基于空間約束和稀疏編碼的高光譜圖像分類(lèi).pdf

1、近幾十年來(lái)，隨著科學(xué)技術(shù)的進(jìn)步，遙感技術(shù)的發(fā)展也突飛猛進(jìn)，其中高光譜遙感技術(shù)是遙感技術(shù)的最大成就之一。由于該技術(shù)具有成像和光譜探測(cè)的優(yōu)點(diǎn)，已經(jīng)廣泛應(yīng)用到了軍事和民用領(lǐng)域。高光譜圖像(Hyperspectral imagery,HSI)分類(lèi)由于其良好的應(yīng)用前景受到了學(xué)者的廣泛關(guān)注。然而，在對(duì)高光譜圖像分類(lèi)時(shí)也會(huì)遇到許多問(wèn)題，例如，如何解決高維小樣本問(wèn)題，如何利用空間信息，如何選擇分類(lèi)器等。
　　稀疏表示是一種基于過(guò)完備字典表示的方法

2、，采用盡可能簡(jiǎn)潔、有效的稀疏方式對(duì)數(shù)據(jù)進(jìn)行表示。稀疏表示的出現(xiàn)和興起，使構(gòu)建高維信號(hào)的稀疏模型成為研究的熱點(diǎn)，同時(shí)為高光譜圖像的分類(lèi)研究提供了新的研究思路。近年來(lái)，通過(guò)字典學(xué)習(xí)的稀疏信號(hào)模型在圖像處理與機(jī)器學(xué)習(xí)領(lǐng)域都取得了不錯(cuò)的成績(jī)，稀疏表示能捕捉信號(hào)的內(nèi)在結(jié)構(gòu)特點(diǎn)，且對(duì)噪聲具有魯棒性。
　　本文針對(duì)傳統(tǒng)的高光譜圖像分類(lèi)時(shí)只考慮地物的光譜信息，忽略了目標(biāo)的空間鄰域信息，不能取得理想分類(lèi)精度的問(wèn)題，研究了結(jié)合空譜信息的分類(lèi)方法，以此

3、來(lái)改進(jìn)高光譜圖像的分類(lèi)效果。本文利用了高光譜圖像數(shù)據(jù)的稀疏特性，采用稀疏編碼方式對(duì)高光譜圖像進(jìn)行分類(lèi)，所取得的主要研究成果為：
　　1.提出了一種基于引導(dǎo)濾波和字典學(xué)習(xí)的高光譜圖像分類(lèi)方法。該算法的基本思想是利用引導(dǎo)濾波求權(quán)重的方法，對(duì)光譜信息進(jìn)行空間約束，然后通過(guò)字典學(xué)習(xí)的方法獲得每個(gè)像元相應(yīng)的稀疏表示系數(shù)，最后利用訓(xùn)練好的線(xiàn)性SVM分類(lèi)器對(duì)稀疏表示系數(shù)進(jìn)行分類(lèi)。利用三幅真實(shí)高光譜遙感圖像來(lái)驗(yàn)證本方法的有效性。
　　2.提

4、出了一種基于非局部相似性和稀疏編碼的高光譜圖像分類(lèi)方法。該算法是受非局部均值思想的啟發(fā)，考慮到鄰域像素對(duì)中心測(cè)試像素的貢獻(xiàn)大小不同，提出利用非局部權(quán)值來(lái)衡量測(cè)試像素與鄰域像素的相似度。同時(shí)，該權(quán)值的大小由測(cè)試像素與鄰域像素之間的光譜角決定。然后利用稀疏編碼方式獲取樣本的稀疏系數(shù)，最后利用SVM對(duì)高光譜圖像進(jìn)行分類(lèi)。在Indian Pines、Pavia University和Salinas三幅高光譜遙感圖像上進(jìn)行仿真實(shí)驗(yàn)，結(jié)果表明該算法