论文部分内容阅读
随着传感器技术的不断提高,遥感影像的光谱分辨率越来越高,通常包含了几十到数百个波段,在为影像分类提供丰富的光谱信息的同时,也大大增加了高光谱遥感影像分类所需的计算成本,因此通常需要先进行降维再分类。对于大尺度高光谱遥感影像,传统的降维方法存在对硬件要求高以及运行时间长等问题。随机投影（Random Projection,RP）具有独立于高维数据、计算简洁等特点,是一种信息损失量很小的降维方法。为此,本文在RP框架下提出适用于大尺度高光谱遥感影像的快速降维方法及面向随机投影降维的高光谱遥感影像分类方法。主要工作如下。（1）针对RP算法宽泛的投影维数下限可能导致无法降维的问题,提出严格随机投影（Tighter Random Projection,TRP）算法,并从理论上证明了该算法满足距离相对不变性。提出的TRP算法通过约束矢量对投影后满足距离相对不变性的概率界限,定义了一个更加严格的投影维数下限,从而将高光谱遥感影像投影到更低维空间中。此外,对于像素数远大于波段数的高光谱遥感影像,说明了可以保证进行降维时,TRP算法所能应用影像的最大尺度。为了验证TRP算法的可行性,对五幅真实高光谱遥感影像的投影维数下限进行分析。结果表明,TRP算法的投影维数下限均小于RP算法的投影维数下限,同时可以小于波段数,可以实现高光谱遥感影像降维。（2）针对RP算法的投影维数下限受限于高维数据的数据量的问题,提出划分随机投影（Partitioned Random Projection,PRP）算法,并从理论上证明了通过划分大尺度高光谱遥感影像进行降维方式没有破坏距离相对不变性。提出的PRP算法将高光谱遥感影像平均地划分为多个子影像,对每个子影像使用相同的投影矩阵进行降维,以得到多个低维子影像,将所有低维子影像组合为低维影像。此外,对于像素数远大于波段数的高光谱遥感影像,说明了可以保证进行降维时,PRP算法所能应用子影像的最大尺度。为了验证PRP算法的可行性,对五幅真实高光谱遥感影像的投影维数下限进行分析。结果表明,PRP算法的投影维数下限均小于对应影像的波段数,可以实现大尺度高光谱遥感影像降维。（3）为了充分考虑每一个类别的可分信息,提出基于单个类别可分信息的投影矩阵挑选策略,用以生成适用于后续高光谱遥感影像分类的低维影像。该策略以某个类别的类内方差和类间距离为测度度量该类别的可分程度,对投影矩阵中的每一个元素进行多次采样,并依次选择出使该类别可分性最大的投影矩阵元素,从而选择使低维影像中某个类别的可分性强的投影矩阵。为了验证该投影矩阵挑选策略的有效性,采用非线性投影法对可分程度进行可视化分析。可视化结果表明,基于单个类别可分信息的投影矩阵挑选策略能够有效地增加类别之间的可分性。（4）提出面向随机投影降维的高光谱遥感影像分类方法。首先,在TRP和PRP的基础上,利用基于单个类别可分信息的投影矩阵挑选策略针对某一地物类别的特征进行投影,并以可分程度作为测度衡量投影结果,从而得到该类别可分性最优的低维影像;采用最小距离（Minimum Distance,MD）分类器来计算距离矩阵,其中低维样本亦是通过相同的投影矩阵进行投影得到的;然后,对所有类别重复上述步骤;最后,集成所有类别的距离矩阵作为最终的相似性度量矩阵,通过最小化相似性度量矩阵来获取光谱矢量的隶属类别,从而实现高光谱遥感影像分类。（5）验证提出分类方法的有效性和可行性。以真实的大尺度高光谱遥感影像为实验数据,对比分析了提出分类方法和基于所有类别可分信息的投影矩阵挑选的MD分类方法、基于压缩投影主成分分析（Compressive-Projection Principal Component Analysis,CPPCA）的MD分类方法以及累积一致性模糊C均值（Cumulative Agreement Fuzzy C-Means,CAFCM）方法。同时,从定性和定量两个角度分析分类实验结果,其中定性评价是采用目视判读方法分析实验结果,定量评价是通过混淆矩阵计算得到的分类精度指标以及算法运行时间评估实验结果。实验结果表明:提出分类方法具有降低大尺度高光谱遥感影像波段数的能力,且在分类精度和运行时间上均表现卓越。该论文有图45幅,表45个,参考文献138篇。