遥感成像技术的出现,更是为遥感图像的获取和分类带来了方便和进步。它能够为我们提供更加精细的分辨率,从而为进一步研究带来丰富的空间位置信息和纹理信息,使我们对目标地物的探测和归类能够更容易地进行。然而,对高光谱成像仪获取的数据进行处理,存在的普遍问题是较大的数据量和较高的数据维度。由于遥感图像数据量巨大,进行大规模的样本标记往往费时费力且难以实现,而且让大量的样本参与训练过程有时也会导致图像中不相关类别样本点的干扰,即所谓的“噪声”样本点。此外,如果将高光谱图像数据中的全部光谱信息用于分类过程,根据Hughes曲线,这会带来信息冗余而影像分类精度,同时这也造成了空间信息的浪费。因此如何在大量的样本数据中筛选出最优的样本进行标记并在融合空间-光谱信息的数据集上训练和分类,以同时保证时间效率和精度是目前高光谱遥感图像分类实际应用中要解决的重要问题。基于上述这些问题,本文研究了一种基于高光谱遥感影像自身空间位置信息的样本集筛选方法,并在此基础上结合遥感影像空间-光谱信息进行特征融合来保证分类的精度。本文实验是在MATLAB平台上基于获取自AVIRIS和ROSIS的两组代表性高光谱数据集展开的,具体研究内容如下:首先,本文从传统的高光谱遥感影像分类方法入手,通过在Indian数据集上分类结果的对比说明了本文所用的最小二乘孪生支持向量(Least Square Twin Support Vector Machine,LSTSVM)的有效性,为我们进一步的研究提供了基础。其次本文从提高分类器的计算效率和提高分类精度两方面入手。一方面,根据分类器的理论特点和数据的分布特征进行基于空间位置信息的样本筛选。在1-a-r分类模型中,负类样本的个数要远远多于正类样本,在每一组分类器训练过程中,保持正类样本个数不变,根据负类样本对超平面确定的贡献度来决定参与训练的样本,缩小训练集合,减小分类器的计算复杂度和在图像地物类别训练的时间消耗,同时对人工标记训练样本的过程进行简化。并根据遥感影像中的邻域位置样本信息,即处于同一邻域的样本往往具有相同的类别这一属性,对分类结果进行修正;另一方面通过BEMD变换将图像数据在变换空间进行处理,并对提取的主成分做Gabor滤波,通过与图像的光谱主成分分量进行融合的方式形成融合的空间-光谱特征数据集并在这一数据的基础上进行分类实验,对分类精度进行提升。最后本文将前述两种方法相结合提出一种兼顾效率和精度的高光谱遥感影像分类方法,并通过两组实验有效地说明了本文的设计在精细农业和城市规划应用中的有效性。