利用稀疏自表达实现高光谱影像波段选择

提出一种稀疏自表达方法来研究高光谱影像分类中的波段选择问题。该方法利用字典矩阵等于测量矩阵的条件来改进多观测向量的稀疏表达模型,将波段子集看作高光谱影像波段集合中的代表子集。稀疏自表达方法将波段选择转换为寻求多观测向量中稀疏系数矩阵的非零行向量问题,通过引入混合范数来限定非零元素行向量的个数,利用快速交替方向乘子方法求解稀疏系数矩阵,并聚类非零行向量,实现波段的有效选择。基于两个公开高光谱影像数据集并对比其他4种波段选取方法来验稀疏自表达方法。实验结果证明,稀疏自表达方法能够在计算效率明显优于基于波段相关性的线性限制最小方差方法的同时,取得与该方法和非负稀疏矩阵分解方法相匹甚至略高的总体分类精度。     

等距映射降维用于高光谱影像低维流形特征提取

通过观察对比等距映射流形坐标和光谱特征的变化趋势来解释每一维流形坐标的光谱含义,目的在于从具有光谱解释的流形图中提取低维流形特征。通过设计两个实例来验证本文提出的低维流形特征提取方法。结果显示,Isomap低维流形图可用于提取目标地物的低维流形特征,同时也证明了等距映射流形坐标光谱解释的可行性。这对Isomap降维在高光谱影像中的应用具有很大的理论指导意义。     

加权概率原型分析的高光谱影像波段选择

高光谱遥感影像波段众多、相关性强,导致其实际分类应用计算量大且存在明显的"维数灾难"问题。本文提出加权概率原型分析方法来研究高光谱影像的波段选择问题。该方法考虑波段间的差异性,引入综合差异性度量指标来构造权重矩阵以改进传统原型分析模型;考虑稀疏系数的狄利克雷分布和高光谱成像过程的量子特性,引入贝叶斯框架理论来构建波段选择的优化模型。加权概率原型分析方法采用迭代优化的策略,利用交替方向乘积方法来依次求解两个凸优化子问题来得到局部最优的稀疏系数矩阵并实现波段子集的最优估计。基于两个公开的高光谱数据集,对比4种主流的波段选择方法(SpaBS、SNMF、ISSC、SSR)来验证提出方法的可靠性。实验结果表明,加权概率原型分析方法的总体分类精度高于其他4种方法,能够得到更好的分类结果图。本文提出的加权概率原型分析模型能够选择合适的波段子集来满足高光谱影像的高精度分类需求。     

用流形坐标差异图提取高光谱影像潜在特征

等距映射和局部切空间排列降维后,低维流形坐标能够保留原始高光谱影像中地物光谱信息,用于提取原始影像的潜在特征。然而这两种流形方法的理论差异导致其低维坐标继承光谱信息的能力不同,对比这两种流形坐标可凸显出原始影像内部的潜在特征。因此,本文基于等距映射和局部切空间排列非线性降维,提出两种流形坐标的差异图法来提取高光谱影像内部的潜在特征。首先,根据流形坐标的光谱解释确定两种坐标的每一维代表相同的光谱信息。其次,根据相同的光谱特征,归一化两种流形坐标并调整坐标轴方向,统一两种坐标到相同的坐标框架。最后,通过加权流形图相减得到坐标差异图,采用经典的图像处理方法提取潜在特征。采用两个实验并对比等距映射和局部切空间排列方法的降维结果来验证本文方法。结果表明,流形坐标差异图能够成功提取单一流形结果无法得到的潜在特征,如靠河岸的浅水区域和大场景沼泽地中的低分辨率道路。这为高光谱影像的潜在特征提取研究提供了一种新方法。     

利用偏最小二乘方法修复高光谱影像等距映射降维中遗失点的坐标

将Isomap流形学习方法应用于高光谱影像非线性降维时,在构建最短路径过程中,其边界点往往被忽略而没有低维流形坐标。对此,引入偏最小二乘方法来模拟修复遗失点的流形坐标,并从两个方面进行了综合评价。实验结果表明,模拟流形坐标与实际坐标吻合很好。