高光谱图像的分类.pptVIP

专业：摄影测量与遥感 学号：115011089 姓名：郭军 文献主要内容简介 在这篇文章中，介绍了一种基于独立分量分析（ICA）以及扩展的形态属性剖面（EAPs）的高光谱遥感应图像分类的技术。独立分量分析法将数据映射到一个子空间，在这个子空间中这些分量尽可能地独立。这些通过利用几个特定的属性而提取出来的属性剖面适用于每张图像相关的提取出来的独立分量中，从而产生出了一系列扩展的形态属性剖面。 两种方法都提出了包括在分析中的计算模式。这些通过形态学处理而提取出来的特征是利用支持向量机（SVM）来分类的。最后在两张高光谱图像上进行的实验证明了提出的方法的有效性。 简介 对于高分辨率的高光谱图像的分类来说，空间信息的利用是非常重要的，尤其是考虑到市区时，并且最好是在分析时要考虑到几何特征，以至于得到在空间上的精确地图。在这篇文章中，我们通过使用两种分别基于扩展的属性剖面和独立分量分析的技术进行高光谱图像的分类，不仅如此，我们还探讨了将通过扩展的属性剖面计算所提取出来的信息和不同的属性结合起来的两种方法。  本文的结构：第二部分讨论了独立成分分析，而形态属性过滤器和扩展的属性剖面的概念将在第三部分展示，第四部分则阐述了所提出的用于处理复合的扩展的属性剖面的方法，实验的结果将在第五部分说明，最后在第六部分将得出结论。 独立分量分析（ICA） 首先我们要明白在ICA中独立的概念，即，每一个分量都不能提供任何关于其他分量的高阶（大于二阶）统计信息。 ICA的应用背景：特征减少经常被作为一个在对高光谱数据进行处理之前的预处理步骤，目的是为了避免维数灾难并且减少计算时间，而主成分分析法经常用来做此项工作，但是主成分分析法可能会忽略一些重要的信息，特别是当只有少数几个分量需要保留时。鉴于此，我们提出采用ICA。 ICA的概念：独立分量分析法包括寻找到一种能将观测到的数据分解成相互统计独立的分量的线性分解法。假设一个观测模型X=AS，X是所观测到的信号向量，A是一个与混合数量相关的系数矩阵，并且S是信号源向量，则通过独立分量分析法找到一个分离矩阵W，使得Y=WX=WAS,则向量Y就是一个具有统计独立分量的向量。 其他说明：然而这里有几种评估独立分量分析的方法。在这篇文章中，我们采用的是本征矩阵联合近似对角化这种方法，原因是在面对高光谱遥感数据时，用这种方法进行特征减少时取得了很好的结果。 扩展的属性剖面（EAP） 扩展的属性剖面是基于属性剖面的概念上的，而且它是广泛使用的形态剖面的一般化。类比于扩展的形态剖面，扩展的属性剖面是通过级联大量的属性剖面而产生的。每个属性剖面都是根据其中的c个特征中的一个计算的，而这些c个特征是指通过从一幅多元影像（例如高光谱影像）中特征减少变换（例如主成分分析法）而提取出来的。 EAP={AP(FR-1),AP(FR2),……，AP(FRc)}. (1) 属性剖面是形态剖面的一个扩展，通过处理一幅标量的灰度图像f而得到的，根据一个准则T，n个形态属性增厚 ，n个属性增厚 运算符，通过重建式子（2）来取代传统的形态过滤器。 （2） 利用不同的属性计算得到扩展的属性剖面过程的例子将会在下图中得到展示。 左图就是由大学数据集中图像的一部分的首要的两个主分量所计算出来的EAP的例子。每一列分别表示了一个内置不同属性的EAP。属性从左到右分别是面积，边界地区的框中对角线长度，惯性矩和标准偏差。每个EAP都是通过两个AP的级联而组成的，而这两个AP是由主分量1（PC1）和主分量2（PC2）计算出来的。每个AP是由三个水平组成的，分别是：增厚图像 ，原始的主分量和变薄图像 。所有的增厚和变薄变换都是采用下面的属性值计算的，即，面积：5000，边界地区的框中对角线长度：100，惯性矩：0.5，标准偏差：50。 处理复合的扩展属性剖面的方法 选择出最适合的属性和确定用来提取地理空间对象的信息的阈值的范围显然是一项很复杂的工作，特别是当先验信息没有提供时。一个可能的用来克服这一问题的方法就是依赖于计算通过多种多样的属性的得到的扩展的属性剖面。然而这将导致一个能否正确利用的问题，具体到分析中就是能否正确利用通过扩展的属性剖面而提取出来的不同的信息。 一个简单的策略是堆积的矢量方法（SVA），这种方法能够通过将这些不同信息并列到一个特征的单个向量里而与扩展的属性剖面结合起来。图a将会展示这个过程。 另一种方法就是融合方法（FA），这种方法是基于单个的扩展属性剖面的单独分类以及独立分类所得到的结果的融合上的，其中独立分类器的目的是为了生成最终的决定意义上的地图。详见图b 下图中，（a）表示的是采用堆积的矢量方法（SVA）来处理复合的EAP，（b）表示的是融合