论文部分内容阅读
近年来，随着遥感技术的迅猛发展，人们可以获取大量的高光谱数据，如何根据这些数据进行准确的地物分类，是遥感数据应用水平提高的关键。目前已有大量机器学习算法用于高光谱数据的分类，这些方法基本上都基于聚类假设，即光谱相同/相似的数据具有相同/相似的标签。但是，由于传感器噪声以及成像设备分辨率的限制，实际高光谱数据中存在严重的“同物异谱”和“同谱异物”现象，严重制约了聚类假设下分类器的性能提高。针对这一问题，本文将松弛聚类假设思想引入到高光谱数据分类中，与稀疏编码分类器和SVM(Support Vector Machine)分类器结合，发展了松弛聚类假设下的高光谱数据分类方法。主要研究工作和创新包括以下内容：(1)设计了一种松弛聚类假设下的高光谱数据稀疏编码分类算法。将松弛聚类假设思想以概率向量的形式应用到稀疏编码模型下，设计了相应的优化目标函数与优化算法。在实际高光谱数据集上进行的仿真实验结果表明：松弛聚类假设能够大大改善由于混合像元引起的数据分类正确率不高的情况。(2)设计了一种松弛聚类假设下的半监督高光谱数据分类算法(RCA-SLR-SSC)。该算法是将松弛聚类假设思想应用到SVM分类器下，定义了松弛聚类假设下的半监督图Laplacian正则，以及根据高光谱数据的空间约束正则。松弛聚类假设思想降低了像元误分的可能性，空间图正则的加入增强了样本标记的平滑性，减少了样本标记中的奇异点。所以，该算法能够得到较高的分类正确率。在实际高光谱数据集上进行的仿真实验验证了该算法的性能。与同类算法相比，该算法能够在较少样本情况下得到较好的分类结果。(3)设计了一种空-谱松弛聚类假设下的半监督高光谱图像分类方法。该算法是对RCA-SLR-SSC算法在空间上进行了进一步松弛。即利用sketch算法提取出高光谱数据中背景像元与待分类像元之间边界处的像元，并减小这些像元对应的空间约束矩阵中的权值，构造一个新的拉普拉斯图矩阵。再将这个新的拉普拉斯图矩阵应用到RCA-SLR-SSC算法中。松弛聚类假设思想在空间上的应用大大降低了因空间约束而造成的边界处像元的误分，提高了分类正确率。高光谱数据集上的仿真实验也表明：与RCA-SLR-SSC算法相比，该算法在边界处像元的分类上具有明显的优越性。