论文部分内容阅读
高光谱遥感图像(Hyperspectral Image,HSI)地物分类是高光谱遥感图像处理领域中重要的研究课题之一。高光谱遥感图像具有数据量大,冗余程度高,空谱结构复杂等特点,且样本之间存在着同物异谱和同谱异物的现象,尤其在小样本条件下,传统的高光谱遥感图像特征提取算法表征能力差。因此,如何高效实现小样本条件下的高光谱遥感图像空谱特征提取与分类是本课题的研究重点。本论文从降维、去噪和特征提取等角度出发,提出多种高光谱遥感图像特征提取算法,较好解决少量训练样本条件下高光谱遥感图像分类精度不理想的难题。本文主要的研究内容概括如下:针对超像素分割算法(Superpixel Segmentation,SS)分割不精确的问题,提出一种融合双阶段k-NN(k-Nearest Neighbor)的超像素表示算法。通过选取每类训练样本中最具代表性的训练样本和每个超像素块中最具代表性的测试样本,增强样本的表征能力。实验结果表明,融合双阶段k-NN与超像素表示的高光谱遥感图像分类算法可以准确对超像素块内样本进行筛选,获取更加纯净的空间上下文信息,实现对测试样本更加精确地空间表征。同时,较大程度上降低类内差异,克服类间干扰,对比其他算法可以获得最高的分类精度。针对高光谱遥感图像中由传感器材料属性、元器件结构性能等因素引入的图像噪声问题,提出一种图像纹理模式分离(Texture Pattern Separation,TPS)的高光谱遥感图像特征提取算法。通过融合分析稀疏表示(Analysis Sparse Representation,ASR)和合成稀疏表示(Synthesis Sparse Representation,SSR)算法,并将其集成到联合卷积稀疏表示(Joint Convolutional Analysis-Synthesis Sparse Representation,JCAS)框架上,从而将高光谱遥感图像分解为包含特征信息的纹理层图像和包含噪声信息的背景层图像。最后,将具有纯净特征信息的纹理层图像用于真实地物识别与分类。实验结果表明,该算法确实能够有效分离高光谱遥感图像中的前景纹理层与背景噪声层,所提取到的纯净纹理层在较大程度上可提升高光谱遥感图像的分类精度。针对高光谱遥感图像分类任务中存在严重的椒盐噪声的问题,为进一步系统、深入地研究高光谱遥感图像的概率构建和概率优化过程,提出一种双阶段概率构建(Dual Stage Construction of Probability,DSCP)的后优化思路。首先,准确地构建初始概率图;其次,对初始概率图,利用更深层次的空间上下文信息进行迭代后优化;最终,获得高光谱遥感图像的最终分类结果图。为了验证所提算法在极少样本条件下的分类情况,本算法通过采用每类只有6个样本的训练样本集进行小样本实验。实验结果表明,双阶段概率构建的高光谱遥感图像分类算法能够降低图像的椒盐噪声现象,同时该算法可在极大程度上改善高光谱遥感图像的小样本分类问题。