空谱特征与稀疏表示相结合多源数据联合分类.docVIP

第一章 绪论 1.1 研究背景和意义 近几十年来，随着科学技术的迅速发展，越来越多的探测手段被应用于现代遥感技术中，使得遥感技术可以实时地获取地物信息，多样化的探测手段也增大了获取地物信息时的智能化的程度，通过遥感技术探测获得的信息也已经被大量地应用在各种领域中，如用于监测自然灾害、监测环境质量、测绘地理信息、调查资源分布、探索星际资源、辅助农业生产、监测工程建设和监测国防建设等方面 [1]。遥感信息的应用[2]前提是遥感数据的解译，而在遥感影像智能解译的众多组成部分中，遥感影像的分类技术不仅占据重要位置，还一直被研究学者们认为是遥感领域的一个研究热点，吸引了越来越多学者们的目光。在实际应用中，可以根据分类结果制作的各种专题图为具体的遥感分析应用提供基础的数据。 遥感影像中包括许多不同种类的地物，如房屋、河流、草地、树木、汽车等，具体的影像分类任务就是通过一定的分类方法，将包含在影像区域内的所有地物的类别区分清楚，分类后的影像结果图可以给人们更加直观的感受，使人们更详细的了解观测范围内地物的分布概况，为分析数据区域提供帮助，为进一步的实际应用提供基本数据。传统的遥感影像分类方法主要是根据影像中目标（像元或对象）的光谱特[3]。而且，由于光谱信息受到大气吸收和散射、地表反照率以及传感器的误差等因素的影响，有可能存在同物异谱以及异物同谱的现象，因此仅靠光谱特进行分类会影响分类精度为了进一步提高分类精度，应将光谱信息和空间信息有效地结合起来[4]针对高光谱影像提取的空-谱组合特征通常是高维的，直接使用这类特征进行分类，不但计算复杂度高，而且存在信息冗余，因此分类前有必要对组合特征进行降维处理。(Light Detection And Ranging, LiDAR)的出现正好可以弥补这一缺点。激光雷达之所以可以准确确定待观测的目标对象的空间坐标信息是基于其可以发射脉冲和接收脉冲这一原理，两者之间的时间差可用来计算正在使用的传感器和待观测的目标对象之间的距离。对激光雷达数据进行预处理，获得与光谱影像具有一一对应关系的激光雷达影像，但是，此时的激光雷达影像中包含的高度信息是目标对象的绝对高程信息，并不是目标对象以地面为参照物的相对高程信息。在实际的应用中，地势往往不是平旦的，均存在一定的地势起伏，因此，目标对象的绝对高程信息并不能很好地反映地物的特征，相反，目标对象以地面为参照物的相对高程信息与其相比，对地物的特征描述地更贴切，对分类可以提供更大的帮助，因此我们要找到合适的方法从激光雷达数据中获得地物距离地面的相对高度信息[5]。由于可以从激光雷达数据中获取目标对象的高度信息，从高光谱影像中获取目标对象的光谱信息，而这两类信息刚好可以相互弥补对方的缺点，因此，我们可以将这两种不同来源的信息结合起来进行分类，以达到更高的分类精度。 本文以高光谱影像和激光雷达数据作为研究对象，探讨了如何对高光谱影像进行降维的问题、从高光谱影像中提取空-谱特征的问题以及从激光雷达数据中获取地物距离地面的相对高度信息的问题。在此基础上，本文将提取自不同数据源的特征有效地结合起来，提出了一种空-谱特征与稀疏表示相结合的多源数据联合分类的方法，最终提高了影像的分类精度。这在为遥感影像解译做出贡献的同时，也为遥感影像的各种实际应用提供了基础的分析数据，具有重要的研究意义。 1.2 研究现状及发展趋势 高光谱遥感诞生于上世纪80年代，是一种无需接触目标即可探测目标信息的观测技术，高光谱影像即是高光谱遥感的产物。高光谱影像是高光谱成像光谱仪使用很多很窄的电磁波段(通常波段宽度10nm)从感兴趣的目标获取的影像数据，一般包括几十到数百个连续波段，光谱变化范围从可见光到红外波段，高光谱影像上的每一个像元均对应着一条光谱曲线，不同的光谱反射率代表着不同的地物[6]，成像示意图如图1所示，因此，可以利用该像元的光谱特性来确定它的所属类别。 迄今为止，已经发展了许多高光谱影像分类方法。在这些方法中，支持向量机SVM (Support Vector Machine)[7] 的分类方法因其可以很好地解决影像分类时面临的数据维数较高这一问题，已在高光谱分类领域了好的效果[-10]。但最初的SVM方法仅利用了影像的光谱信息，没有加入空间信息，导致分类精度不高，为了进一步提高分类精度，应将光谱信息和空间信息充分结合起来。Fauvel等[11]在对高光谱影像进行分类时，先在高光谱数据的主成分图上利用形态学开闭运算提取目标的空间信息，然后将其与光谱信息相结合得到组合特征，最终提高了分类精度。Velasco-Forero等[]在进行高光谱影像分类时，对数据进行预处理，在特征空间中利用局部线性嵌入的方法增强了空间纹理信息，最终提高了分类器的性能。Cui Minshan等[]提出一种综合利用原始谱域和