高光譜圖像稀疏流形學習方法研究.pdf

1、高光譜圖像是由成像光譜儀記錄地物對電磁波的反射值而獲取，包含從可見光到近紅外范圍內的數十上百個連續(xù)且狹窄的波段。高光譜圖像光譜分辨率高，可辨識細微差異的地物，目前已廣泛應用于環(huán)境監(jiān)測、精準農業(yè)、目標識別和地物分類等領域。在高光譜圖像分類中，傳統(tǒng)分類方法因數據量大、波段數多、波段間的相關性強而導致“維數災難”。因此，如何減少波段數且不丟失有用信息是目前高光譜圖像分類領域的研究前沿與熱點。
　　特征提取是減少高光譜圖像波段數的有效方法

2、，能獲得有用的內在信息，可有效改善分類結果。論文在流形學習、圖嵌入和稀疏表示等理論的基礎上，重點開展了基于稀疏流形學習的高光譜圖像特征提取方法研究。主要研究工作如下：
　?、俑鶕吖庾V圖像的特點及其面臨的挑戰(zhàn)，引出特征提取在高光譜圖像分類中的優(yōu)勢。然后系統(tǒng)地介紹了高光譜圖像的特征提取和分類方法，并回顧了特征提取和分類方法的發(fā)展歷程。重點介紹了流形學習、圖嵌入和稀疏表示的基本原理和相關方法，為論文奠定了堅實的理論基礎。最后總結了高光

3、譜圖像分類的精度評價指標和常用的高光譜數據集。
　?、谏钊胙芯苛嘶诹餍螌W習的高光譜圖像特征提取方法。通過對流形學習方法的分析，引出圖嵌入框架，并詳細分析了該框架下的邊界Fisher分析(MFA)算法。針對MFA不能有效表達具有大量同質區(qū)域的高光譜圖像內在結構的問題，提出局部幾何結構 Fisher分析(LGSFA)算法。LGSFA利用數據的鄰域和各鄰域的類內重構點來揭示高光譜圖像的內在流形結構，增強了特征的表達性能。在 Salin

4、as和Indian Pines高光譜數據集上展示了LGSFA算法的有效性。
　?、垩芯苛嘶谙∈璞硎镜母吖庾V圖像特征提取方法。對于圖嵌入框架在構圖時面臨近鄰選取困難的問題，提出稀疏保持分析(SPA)算法。SPA根據稀疏表示的自然鑒別力，能自適應地揭示出數據間的相似關系，并通過稀疏系數構建稀疏圖，提取出更有效的鑒別特征。針對PaviaU和Urban高光譜數據的分類實驗，SPA比其他相關方法具有更好的分類結果。在SPA的基礎上，根據高

5、光譜數據的類別信息，提出稀疏鑒別學習(SDL)算法。SDL通過稀疏表示揭示出數據間的相似性，構建類內稀疏圖和類間稀疏圖，并增強同類數據的相似權值，進而改善非同類數據間的可分性。在Indian Pines和Urban高光譜數據集上的分類結果表明，SDL能更好地表征數據的內在屬性，提升分類精度。
　?、芨鶕餍螌W習和稀疏表示，開展了稀疏流形學習方面的研究。根據稀疏流形編碼具有自適應地選取來自同一流形數據的特點，提出稀疏流形嵌入(SME

6、)算法。SME通過構建稀疏流形圖來揭示出數據的稀疏流形結構，進而有效地表達數據的內在特性。結合高光譜圖像的類別信息，提出稀疏鑒別流形嵌入(SDME)算法。SDME增強了同類數據的聚集性，提取出更有效的鑒別特征。在 Indian Pines和PaviaU高光譜數據集上的實驗結果表明，SME和SDME比相關方法具有更好的分類精度。為同時利用高光譜數據的標記樣本和無標記樣本，結合稀疏流形編碼，提出半監(jiān)督稀疏流形鑒別分析(S3MDA)算法。S3

7、MDA利用標記樣本和無標記樣本的稀疏系數分別構建了類內圖、類間圖和非監(jiān)督圖，在低維空間中，聚集類內圖的特性，分離類間圖的特征，同時聚集非監(jiān)督圖的相似性，進而得到更好的低維特征。對于PaviaU和Salinas高光譜數據集的分類實驗，與其他特征提取方法相比，S3MDA能得到更好的分類精度。
　　綜上所述，論文主要開展了高光譜圖像特征提取方法的研究，在流形學習、圖嵌入和稀疏表示的基礎上，逐步深入地構建了基于流形學習、稀疏表示和稀疏流形