论文部分内容阅读
高光谱图像可以同时获取观测对象的二维空间信息与一维光谱信息,具有非常高的光谱分辨率,能够探测更为精细的地物信息,在资源环境、工业生产、生物医学和国防安全等领域都有着重要的应用价值。但是,高光谱数据波段多,数据量大,相邻波段之间存在很强的相关性,为图像的处理带来了压力。因此为了提高高光谱数据的应用效率,需要进行数据降维。数据降维是高光谱图像处理和应用的重要研究方向之一,主要是以简化和优化图像特征为目的,利用低维数据来有效地表达高维数据的信息,同时也压缩了数据量,更有利于信息的高精度快速提取。高光谱数据降维方法可以分为波段选择和特征提取两类,本文主要研究特征提取技术。高光谱图像特征提取主要包括线性的特征提取方法和非线性的特征提取方法。常见的线性特征提取方法有主成分分析(Principal Components Analysis,PCA)、最小噪声分数变换(Minimum Noise Fraction,MNF)、独立分量分析(Independent Component Analysis,ICA)和线性判别分析方法(Linear Discriminant Analysis,LDA)等。常见的非线性降维方法则以基于流形学习、图论和核变换的非线性特征提取方法为主。本文主要针对核MNF(Kernel MNF,KMNF)的数据降维方法进行研究。KMNF是一种非线性的数据降维方法,但是在实际应用中发现传统KMNF降维效果并不好,分析表明主要是KMNF中噪声估计不准确的问题。针对该问题,本论文提出了优化的KMNF算法(OKMNF)、基于图像分割的KMNF算法(KM-KMNF)和基于超像元的OKMNF降维分类一体化算法(SP-OKMNF-SP),并且与多种常见的特征提取算法的性能做了系统的分析和比较。通过真实高光谱数据实验表明,与传统算法相比,本论文提出的新算法可以有效提取高光谱图像的非线性特征,获取高质量的特征提取结果。论文的主要研究工作和成果包括以下四个方面:1)系统介绍了传统的线性和非线性的数据降维方法,包括PCA、MNF、(kernel PCA)KPCA和KMNF,在算法原理详细论述基础上,对各算法的优缺点进行了分析。PCA降维是按信息量大小排序,不能保证按图像质量排序,MNF变换能够实现按图像质量排序,但PCA和MNF都只能提取数据的线性特征,无法有效处理具有非线性特征的高光谱数据。KPCA虽然能够提取非线性特征,但仍不能保证按图像质量排序。KMNF解决了上述问题,但是由于噪声估计不精确,降维效果并不理想。因此,本文提出了通过同时引入空间和光谱信息提高噪声估计精度的策略,实验结果表明,可以获得更为精确的噪声估计结果。2)基于原始KMNF算法,本文提出了一种优化的数据降维方法OKMNF算法。由于KMNF算法中噪声估计不准确,导致降维效果不好,因此,本文提出将精确的噪声估计方法引入到KMNF算法中,以提升KMNF的降维效果。本文将提出的新的精确噪声估计方法SSDC1和SSDC2用于KMNF噪声估计,以两幅真实的高光谱图像作为实验数据,实验结果表明,经优化得到的OKMNF算法降维效果提升显著。3)在OKMNF算法基础上,本文提出了一种新的基于图像分割的数据降维方法KM-KMNF算法。该算法是对OKMNF算法的进一步改进,首先通过图像分割获得具有光谱一致性的局部子区域,并以此作为限定多元线性回归的最小区域,然后利用子区域内同种地物具有的相似的波段高相关特性进行噪声估计,以提升噪声估计的精度,从而获得比OKMNF算法更为优异的降维效果。4)基于上述研究成果,本文提出了一种降维分类一体化方法SP-OKMNF-SP算法。该算法的核心是在降维过程中引入超像元空间信息,通过利用超像元分割得到的子区域进行精确噪声估计,提升OKMNF降维效果;同时,在分类过程中,以超像元代替传统像元作为图像处理的最小单位,实现地物分类。采用两幅真实高光谱图像作为实验数据,结果表明,引入超像元之后,高光谱图像降维和分类效果都得到了明显提升。