高光谱图像特征提取与分类算法分析-计算机科学与技术专业论文.docxVIP

摘 要 摘 要 高光谱遥感图像具有几十个乃至几百个具有接近连续光谱覆盖特性的波段，它包含 了丰富的光谱信息和空间信息，可广泛应用于地质勘探、精细农业、生态环境、城市遥 感等领域。然而，由于高光谱图像具有数据量大、波段多、波段间相关性强等特性，给 其在分类与识别应用中带来了诸多挑战。高光谱图像特征提取与分类算法的研究成为高 光谱遥感数据处理的关键问题之一，受到越来越多国内外学者的重视，并已被 IEEE 图 像处理、IEEE 地理与遥感等汇刊先后列为前沿课题。为了提高高光谱图像的分类精度， 本文结合所参与的国家自然科学基金项目，对高光谱图像的谱间-空间特征提取方法和 分类算法进行了系统而深入的研究。研究内容和主要成果如下： （1）基于三维小波变换的高光谱图像特征提取与分类算法的研究。研究了一种基 于三维小波变换（3DDWT）的谱间-空间特征提取方法，该方法通过移动窗三维小波变 换，同时获取高光谱图像的谱间信息与空间信息。在此基础上提出了基于三维小波特征 的高光谱图像分类算法，即 3DDWT-LFDA-GMM 算法和 3DDWT-SVM 算法。通过仿真 实验，从所有特征子空间（LLLs, LLHs, LHLs, LHHs, HLLs, HLHs, HHLs, HHHs）中选 出分类效果最好的“LLLs”低频特征子空间作为特征空间。同时，对参数 B（3DDWT 移动窗大小）进行优化选取，从而得到最终的分类结果。由于移动窗三维小波变换能够 充分挖掘高光谱图像的方向特征和尺度特征，因此，提出的 3DDWT-LFDA-GMM 算法 和 3DDWT-SVM 算法均能在很大程度上提高分类精度。 （2）基于三维小波特征与马尔可夫随机场的高光谱图像分类算法的研究。对马尔 可夫随机场（MRF）在高光谱图像分类应用领域进行了分析，在提出的 3DDWT-SVM 算法的基础上，研究了一种基于三维小波特征与马尔可夫随机场相结合的高光谱图像分 类算法，即 3DDWT-SVM-MRF 算法。该算法根据贝叶斯定理将高光谱图像分类问题转 化为最大后验概率的求解问题，不但能有效的提取高光谱图像的谱间-空间特征，而且 使高光谱图像的空间上下文信息得到了更加充分的利用。实验结果表明，无论在小样本 情况下，还是在高斯白噪声环境中，提出的 3DDWT-SVM-MRF 算法比已有的几种算法 能得到更好的分类结果。 （3）基于三维小波特征的高光谱图像决策融合分类算法的研究。由于多个小波特 征子空间比单个小波特征子空间（如“LLLs”子空间）能更充分的挖掘有用信息，因而， 提出了基于多个三维小波特征空间的高光谱图像决策融合分类算法，即 Fusion-LOGP 算 法。首先，通过移动窗 3DDWT 技术对高光谱图像进行三维小波特征提取，得到 8 个小 波特征子空间（LLLs, LLHs, LHLs, LHHs, HLLs, HLHs, HHLs, HHHs）；然后，利用局部 Fisher 判别分析（LFDA）对这 8 个子空间的特征同时进行降维；再将高斯混合模型（GMM） I   PAGE 4 III 西北工业大学博士学位论 多分类器用来对降维后的特征进行分类；最后，采用对数意见池（LOGP）决策融合法 则对各个子空间的分类结果进行融合。实验结果表明，Fusion-LOGP 算法比基于单个特 征子空间的 3DDWT-LFDA-GMM 算法具有更好的分类性能。 提出了一系列基于小波系数相关矩阵（WCM）的高光谱图像决策融合分类算法， 即 WCM-LDA-MLE 算法、WCM-LFDA-GMM 算法和 WCM-SVM 算法。首先，通过移 动窗三维小波变换得到“LLLs”特征子空间，再利用 WCM 将该特征空间分割成若干个 相关性强的特征组；然后，分别利用最大似然估计分类器、高斯混合模型分类器或支持 向量机分类器对分组后的特征进行分类；最后，采用多数票决（MV）决策融合法则对 分类结果进行融合。实验结果表明，提出的一系列基于 WCM 的高光谱图像决策融合分 类算法不依赖于分类器的选择，即无论利用哪种分类器，均比对应的单分类器算法具有 更优的分类性能。即使在样本数较少和信噪比较低的情况下，WCM-LFDA-GMM 算法 和 WCM-SVM 算法也能得到很好的分类结果。 （4）基于主成分分析与二维小波变换的高光谱图像决策融合分类算法的研究。研 究了一种基于谱间 PCA 降维与空间 DWT 特征提取的高光谱图像决策融合分类算法，即 PCA-DWT-Fusion 算法。首先，利用谱间相关系数矩阵对高光谱图像进行波段分组；然 后，利用 PCA 对各组图像进行降维，并通过移动窗二维小波变换对降维后的图像进行 空间特征提取；再利用 LDA-MLE 分类器对各组特征进行分类，并采用线性意见池（LO