论文部分内容阅读
高光谱遥感作为遥感领域的前沿技术，在农业、地质、军事和医学等领域得到了广泛的应用。由于高光谱图像具有光谱维度高、光谱信息丰富、空间及谱间相关性强、样本标记量少的特点，使得高光谱图像分类面临诸多挑战。为有效利用高光谱图像丰富的空、谱信息以提取更具鉴别性的图像特征，本文研究并实现了基于稀疏低秩理论和深度学习的高光谱图像分类。
论文的主要研究工作如下：
1.基于超像素引导的稀疏低秩判别嵌入高光谱图像分类
在稀疏低秩表示嵌入优化问题的基础上，引入类鉴别准则约束及基于超像素的区域引导准则，提出了一种基于超像素引导的稀疏低秩判别嵌入(SLRDE-SG)子空间学习模型的高光谱图像分类算法。首先，引入基于空间局部邻域加权平均及波段融合引导滤波的图像预处理环节，以实现高光谱输入图像的滤波及波段压缩；之后，针对预处理后的高光谱图像，基于SLIC超像素分割方式构建局部均质图像子块集；进一步，构建基于超像素引导的低秩稀疏判别嵌入子空间学习模型，以实现各输入样本的类鉴别式低维特征提取；最后，使用核SVM分类器对高光谱图像分类实现像素级的类标签预测。
将多尺度超像素分割与SLRDE-SG模型结合，提出一种基于多尺度超像素引导的稀疏低秩判别嵌入(SLRDE-MSG)子空间学习模型的高光谱分类算法。首先，对预处理的输入图像同时进行多个不同尺度的超像素分割，并在相应尺度下实现基于SLRDE-SG模型的图像分类；之后，针对每个输入样本，采用多数表决的投票策略将不同尺度下SLRDE-SG模型的类别预测结果进行融合，即可得到最终的类别预测结果。相对于SLRDE-SG模型来说，SLRDE-MSG的类别预测性能可得到一定程度的提升。
IndianPines、PaviaUniversity和Salinas数据集的实验验证了SLRDE-SG及SLRDE-MSG算法的有效性。
2.基于双路径空-谱深度特征提取的高光谱图像分类
以多级卷积神经网络为基本结构，以空、谱联合的类鉴别式特征学习为目标，提出并实现了基于双路径空-谱深度特征提取(DP-SSDFE)的高光谱图像分类算法。首先，以高光谱三维数据为输入，建立基于一维多级卷积网络模型(1D-MCNN)的类鉴别式光谱特征提取模型，以及基于二维多级卷积网络模型(2D-MCNN)的类鉴别式图像空间特征提取模型；最后，构建基于1D-MCNN、2D-MCNN的双路径网络结构，实现基于DP-SSDFE空-谱深度特征提取的高光谱图像分类。
IndianPines、PaviaUniversity和Salinas数据集的实验验证了DP-SSDFE算法的有效性。
论文的主要研究工作如下：
1.基于超像素引导的稀疏低秩判别嵌入高光谱图像分类
在稀疏低秩表示嵌入优化问题的基础上，引入类鉴别准则约束及基于超像素的区域引导准则，提出了一种基于超像素引导的稀疏低秩判别嵌入(SLRDE-SG)子空间学习模型的高光谱图像分类算法。首先，引入基于空间局部邻域加权平均及波段融合引导滤波的图像预处理环节，以实现高光谱输入图像的滤波及波段压缩；之后，针对预处理后的高光谱图像，基于SLIC超像素分割方式构建局部均质图像子块集；进一步，构建基于超像素引导的低秩稀疏判别嵌入子空间学习模型，以实现各输入样本的类鉴别式低维特征提取；最后，使用核SVM分类器对高光谱图像分类实现像素级的类标签预测。
将多尺度超像素分割与SLRDE-SG模型结合，提出一种基于多尺度超像素引导的稀疏低秩判别嵌入(SLRDE-MSG)子空间学习模型的高光谱分类算法。首先，对预处理的输入图像同时进行多个不同尺度的超像素分割，并在相应尺度下实现基于SLRDE-SG模型的图像分类；之后，针对每个输入样本，采用多数表决的投票策略将不同尺度下SLRDE-SG模型的类别预测结果进行融合，即可得到最终的类别预测结果。相对于SLRDE-SG模型来说，SLRDE-MSG的类别预测性能可得到一定程度的提升。
IndianPines、PaviaUniversity和Salinas数据集的实验验证了SLRDE-SG及SLRDE-MSG算法的有效性。
2.基于双路径空-谱深度特征提取的高光谱图像分类
以多级卷积神经网络为基本结构，以空、谱联合的类鉴别式特征学习为目标，提出并实现了基于双路径空-谱深度特征提取(DP-SSDFE)的高光谱图像分类算法。首先，以高光谱三维数据为输入，建立基于一维多级卷积网络模型(1D-MCNN)的类鉴别式光谱特征提取模型，以及基于二维多级卷积网络模型(2D-MCNN)的类鉴别式图像空间特征提取模型；最后，构建基于1D-MCNN、2D-MCNN的双路径网络结构，实现基于DP-SSDFE空-谱深度特征提取的高光谱图像分类。
IndianPines、PaviaUniversity和Salinas数据集的实验验证了DP-SSDFE算法的有效性。