论文部分内容阅读
针对高光谱遥感数据数据量大、非线性、样本标记代价昂贵、训练样本少、光谱特征维度高等特点,利用机器学习、图像处理技术、图嵌入降维以及表示学习相关理论,重点研究高光谱数据降维有关问题。包括以下主要研究内容:1.基于空-谱联合增长图嵌入的高光谱数据降维。利用高光谱数据的空间和光谱信息,提出一种空-谱联合增长图嵌入的高光谱数据降维算法。在增长图的迭代构造过程中,训练样本的标签可以传递给与其最近邻的测试样本,直至所有测试样本都有一个伪标签。首先,通过寻找最近的空间近邻实现近邻选择及其邻接权重计算;其次,对于分布在决策边界附近的样本,设计三种不同的邻接权重计算策略,以提高异类样本的可分性;最后,根据标记样本周围是否存在测试样本,对空间窗口大小以及近邻个数进行自适应调整。2.基于超像素分割和多核联合的空-谱近邻图嵌入高光谱数据降维。图嵌入降维算法的关键步骤在于近邻选择和邻接权重的计算。传统图嵌入降维算法通常采用成对光谱特征相似图反映原始高光谱数据的几何结构。然而,传统图嵌入降维算法忽略了高光谱数据的空间信息,导致构造的图无法充分反映高光谱数据的空间流形结构。因此,提出一种基于超像素分割和多核联合的空-谱近邻图嵌入降维算法,以充分利用高光谱数据的空间信息,进而提高分类性能。首先,采用熵率超像素分割算法将高光谱图像分割成若干超像素块;其次,在每个超像素块中,利用空-谱度量距离来表示样本间的相似程度;然后,基于上述空-谱度量距离构造空-谱近邻图;最后,采用多核支持向量机分类器,对降维后的高光谱数据进行分类。3.基于多尺度超像素最大噪声比率的高光谱数据降维。针对高光谱数据不同空间区域对应不同物体,降维中若采用统一投影变换,容易导致投影子空间中异类样本间差异性变小的问题,根据图像分割和集成学习思想提出一种基于多尺度超像素最大噪声比率高光谱数据降维算法。首先,通过图像分割算法对高光谱图像进行空间区域分块,使得每个空间区域块中的样本具有相似的光谱特征;其次,设定子空间维数,在每个区域块中,采用最大噪声比率构造一个对应的局部空间投影矩阵,并对该区域中的高光谱数据进行降维,得到对应像素在低维子空间中的特征;然后,将不同区域块中像素的低维特征按照原始空间坐标进行合并,得到整个高光谱数据在低维子空间中的特征表示;最后,通过设置不同尺度的超像素,利用最大投票原则确定测试样本的标签。4.基于图正则自适应联合协同表示的高光谱数据降维。针对空间信息利用不充分导致的高光谱图像分类精度较低的问题,提出一种基于图正则自适应联合协同表示的高光谱数据降维算法。首先,采用双边滤波操作对高光谱图像进行空间信息提取,以充分挖掘每个像素的空间信息;其次,在联合协同表示的目标函数中引入图正则约束项,以保持高光谱数据的流形结构;然后,一方面利用图像分割来自适应调整空间邻域的形状,另一方面通过对中心像素的空间近邻赋予不同的权重,提出一种自适应空-谱特征融合策略;最后,基于误差最小原则,得到测试样本的类别标签。在Indian Pines、Pavia University、KSC和Salinas四个高光谱数据集上的实验结果表明,所提算法能有效地利用高光谱图像的空间特征和光谱特征获得较高的整体分类精度和Kappa系数,获得的分类效果图平滑。