基于流形学习的高光谱影像降维理论与方法研究

本文从高光谱数据的非线性本质出发来引入流形学习方法,结合高光谱影像的自身特性,挖掘高光谱影像内部的非线性流形特征,研究高光谱影像的流形学习降维对应的光谱意义解释,构建适合高光谱影像数据特性的非线性流形学习降维理论和方法体系,并在实践上指导后续的高光谱影像分类、目标识别和异常探测等应用。     

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。     

一种基于局部判别正切空间排列的高光谱遥感影像降维方法

提出一种基于局部判别正切空间排列(local discriminative tangent space alignment,LDTSA)的高光谱影像降维方法。LDTSA源于局部正切空间排列(LTSA)中的排列机制,在一个局域块内利用线性局部正切平面对类内样本的流形结构建模,同时还考虑到类间判别信息以最大化判别边界。利用多幅高光谱数据进行降维和分类试验。结果表明,LDTSA主要有三个优点:①在小样本问题上性能稳定;②在降维过程中保持类别间的判别信息;③有效挖掘数据集的几何流形结构。     

利用流形学习进行高光谱遥感影像的降维与特征提取

基于最新的非线性降维方法——流形学习的理论,从高光谱遥感数据内在的非线性结构出发,采用全局化的等距映射(Isomap)方法进行降维,取得了优于常用的MNF方法的结果。把光谱角和光谱信息散度与测地距离相结合用于Isomap算法,结果在冗余方差和光谱规范化特征值方面优于采用传统欧氏距离计算邻域的Isomap方法。实验表明,流形学习是一种有效的高光谱遥感数据特征提取方法。     

一种面向异常检测的高光谱图像降维算法

针对高光谱数据预处理中传统降维算法的不足,文章提出采用线性局部切空间排列(LLTSA)算法进行降维,并在低维空间中,以数据点到背景流形的最小距离为度量进行异常目标检测。面向异常目标检测问题的降维算法,需要考虑计算量和异常污染两个问题:为减少计算量,选择图像中一部分具有代表性的训练数据进行LLTSA降维并求取用于泛化的投影矩阵;为避免异常信息对背景特性的影响,应该选择不含异常的背景训练数据建立背景流形。背景训练点的选择基于递归多层分割算法,结合分割块的大小和分割块被近邻点重构的误差,去除分割结果中可能包含异常的区域并尽可能多地保留背景信息。实验结果表明LLTSA可以利用少数特征有效区分背景和异常,基于LLTSA的检测算法比经典RX和核RX算法具有更好的异常检测性能。     

关于多光谱和高光谱影像的纹理问题

提出了一种新的纹理概念,指出纹理是地物目标光谱空间到二维投影空间的映射模式,以表述多波段影像或高光谱影像的纹理,并蕴含了单波段或黑白影像纹理概念。同时,提出了实现空间映射的几种编码方式,即基于光谱相似性分析的编码、基于光谱空间密度分析的编码、以影像主成份分析为基础的编码、空间相关性的编码等五种方法。     

判别流形学习算法的高光谱数据降维与树种识别

高光谱遥感影像的波段光谱特征是各类地物内在物理化学性质的反映,在对不同地物进行分类与识别时具有巨大潜能,但由于其波段多造成的信息冗余,需要对高光谱数据进行有效降维,以提高高光谱影像的分类准确度。本文提出了基于判别局部片排列的流形学习算法（DLA）对Hypersion高光谱数据进行降维,通过对局部样本数据进行流形学习框架内的优化训练,将原始光谱特征空间转换为低维的最优判别流形子空间,然后在该子空间内利用最大似然分类器对Hypersion影像中的每个像素进行分类,并与主成分分析（PCA）、原始光谱特征（spectral）降维方法的分类效果进行比较。结果表明,DLA能够有效提高高光谱数据的分类准确度,对不同树种分类取得了满意效果。     

高光谱影像数据预处理技术评价

高光谱影像数据预处理是构建高效的影像数据库以及实现地理目标成分信息反演与地理目标识别的基础。本文从反射率演算、光谱微分技术以及高光谱影像数据的降维处理等三个方面对高光谱影像数据预处理进行了研究。实现了基于高光谱影像的反射率反演算法，针对高光谱遥感数据影像分辨率比较低的现状，提出了直方图均衡化、色调平衡、对比度调整等影像处理算法，并给出了实验结果。     

基于多特征融合与典型降维方法的高光谱影像分类

高光谱影像的冗余信息给影像的分类效果带来一定的负面影响。本文利用CB法(CfsSubsetEval评估器结合Best-First搜索策略)与PCA变换两种降维方法,分别结合随机森林分类器对4种多特征融合方案(共8种组合)进行高光谱影像分类对比,基于分类的总体精度、Kappa系数探究提高高光谱影像分类的最佳组合方法。结果表明:①多特征融合可提升高光谱影像的分类效果,两种降维方法的分类精度均随地理特征、纹理特征、指数特征的加入而逐渐提高。②两种降维方法中,经CB法降维后的分类精度均比通过PCA变换降维的分类精度高。在构造的8种组合中,基于所有特征信息(光谱特征、地理特征、纹理特征、指数特征)的CB法分类精度最高,其总体精度为98.01%;Kappa系数为0.969 9。     

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。