空-谱联合高光谱数据降维与分类方法研究-电路与系统专业毕业论文.docxVIP

万方数据 万方数据 西安电子科技大学 学位论文独创性（或创新性）声明 秉承学校严谨的学风和优良的科学道德，本人声明所呈交的论文是我个人在 导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标 注和致谢中所罗列的内容以外，论文中不包含其他人已经发表或撰写过的研究成 果；也不包含为获得西安电子科技大学或其它教育机构的学位或证书而使用过的 材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中做了明确的说 明并表示了谢意。 申请学位论文与资料若有不实之处，本人承担一切的法律责任。 本人签名： 日期 西安电子科技大学 关于论文使用授权的说明 本人完全了解西安电子科技大学有关保留和使用学位论文的规定，即：研究 生在校攻读学位期间论文工作的知识产权单位属西安电子科技大学。本人保证毕 业离校后，发表论文或使用论文(与学位论文相关)工作成果时署名单位仍然为西安 电子科技大学。学校有权保留送交论文的复印件，允许查阅和借阅论文；学校可 以公布论文的全部或部分内容，可以允许采用影印、缩印或其它复制手段保存论 文。 (保密的论文在解密后遵守此规定) 本人授权西安电子科技大学图书馆保存学位论文，本学位论文属于公开(保密 级别)，并同意将论文在互联网上发布。 本人签名： 日期 导师签名： 日期 4 空-谱联合高光谱数据降维与分类方法研究 摘要 I 摘要 高光谱影像数据分类是近年来遥感数据解译的热点问题之一。随着高光谱成 像技术的发展，所获影像数据的空间分辨率得到显著提高，使得在分类中利用空 间信息成为可能。本文在挖掘高光谱数据空间信息的基础上，研究了光谱与空间 信息联合使用的策略，设计了几种空谱联合的半监督高光谱数据维数约简与分类 方法。具体研究内容如下： （1）设计了一种基于空谱稀疏感知图的高光谱数据分类方法。首先，在高光 谱数据的空间一致性假设下，挖掘层次化的空域局部结构，联合光谱数据的非负 低秩表示构造出空谱结合的稀疏感知图。利用该空谱稀疏感知图形成 Laplacian 正 则，实现半监督学习，在极少标记样本的条件下，能够获得准确的分类结果。将 所提出的方法进行 Indian Pines、Salinas 和 Pavia University 等实际高光谱数据的分 类，实验结果表明：该算法通过引入空间信息，能够有效提高分类器的识别率， 尤其是在小样本情况。 （2）设计了一种基于空谱表征学习的高光谱数据降维方法。针对半监督降维 中的正则图规模过大的问题，将数据选择归结为稀疏表示问题，利用表征学习获 得“代表性”数据。在线性判别分析中构造稀疏样本的光谱 Laplacian 正则，与层 次化空间 Laplacian 正则，寻找最优投影方向实现半监督降维。在 Indian Pines 等实 际高光谱数据上进行实验仿真，结果显示：与 PCA，LDA，LPP，SDLA 降维算法 相比，能够更好的提取判别性的特征，在采用 SVM 等基本分类器时，分类正确率 有所提高。 （3）设计了一种基于空谱张量稀疏表示的高光谱数据分类算法。张量能够将 高光谱数据的空谱信息联合表示，有望对高光谱数据实现更高效的处理。在稀疏 表示分类器的基础上，设计了空谱张量稀疏表示分类器。在稀疏表示的过程中， 考虑高光谱图像的空间一致性，采用张量稀疏表示快速高效的求解稀疏系数，用 于预测高光谱数据的标签。在 Indian Pines、Salinas 和 Pavia University 等实际高光 谱数据上进行实验仿真，实验结果表明：本章提出的方法能得到很高的地物识别 率。 本文的工作得到了国家重点基础研究发展计划（ 973 计 划 ）： No. 2013CB329402，国家自然科学基金6060102961173090)， 新世纪优秀人才项目：NCET-10-0668，高等学校学科创新引智计划（111 计划）： No. B0704，教育部博士点基金(20120203110005)，武器装备预研基金项目(9*****)， 以及华为创新研究计划项目(IRP-2013-01-09)的资助。 II 空-谱联合高光谱数据降维与分类方法研究 关键词：高光谱数据 降维 分类 稀疏表示 表征学习 张量 半监督学习 流形 学习 Abstract III Abstract The hyperspectral remote sensing image contains abundant spatial, radiational and spectral information that increases the possibility of accuratelydiscriminating landcovers of interest. The sp