基于稀疏表示和空間約束的高光譜遙感圖像分類方法研究.pdf

1、隨著科學技術的飛速發(fā)展以及人類處理數(shù)據(jù)能力的不斷加強，高光譜圖像處理已經成為圖像處理技術中最受關注的領域之一。高光譜遙感影像圖像包含大量的空間信息和光譜信息，具有很高的光譜分辨率和空間分辨率。光譜信息決定了地物的譜特性，空間信息決定了地物的幾何特性，將高光譜圖像的光譜信息和空間信息有機的結合起來，有利于對高光譜遙感圖像進行分類。因此，充分利用高光譜遙感圖像的光譜信息和空間信息進行地物分類已經成為最近的一個研究熱點。
　　最近，稀疏

2、表示在模式識別、信號處理和圖像處理等領域都取得了不錯的成績。本文圍繞著稀疏表示理論的相關方法對高光譜遙感圖像分類的相關問題進行探討和研究，旨在搜索稀疏概念在高光譜遙感圖像分類問題中的理論背景和具體應用，并對稀疏表示框架進行了改進。具體研究內容如下：
　　(1)提出了一種基于半監(jiān)督局部保留降維和改進的聯(lián)合協(xié)同表示相結合的分類方法。首先，對每兩類訓練樣本求得一個投影矩陣，該投影矩陣使得每兩類樣本之間同類的距離盡量小，不同類的距離盡量大

3、，這樣每兩類之間都可以得到一個投影矩陣。在分類時，通過每兩類樣本的投影矩陣，我們可以判斷測試樣本和哪一類距離更接近，統(tǒng)計這些信息，我們可以得到測試樣本的類別。在Indian Pines和Salinas-A高光譜數(shù)據(jù)庫上進行實驗，從該算法實驗結果可以看出，該算法在高光譜遙感圖像上分類的正確率很高。
　　(2)提出了一種基于半監(jiān)督局部保留線性判別降維算法和改進最近鄰分類器相結合的分類算法。該算法的基本思想是結合有標簽樣本和無標簽的樣本

4、，得到一個最優(yōu)的投影子空間，然后通過一個改進的最近鄰分類器。先將數(shù)據(jù)通過得到的投影矩陣進行降維處理，然后用改進的最近鄰分類器對測試樣本進行分類。在Indian Pines和Kennedy Space Center高光譜數(shù)據(jù)庫上進行了實驗，與其他的分類算法相比，我們的算法有著明顯的優(yōu)勢。
　　(3)提出了一種基于兩階段非局部相似性聯(lián)合協(xié)同表示分類的算法。首先，該算法利用光譜信息得到每個測試樣本一定數(shù)目的近鄰訓練樣本，把它作為該測試樣