论文部分内容阅读
高光谱图像(HSI)丰富的信息量和高光谱分辨率给传统的分类等处理技术带来了挑战。尺寸和噪音的降低提高了效率和准确性,同时保留了重要的信息。本研究探索了离散余弦变换(DCT)在少量低频系数中对信号能量进行压缩的独特能力,有效降低了高光谱图像预处理中的噪声和计算时间。本文提出了三种不同的方法,包括基于光谱DCT的高光谱降维方法(SDCT-DR),基于DCT的高光谱数据分析中独立变量分析(DCT-ICA)的预处理方法和级联光谱-用于高光谱图像分类的空间离散余弦变换框架(CSS-DCT)。首先提出了一种专门为高光谱图像设计的光谱DCT的降维方法。该方法对每个像素矢量执行光谱DCT,将其视为1-D离散信号(光谱曲线)。然后,执行能量保存标准以选择保留的DCT系数作为减小的子空间。为了评估这种方法,在新的简化数据上应用了三种分类方法:支持向量机(SVM),K-最近邻(K-NN)和Fisher线性判别分析(LDA)。同时,也实现了主成分分析(PCA),独立分量分析(ICA)和最小噪声分数(MNF)等方法,并将结果与所提出的方法进行比较。实验证明本文提出的方法提供了用于特征提取的高效手段。然后,提出了一种将DCT用作高光谱数据分析中的ICA预处理的新方法。事实上,ICA是计算成本,由于缺少组件选择的特定标准,限制了其在高维数据分析中的应用。为了克服这些限制,我们的方法利用了 DCT特性,即在少数低频系数中仅保留最有用的信息,从而减少噪声和计算时间。随后,将ICA应用于这种减少的数据,以使输出组件尽可能独立以用于随后的高光谱处理。为了评估这种新方法,在两个真实的高光谱数据集上使用SVM,LDA和K-NN分类器,并分别采用(1)无预处理的ICA(2)具有常用PCA预处理技术的ICA,以及(3)具有DCT预处理的ICA的简化数据。在两种情况下的实验结果表明,我们提出的DCT预处理方法与ICA相结合后的数据达到较高的高光谱分类精度。最后提出了一种基于级联光谱空间离散余弦变换(DCT)和线性支持向量机的高光谱分类框架。在该框架中,首先对原始高光谱图像执行光谱DCT以获得光谱轮廓表示,其中最重要的信息集中在少数低频分量上,高频分量表示噪声数据。然后,对噪声频谱分量执行空间滤波以进一步提取空间维度中的剩余有用信息。在空间滤波阶段,研究了三种不同的技术,包括局部空间2D-DCT,全局空间2D-DCT和深度卷积神经网络(DnCNN)。最后,在包括滤波后的所有分量上应用逆频谱DCT,以获得引入到SVM分类器的最终去噪高光谱图像。在三个数据集上的实验结果表明,所提出的使用全局空间2D-DCT进行空间滤波的框架优于几种最先进的高光谱分类方法,包括具有径向基函数核(SVM-RBF)的SVM,自由基功能神经网络(RBFNN),CNN,边缘保留滤波分类器(EPF),最佳深度信任网络(O_DBN)和具有纹理特征增强功能的O_DBN(O_DBN-TFE)。将本文提出的基于DCT的方法在基于分类精度定量评估的实际数据集上进行验证,主要比较三种传统度量指标,包括kappa系数,平均准确度(AA)和总体准确度(OA)。比较本文方法的结果和其他先进方法,显然本文所提出的方法优于其他方法。此外,本文提出的分类框架获得的结果较好,并且优于最近成熟的基于深度学习的高光谱分类方法。