基于流形學(xué)習(xí)算法的高光譜圖像分類和異常檢測(cè).pdf

1、高光譜遙感數(shù)據(jù)的光譜分辨率很高，能夠獲取地球表面豐富的光譜和空間信息，反映地物本質(zhì)的物理化學(xué)特性，使得在寬波段遙感中不可識(shí)別的地物，在高光譜遙感中能夠被識(shí)別。地物分類和異常檢測(cè)是高光譜遙感的重要應(yīng)用方向，對(duì)理解地物分布規(guī)律以及探測(cè)感興趣目標(biāo)具有重要作用，是論文研究的主要內(nèi)容。高光譜圖像具有很高的維數(shù)，存在數(shù)據(jù)冗余，噪聲，和維數(shù)災(zāi)難問(wèn)題，而且不是每個(gè)特征對(duì)所分析的問(wèn)題都具有作用，降維是解決這個(gè)問(wèn)題的有效方法。降維可以發(fā)現(xiàn)高維數(shù)據(jù)中所隱藏的

2、低維結(jié)構(gòu)，減少后續(xù)處理的負(fù)擔(dān)，而且可能提高數(shù)據(jù)分析的質(zhì)量。流形學(xué)習(xí)是一類重要的非線性降維方法，它假設(shè)高維數(shù)據(jù)位于一個(gè)低維流形中，該低維流形能夠表示數(shù)據(jù)的本征結(jié)構(gòu)和非線性特性。由于高光譜數(shù)據(jù)存在固有的非線性特性，線性降維可能丟失數(shù)據(jù)某些重要的非線性信息，因此，論文研究基于流形學(xué)習(xí)非線性降維的高光譜數(shù)據(jù)分析。流形學(xué)習(xí)分為全局算法和局部算法，論文重點(diǎn)研究局部流形學(xué)習(xí)算法在高光譜圖像分類和異常檢測(cè)中的應(yīng)用，主要從以下幾個(gè)方面開(kāi)展研究工作：

3、>　　 ⑴流形學(xué)習(xí)算法存在的一個(gè)問(wèn)題是無(wú)法對(duì)新數(shù)據(jù)進(jìn)行泛化，論文采用Bengio提出的基于核的泛化算法框架，實(shí)現(xiàn)對(duì)多種流形學(xué)習(xí)算法的泛化。泛化算法的關(guān)鍵是給出流形學(xué)習(xí)算法對(duì)應(yīng)的核函數(shù)，對(duì)于局部切空間排列算法，論文推導(dǎo)出其核函數(shù)，實(shí)現(xiàn)其對(duì)新數(shù)據(jù)的泛化。
　　 ⑵對(duì)于高光譜圖像分類，論文對(duì)多種流形學(xué)習(xí)算法進(jìn)行比較研究，采用k 近鄰分類器對(duì)各種降維算法的分類性能進(jìn)行評(píng)價(jià)，以更好理解流形學(xué)習(xí)算法的性能，以及高光譜圖像在流形域的數(shù)據(jù)特性

4、。通過(guò)大量實(shí)驗(yàn)得到多個(gè)有意義的結(jié)論：流形學(xué)習(xí)算法是一種有價(jià)值和前景的高光譜數(shù)據(jù)預(yù)處理方法，其最大優(yōu)勢(shì)是在兩類分類問(wèn)題中，可以提高難以區(qū)分地物的分類效果；另外，有監(jiān)督局部流形學(xué)習(xí)算法具有最好表現(xiàn)，能夠較大幅度提高分類性能。
　　 ⑶基于流形學(xué)習(xí)算法和k 近鄰分類器結(jié)合的研究，提出一種新的基于有監(jiān)督局部流形學(xué)習(xí)算法的加權(quán)k 近鄰分類器，應(yīng)用于高光譜圖像分類。權(quán)值由流形學(xué)習(xí)算法的核函數(shù)計(jì)算，可以描述數(shù)據(jù)局部幾何結(jié)構(gòu)，有效評(píng)價(jià)各近鄰點(diǎn)對(duì)

5、測(cè)試點(diǎn)分類的作用，提高k 近鄰分類器的性能。該分類器計(jì)算簡(jiǎn)單，只需要計(jì)算近鄰點(diǎn)權(quán)值，因而適用于大數(shù)據(jù)量情況，還可以有效緩解不均衡樣本對(duì)k 近鄰分類器的影響。
　　 ⑷針對(duì)高光譜圖像異常檢測(cè)存在的問(wèn)題，采用魯棒的流形學(xué)習(xí)算法，以避免異常信息對(duì)背景特性的影響，建立更準(zhǔn)確的背景流形，提高異常檢測(cè)性能。首先對(duì)魯棒的局部線性嵌入算法，通過(guò)將圖像分割成多個(gè)子塊的方式降低其計(jì)算量，但是無(wú)法得到全局降維結(jié)果。然后提出基于背景訓(xùn)練點(diǎn)選擇的魯棒流形