超光譜圖像的模式分類(lèi)技術(shù)研究.pdf

1、從20世紀(jì)后半葉開(kāi)始，來(lái)源于多光譜傳感器的遙感圖像就已經(jīng)在農(nóng)林業(yè)、生態(tài)學(xué)、大氣科學(xué)等多種地球觀(guān)察應(yīng)用中表現(xiàn)出了巨大的應(yīng)用價(jià)值。然而對(duì)于區(qū)分愈發(fā)復(fù)雜的地面覆蓋來(lái)說(shuō)多光譜傳感器的波段數(shù)目已經(jīng)不夠，尤其當(dāng)需要區(qū)分同一地物的多種類(lèi)別時(shí)，傳統(tǒng)方式所采集的信息明顯不足。超光譜傳感器的問(wèn)世可以解決這個(gè)問(wèn)題。超光譜傳感器同時(shí)測(cè)量幾百個(gè)狹長(zhǎng)而連續(xù)的譜帶，覆蓋了從可見(jiàn)光到中遠(yuǎn)紅外的區(qū)域，增加的波段使得排除各種類(lèi)別之間的重疊信息成為可能，并且提高了鑒別微小差

2、別種類(lèi)的能力。在實(shí)際應(yīng)用中，高維特征空間中的采樣點(diǎn)集合會(huì)造成所謂的維數(shù)災(zāi)難現(xiàn)象，即隨著采樣點(diǎn)的增多，高維特征空間將成指數(shù)倍地增加運(yùn)算復(fù)雜度。此外，高維數(shù)據(jù)也加重了運(yùn)算負(fù)荷、通信帶寬以及存儲(chǔ)空間需要量。
　　本文以超光譜圖像為背景，對(duì)模式分類(lèi)系統(tǒng)所涉及的分類(lèi)器設(shè)計(jì)、特征選擇及系統(tǒng)評(píng)價(jià)問(wèn)題進(jìn)行了研究。其中，針對(duì)分類(lèi)器設(shè)計(jì)這一核心問(wèn)題，分別從相關(guān)分析和概率統(tǒng)計(jì)方面入手，研究了適用于超光譜數(shù)據(jù)分類(lèi)的核方法。本文的主要內(nèi)容包括：
　　

3、針對(duì)超光譜圖像多分類(lèi)器設(shè)計(jì)問(wèn)題，提出了基于概率統(tǒng)計(jì)技術(shù)的一對(duì)一策略波段加權(quán)核方法。在支持向量機(jī)的算法框架下，分別采用來(lái)源于概率統(tǒng)計(jì)學(xué)中的幾種Bayes最小分類(lèi)誤差上界對(duì)各子分類(lèi)器所處理的兩個(gè)分類(lèi)對(duì)象進(jìn)行可分性度量，并將其用作波段加權(quán)核函數(shù)的系數(shù)。這樣，每個(gè)子分類(lèi)器可以利用一個(gè)基于可分性度量的加權(quán)向量來(lái)優(yōu)化分類(lèi)，而對(duì)整個(gè)多分類(lèi)器而言，即得到一個(gè)優(yōu)化加權(quán)矩陣。接著，分析了各子分類(lèi)器在專(zhuān)屬優(yōu)化下的分類(lèi)誤差，指出了剔除加權(quán)矩陣中小樣本可分性度量

4、對(duì)所提方法的必要性，并據(jù)此對(duì)算法做出進(jìn)一步優(yōu)化。實(shí)驗(yàn)表明，所提方法能夠提高分類(lèi)精度，對(duì)傳輸帶寬受限的較少波段圖像，提高則更為明顯。
　　提出了基于相關(guān)分析技術(shù)的超光譜分類(lèi)核方法。利用相關(guān)分析技術(shù)提取超光譜數(shù)據(jù)立方體中未被分類(lèi)器所利用的譜間信息，將其作為加權(quán)向量應(yīng)用在核函數(shù)內(nèi)部，使各子分類(lèi)器得到一致優(yōu)化，使得有用分類(lèi)信息較多的波段在分類(lèi)中發(fā)揮更重要的決策作用，進(jìn)而提高分類(lèi)精度。由于優(yōu)化后的子分類(lèi)器參數(shù)一致，因此可靈活地選擇多分類(lèi)策略

5、。接著，采取兩種方式生成加權(quán)向量：其一是利用各波段與相鄰波段之間的互信息，具有無(wú)需任何先驗(yàn)信息的優(yōu)點(diǎn)，但是需要完整的譜帶才有效；其二是利用各波段與真實(shí)地物參考圖的相關(guān)信息，具有不受波段數(shù)目影響的優(yōu)點(diǎn)，但是需要參考圖。繼而設(shè)計(jì)了基于非線(xiàn)性相關(guān)系數(shù)的估計(jì)參考圖自動(dòng)生成算法，很好地替代了需要人工標(biāo)定的真實(shí)地物參考圖。對(duì)于方式二，又分別選取了歸一化互信息和非線(xiàn)性相關(guān)系數(shù)這兩種相關(guān)分析技術(shù)，實(shí)驗(yàn)表明基于后者的核方法在分類(lèi)性能上更具優(yōu)勢(shì)。
　

6、　提出了基于多維互信息簡(jiǎn)化算法的超光譜圖像波段選擇方法。選擇準(zhǔn)則采用多維互信息，具有無(wú)需對(duì)象服從任何分布的優(yōu)勢(shì)，同時(shí)由于互信息在計(jì)算過(guò)程中不涉及圖像中各類(lèi)別間的區(qū)分運(yùn)算，因此無(wú)需在波段選擇環(huán)節(jié)就確定后續(xù)分類(lèi)任務(wù)的具體類(lèi)別。然而多維互信息在實(shí)際應(yīng)用中難以計(jì)算，將其分解后可得到若干個(gè)一維互信息以及若干個(gè)仍難以求解的一維條件互信息，但后者隨著間隔波段的增大會(huì)逐漸減小，因此對(duì)其采取了直接刪除及同質(zhì)化概念替代這兩種簡(jiǎn)化計(jì)算方法。只要不采用浮動(dòng)搜索

7、策略，這種不嚴(yán)格的刪除或替代便不會(huì)導(dǎo)致選擇過(guò)程被錯(cuò)誤地終止。實(shí)驗(yàn)表明該方法優(yōu)于公認(rèn)有較好表現(xiàn)的平均Jeffreys-Matusita距離順序前向選擇方法，不僅所選擇的波段用于分類(lèi)后精度更高，而且在耗時(shí)方面優(yōu)勢(shì)明顯。
　　提出基于Tsallis熵冗余度的超光譜圖像性能評(píng)價(jià)方法。在解決冗余式波段選擇策略下分類(lèi)器數(shù)據(jù)源的選取問(wèn)題時(shí)，不可避免要度量蘊(yùn)含在多變量之間的相關(guān)性信息，因而提出了基于Tsallis熵冗余度的多變量相關(guān)分析算法。在評(píng)