论文部分内容阅读
高光谱影像是成像光谱仪以其空间和光谱分辨率对目标地物从空间维度和光谱维度的采样数据，实现了数据“图谱合一”。高光谱成像技术广泛地应用在城市规划、水资源和湿地保护、精准农业、地质灾害预报、森林植被调查、军事目标的侦查与识别等领域。地物目标的分类是高光谱影像处理的主要任务之一，指的是对于给定的高光谱影像数据和事先定义好的地物类别，根据地物像素的特征，将其识别为对应的类别。高光谱影像分类是后续高光谱数据精确解译和定量分析的前提。研究分类的模型和算法，寻找更加高效的遥感影像分类方法具有重要的实际意义。
论文从高光谱遥感影像空谱分类方法和有限训练样本入手，解决马尔科夫随机场空谱分类方法中存在的过平滑/欠平滑问题、类标偏置、边缘细节保护，以及影像标记数据的小样本等问题，进而改善对地物的分类识别效果并保护更多的边缘细节信息。本论文的主要研究创新点概括如下：
(1)提出了联合自适应类对间惩罚权限值和光谱相似性的马尔科夫随机场高光谱遥感影像空谱分类算法。传统的方法存在如下问题：在引入空间平滑项修正后的分类图中有的局部区域过平滑，即小尺寸的地物和边缘细节信息丢失；有的局部区域则欠平滑，仍然存在许多错误标注的像素。针对该问题，提出的算法联合了带有K(K-1)/2(K为地物种类数)不同耦合系数的传统Potts模型。算法认为逐像素分类器得到的初始分类结果中，不同地物之间相互混淆程度不同，利用Potts模型引入空间平滑约束时应采用不同惩罚权值。算法首先提出利用Fisher值和灰度共生矩阵描述不同类之间的可分性和混淆程度，然后将两者结合起来根据不同类对的混淆程度重新分配Potts模型中对相邻不同地物类标的惩罚程度。对于混淆程度严重的类对之间引入较大平滑权值，反之较小。算法同时引入了相邻像素之间的光谱相似性度量来保护边缘信息。采用基于图割αβ-swap算法优化提出的目标函数，在三组常见高光谱影像上对算法进行验证。实验结果表明算法在分类精度、同质区域一致性和细节边缘信息的保护上都优于主流方法。
(2)提出了联合类标平滑和偏置平衡，以及光谱相似性的马尔科夫随机场空谱分类方法。马尔科夫随机场模型被广泛地应用到高光谱影像分类中，改善初始分类结果。然而很少有研究者注意到初始逐像素分类结果中不平滑现象的规律，更不用说其对分类结果的影响。本算法从一个问题出发：对于初始分类结果图中的错误分类像素数目较多的局部区域，传统的Potts模型只考虑平滑信息，而并不关心平滑修正后相邻像素的共同类标正确与否。这可能引起整个局部修改为错误类标的后果，与引入空间平滑信息改善初始分类图的目的相悖。算法认为这是由于初始逐像素分类结果中发生了类标偏置。该算法提出一种类标偏置估计方法用来描述类标偏置，然后基于此定义并推导带有自适应类内惩罚的类标偏置平衡项。该约束项跟传统的空间平滑项合并称之为统一相互作用约束项，算法也考虑了相邻像素的光谱相似性。在两组常见高光谱影像上的实验结果验证了算法与传统方法在分类精度和区域类标一致性上的优势。
(3)提出了一种自适应边缘保护图马尔科夫随机场空谱分类模型。两个共生的问题一直困扰着基于马尔科夫随机场空谱分类模型的应用，即过平滑和欠平滑问题，诸多学者提出各种的边缘保护模型来保护边缘细节信息。例如，利用相邻像素的光谱相似程度来描述其位于边缘区域或者地物内部的可能性。不同于传统方法，算法采用分而治之的策略，一组类对一组类对提出一种新的边缘保护图模型来保护边缘信息。对有K种地物的识别任务，该模型将构造的K(K-1)/2幅边缘保护图，并结合到空谱分类方法中。对于一系列光谱相似性度量方式，提出一种边缘可检测性度量，同时最大化在边缘区域检测到真实边缘和在地物区域内部检测到伪边缘的可能性差异。模型采用提出的边缘可检测性度量来优化每一幅边缘保护图。采用两组常见高光谱遥感影像来验证该模型，并且引入分割评估指标。实验结果验证该模型在分类精度和保护边缘细节信息方面优于传统的马尔科夫随机场空谱分类方法。
(4)针对高光谱遥感影像分类中的有限训练样本问题，提出一种结合协同学习和聚类分析的学习策略。近年来，联合主动学习和半监督学习的协同学习框架引起了诸多研究者的关注。以往的研究者往往单独采用聚类分析来分别增强主动学习和半监督学习的效果。算法以聚类分析作纽带，结合主动学习和半监督学习实现协同学习，最终解决有限训练样本问题。首先对所有未标注样本进行聚类分析；针对主动学习和半监督学习过程提出基于聚类结果的查询机制；针对半监督学习提出基于聚类结果的伪标记机制。然后，在每个聚类中，通过基于聚类的查询机制为主动学习和半监督学习分别选择初始分类结果中最不确定和其次不确定的像素，从而保证所选取的像素的有效信息量。最终，每个聚类中的最不确定像素通过人工标注，而将其次不确定的像素利用聚类分析伪标记为与最不确定像素相同的类标。算法把聚类分析结合到协同学习中，同时增强样本的差异性和伪标记的可信度。通过三组常见的高光谱遥感影像实验验证本算法在小样本的情况下分类精度上优于传统的学习策略。
论文从高光谱遥感影像空谱分类方法和有限训练样本入手，解决马尔科夫随机场空谱分类方法中存在的过平滑/欠平滑问题、类标偏置、边缘细节保护，以及影像标记数据的小样本等问题，进而改善对地物的分类识别效果并保护更多的边缘细节信息。本论文的主要研究创新点概括如下：
(1)提出了联合自适应类对间惩罚权限值和光谱相似性的马尔科夫随机场高光谱遥感影像空谱分类算法。传统的方法存在如下问题：在引入空间平滑项修正后的分类图中有的局部区域过平滑，即小尺寸的地物和边缘细节信息丢失；有的局部区域则欠平滑，仍然存在许多错误标注的像素。针对该问题，提出的算法联合了带有K(K-1)/2(K为地物种类数)不同耦合系数的传统Potts模型。算法认为逐像素分类器得到的初始分类结果中，不同地物之间相互混淆程度不同，利用Potts模型引入空间平滑约束时应采用不同惩罚权值。算法首先提出利用Fisher值和灰度共生矩阵描述不同类之间的可分性和混淆程度，然后将两者结合起来根据不同类对的混淆程度重新分配Potts模型中对相邻不同地物类标的惩罚程度。对于混淆程度严重的类对之间引入较大平滑权值，反之较小。算法同时引入了相邻像素之间的光谱相似性度量来保护边缘信息。采用基于图割αβ-swap算法优化提出的目标函数，在三组常见高光谱影像上对算法进行验证。实验结果表明算法在分类精度、同质区域一致性和细节边缘信息的保护上都优于主流方法。
(2)提出了联合类标平滑和偏置平衡，以及光谱相似性的马尔科夫随机场空谱分类方法。马尔科夫随机场模型被广泛地应用到高光谱影像分类中，改善初始分类结果。然而很少有研究者注意到初始逐像素分类结果中不平滑现象的规律，更不用说其对分类结果的影响。本算法从一个问题出发：对于初始分类结果图中的错误分类像素数目较多的局部区域，传统的Potts模型只考虑平滑信息，而并不关心平滑修正后相邻像素的共同类标正确与否。这可能引起整个局部修改为错误类标的后果，与引入空间平滑信息改善初始分类图的目的相悖。算法认为这是由于初始逐像素分类结果中发生了类标偏置。该算法提出一种类标偏置估计方法用来描述类标偏置，然后基于此定义并推导带有自适应类内惩罚的类标偏置平衡项。该约束项跟传统的空间平滑项合并称之为统一相互作用约束项，算法也考虑了相邻像素的光谱相似性。在两组常见高光谱影像上的实验结果验证了算法与传统方法在分类精度和区域类标一致性上的优势。
(3)提出了一种自适应边缘保护图马尔科夫随机场空谱分类模型。两个共生的问题一直困扰着基于马尔科夫随机场空谱分类模型的应用，即过平滑和欠平滑问题，诸多学者提出各种的边缘保护模型来保护边缘细节信息。例如，利用相邻像素的光谱相似程度来描述其位于边缘区域或者地物内部的可能性。不同于传统方法，算法采用分而治之的策略，一组类对一组类对提出一种新的边缘保护图模型来保护边缘信息。对有K种地物的识别任务，该模型将构造的K(K-1)/2幅边缘保护图，并结合到空谱分类方法中。对于一系列光谱相似性度量方式，提出一种边缘可检测性度量，同时最大化在边缘区域检测到真实边缘和在地物区域内部检测到伪边缘的可能性差异。模型采用提出的边缘可检测性度量来优化每一幅边缘保护图。采用两组常见高光谱遥感影像来验证该模型，并且引入分割评估指标。实验结果验证该模型在分类精度和保护边缘细节信息方面优于传统的马尔科夫随机场空谱分类方法。
(4)针对高光谱遥感影像分类中的有限训练样本问题，提出一种结合协同学习和聚类分析的学习策略。近年来，联合主动学习和半监督学习的协同学习框架引起了诸多研究者的关注。以往的研究者往往单独采用聚类分析来分别增强主动学习和半监督学习的效果。算法以聚类分析作纽带，结合主动学习和半监督学习实现协同学习，最终解决有限训练样本问题。首先对所有未标注样本进行聚类分析；针对主动学习和半监督学习过程提出基于聚类结果的查询机制；针对半监督学习提出基于聚类结果的伪标记机制。然后，在每个聚类中，通过基于聚类的查询机制为主动学习和半监督学习分别选择初始分类结果中最不确定和其次不确定的像素，从而保证所选取的像素的有效信息量。最终，每个聚类中的最不确定像素通过人工标注，而将其次不确定的像素利用聚类分析伪标记为与最不确定像素相同的类标。算法把聚类分析结合到协同学习中，同时增强样本的差异性和伪标记的可信度。通过三组常见的高光谱遥感影像实验验证本算法在小样本的情况下分类精度上优于传统的学习策略。