论文部分内容阅读
随着遥感技术的飞速发展,高光谱遥感图像数据已经广泛地应用于环境监测、矿产勘探、军事目标识别等领域。因此,高光谱遥感图像数据的处理十分重要且具有实际应用价值。高光谱图像数据的解混精度和高光谱遥感图像的分类精度影响着高光谱遥感图像数据的后续应用,因此,高光谱图像的解混和分类是高光谱遥感图像处理中的关键性问题,也是后续研究和应用的重要基础。其中,在高光谱图像数据解混算法中,基于稀疏约束的解混算法已经成为解混算法的热点。现有的多目标稀疏解混算法虽然能解决传统稀疏解混算法中不能直接优化非凸0L范数和权重参数不能自适应选择的问题,但是仍存在因随机分组策略的缺陷及拐点选解具有单一性,从而导致高光谱图像数据解混精度不高的问题。在高光谱图像分类算法中,现有的高光谱图像生成式对抗网络(Generative Adversarial Network,GAN)分类算法虽然能够解决高光谱图像数据冗余度大,标记样本有限的问题,但是仍存在不能提取全部的光谱特征和空谱联合特征的不足之处,使得高光谱图像分类精度有待提升。本文针对现有高光谱图像稀疏解混算法和高光谱图像分类算法的不足,做了以下两方面的研究工作:首先,针对现有高光谱图像多目标稀疏解混算法中存在因随机分组策略的不足及拐点选解具有单一性而导致高光谱图像解混精度不高的问题,本文提出一种基于大规模多目标进化算法(Evolutionary Algorithm for Large-scale Many-objective Optimization,LMEA)的高光谱图像稀疏解混算法。首次引入LMEA算法中的决策变量分组策略,并提出有约束拐点区域选解策略来提升高光谱图像数据稀疏解混的精度。本文将该算法应用于基于光谱特征的二目标稀疏解混框架和基于空谱联合特征的三目标稀疏解混框架中,使用常用的模拟和真实高光谱图像数据集进行对比实验,提出算法均获得最好的解混效果,也证明了使用空谱联合特征提高了算法对噪声的鲁棒性。其次,针对现有高光谱图像GAN分类算法中存在因提取光谱特征和空谱联合特征不全面而导致高光谱图像分类精度不高的问题,本文提出基于双通道GAN的高光谱图像分类算法。首先设计并搭建改进的一维GAN分类框架和改进的二维GAN分类框架用来分别提取更为全面的光谱特征和空间特征,并在上述两种框架的基础上,首次在高光谱图像GAN分类模型中引入了双通道的思想,设计并搭建双通道GAN分类框架用以提取更为全面的空谱联合特征送入到分类器中,进而提升高光谱图像的分类精度。通过对常用的三组高光谱数据集进行实验,提出算法与其他算法相比得到了最优的分类结果,验证了提出算法的有效性和先进性。