论文部分内容阅读
成像光谱仪技术的出现,使遥感技术提供光谱特征信息的同时,也提供了空间特征图像,在此基础上,高光谱遥感图像因具有较高的光谱分辨率,在实际中得到了广泛的应用。高光谱遥感图像波段多、信息量大,能够获取更为精细地光谱特征,给对地物的分类与探测带来前所未有的机遇,但同时也带来了挑战。针对高光谱遥感图像的特点,分类技术需要考虑以下关键性问题:(1)高光谱遥感图像具有几十甚至数百个波段,数据量大,维数高;(2)对样本进行标记是一件耗费人力、物力、财力的事情,且选取的样本也不一定具有代表性,Hughes证明了训练样本数目为样本数据维数的6~10倍时,分类效果较好,获取足够数目的且有代表性的有标签样本困难大;(3)地物的光谱特征受地物种类本身以及周围环境的影响变化较大,光谱特征具有空间变异性。传统的分类方法一般分为无监督分类和监督分类,无监督分类无需先验知识的指导,但分类效果不佳,监督分类方法一般依赖训练样本的数量和质量,在训练样本不足或质量不高的情况下,分类器的泛化性降低。综合考虑以上问题,本文主要研究了高光谱遥感图像的半监督分类算法,充分利用海量的无标签样本信息,辅助分类器进行分类。同时,利用核学习技术解决维数灾难问题,利用空间信息抑制光谱的空间变异性对分类的影响。在此基础上,主要提出了以下两种半监督分类方法:1提出一种结合局部和全局一致性学习方法(Learning with local and global consistency,LLGC)和最小二乘支持向量机(Least squares support vector machine,LS-SVM)的半监督分类算法。LLGC算法是一种基于图的分类算法,根据样本数据间的相似程度,将样本标签信息依次迭代的传递给无标签样本,基于此,本文提出用LLGC算法代替传统的KNN方法,对有标签样本的近邻样本进行标记,然后将已标记的样本扩充到LS-SVM的训练样本集中,训练LS-SVM分类器。本文提出的算法不仅能够很好地避免基于图算法时间复杂度高和直推性的缺陷,而且可以扩充LS-SVM训练样本集,提高LS-SVM的分类精度和泛化能力。实验结果表明,本文提出的算法在一定程度上提高了高光谱遥感图像的分类精度。2提出一种引入负相似的LapSVM半监督分类(Dissimilarity in Laplacian support vector machine,Diss-LapSVM)方法。LapSVM分类器是结合传统的正则化框架和流形假设提出的一种半监督分类方法,同传统的SVM算法一样,结构简单,运算速度快,鲁棒性强,而且通过添加流形正则化项,引入了无标签样本蕴含在流形结构中的几何信息,辅助有标签样本调整分类界面,提高了分类器的泛化性能。同时,本文提出利用LNP(Linear neighborhood propagation,LNP))算法,构造图的拉普拉斯矩阵,更好地反映无标签样本的几何结构信息。本文充分考虑到光谱特征的空间变异性,提出利用空间信息提取样本之间的相似度问题,引入了负相似的概念,在一定程度上减缓“同谱异物”、“同物异谱”现象对分类结果的影响。利用AVAIRIS图像验证算法的有效性,实验结果证明本文提出的算法在提高分类精度和运算速度方面都获得较好的效果,尤其可以提高光谱特征相似地物的分类精度。本文提出的两种算法各有特点,第一种是两种监督算法的结合,首先利用原始的有标签样本训练一种分类器,对置信度较高的无标签样本进行标记,达到扩充另一种分类器的训练样本集目的;第二种算法是直接将无标签样本添加到目标函数中,利用无标签样本的几何结构信息,同原始的有标签样本一起调整分类器的分类界面。本文提出的两种算法都是以基于核学习的分类器作为基分类器,在处理高光谱遥感图像高维问题上具有很强的鲁棒性,且解决了训练样本不足的问题。