基于多分類器融合的高光譜圖像分類算法研究.pdf

1、高光譜遙感圖像分類是通過機(jī)器學(xué)習(xí)等手段利用高光譜圖像的數(shù)據(jù)特性將傳統(tǒng)光譜圖像中無法分辨的微小差異的地物通過計(jì)算機(jī)自動區(qū)分歸類的過程，具有實(shí)際意義和實(shí)用性，受到了研究者的廣泛關(guān)注。本文的工作基于高光譜圖像像元的特征和數(shù)據(jù)結(jié)構(gòu)，針對其執(zhí)行分類算法時(shí)的分類正確率較差、分類算法對像元適應(yīng)性差、對高光譜圖像空間信息利用不足等問題，做了以下三個(gè)方面研究:
　　首先，分析稀疏表示分類器(Sparse Representation Classif

2、ication，SRC)、協(xié)同表示分類器(Collaboration Representation Classification，CRC)、支持向量機(jī)(Support Vector Machine，SVM)、正則化最近鄰子空間分類器(Nearest Regularized Subspace，NRS)的分類算法的理論及優(yōu)缺點(diǎn)。將基本分類器與高光譜圖像分類結(jié)合，研究進(jìn)行融合的可能性和可行性，提出使用串級結(jié)構(gòu)和并聯(lián)結(jié)構(gòu)來進(jìn)行融合，利用類集減少

3、、重新判定、殘差融合思想構(gòu)建融合分類器。
　　其次，本文針對SRC和NRS存在空間相關(guān)信息利用不足，分類精度低問題，提出利用空間聯(lián)合表示模型來將其改進(jìn)為聯(lián)合稀疏表示分類器(spatial Joint Sparse Representation Classification，JSRC)和聯(lián)合正則化最近鄰子空間分類器(spatial Joint Nearest Regularized Subspace，JNRS);針對JSRC和JNR

4、S在分類中存在樣本適應(yīng)性差的問題，提出將SVM作為JSRC和JNRS的后級分類器組成JSRC-SVM和JNRS-SVM兩級分類器來對高光譜圖像進(jìn)行分類。結(jié)果顯示，改進(jìn)算法提升了對高光譜圖像的分類精度，且分類時(shí)間和原算法相近。
　　再次，針對SRC使用的L1范數(shù)和CRC使用的L2范數(shù)在實(shí)際分類時(shí)存在的選取原子時(shí)或過于稀疏不能很好的表達(dá)類間信息，或不能很好的選取主要重構(gòu)原子的問題，本文利用兩者的互補(bǔ)性，實(shí)現(xiàn)了殘差融合的分類器(resi

5、dual Fusion Representation Classification，F(xiàn)RC)。FRC是并聯(lián)分類器，其通過平衡因子來實(shí)現(xiàn)對殘差的融合。實(shí)驗(yàn)顯示FRC能融合各方法的優(yōu)勢，取得較高的分類精度，且開銷不變。
　　最后，針對基于并聯(lián)結(jié)構(gòu)的FRC對高光譜遙感圖像分類時(shí)存在的空間信息利用不足和字典類別信息利用不足，提出了兩種改進(jìn)算法:1、空間聯(lián)合表示殘差融合分類器(spatial Joint residual FusionRep

6、resentation Classification，JFRC)，利用高光譜圖像相鄰像元可能相似的特性進(jìn)行改進(jìn)。結(jié)果顯示，JFRC將分類正確率提升。2、最近鄰非本地字典的殘差融合分類器(Non-local Dictionary Residual FusionRepresentation Classification，NLD-FRC)，其利用像元和本地字典的自相似性。結(jié)果表明，NLD-FRC提高了對圖像的分類精度，減小了字典大小和計(jì)算量，