论文部分内容阅读
高光谱遥感影像中蕴含了丰富的地物空间信息和光谱信息,具有数据量巨大,波段数多,相邻波段之间的相关性强,数据冗余等特点,利用传统降维方法对高光谱遥感数据进行处理,容易导致“维数灾难”。因此,如何在不丢失有用信息的前提下降低高光谱遥感影像的维数,改善地物分类效果,成为高光谱遥感影像地物分类研究的关键问题之一。本文主要根据高光谱遥感影像数据的特点,结合流形学习、稀疏表示和图嵌入理论,对基于稀疏流形学习的高光谱遥感影像降维方法进行了研究。主要研究的工作如下:(1)对高光谱遥感影像的特点及其应用领域进行了分析,简述了降维方法及其发展现状。着重介绍了流形学习和稀疏表示的相关原理及方法,为论文方法提供了一定的理论依据。最后总结了几种高光谱遥感影像分类结果的评价指标以及常用的几种高光谱遥感影像数据集。(2)提出一种用于高光谱遥感影像降维的监督稀疏流形嵌入算法。针对稀疏流形聚类和嵌入(SMCE)算法在处理新样本和鉴别能力方面的不足,提出监督稀疏流形嵌入(SSME)算法。该算法在仿射空间中利用稀疏流形编码(SMC)计算稀疏系数,再根据图嵌入理论利用稀疏系数构建反映数据之间关系的相似图,并利用类别信息,增强同类数据之间的相似性,改善同类数据的聚集性。在PaviaU和Urban数据集上的实验表明:SSME算法能较好地表征数据的内在特性,改善分类效果。(3)提出一种用于高光谱遥感影像降维的半监督稀疏多流形嵌入算法。根据稀疏表示和流形学习原理,利用图嵌入理论和半监督学习原理,提出了半监督稀疏多流形嵌入(S~3MME)算法。该算法利用了少量有标记样本和大量无标记样本的有用信息,通过SMC自适应地获取位于相同流形上的数据点,构建能够表征数据多流形结构的稀疏图,并利用有标记样本增大同类数据之间的相似性,得到不同流形上的低维嵌入特征。在PaviaU和Salinas数据集上验证了S~3MME方法的有效性。综上所述,针对高光谱遥感影像数据的特点,本文提出了两种用于降维的稀疏流形学习算法,并在几个高光谱遥感影像数据集上对算法的性能进行了实验验证。