基于分類精度預測的高光譜圖像分類研究.pdf

1、高光譜圖像具有“圖譜合一”的特點，光譜與空間信息豐富，因而在地物的分類與識別領域有巨大的應用潛力。然而，數(shù)據(jù)量大、冗余信息多、“維數(shù)災難”現(xiàn)象以及“同物異譜”和“異物同譜”等問題，極大地影響高光譜圖像分類的效率與效果。為此，本文重點關注波段選擇及高光譜圖像的分類問題。主要研究工作及取得的成果如下：
　?。?）圖像分類性能評價指標預測模型研究
　　分類精度的高低是圖像可分性大小的直接體現(xiàn)。它們不僅可用于高光譜圖像的波段選擇，而

2、且可指導波段的有效組合，以提高圖像的分類性能。本文從圖像分類性能評價指標的定義出發(fā)，基于各類地物服從混合高斯分布的假設，建立圖像分類性能評價指標的預測模型。從理論上分析了特征分布參數(shù)是影響圖像分類精度的主要因素。本文所建立的分類精度預測模型僅依賴于特征分布參數(shù)，且為參變量的顯式表達，因而為無訓練樣本參與的分類精度預測提供了一種可行的途徑。利用
　　ROSIS、RetigaEx、AVIRIS三個高光譜數(shù)據(jù)集以及GeoEye-1和國產(chǎn)

3、Z3兩個多光譜數(shù)據(jù)集進行實驗，結(jié)果表明，預測模型輸出結(jié)果與分類方法所得分類精度具有很強的一致性。
　　（2）基于總體精度排序與K-L距離分析的非監(jiān)督波段選擇方法研究
　　非監(jiān)督波段選擇方法算法復雜度低，但由于無訓練樣本的參與，難以得到直接體現(xiàn)波段可分性的準則?？紤]到總體精度可以反映各波段的可分性，本文首先基于總體精度預測模型，提出了一種非監(jiān)督的總體精度預測方法。為了實現(xiàn)了可分性與冗余度準則在波段選擇過程的結(jié)合，提出了基于總體

4、精度排序與K-L散度分析的非監(jiān)督波段選擇方法（OCPE）。相比其它非監(jiān)督波段選擇方法，由于考慮了波段的可分性，這種方法更能體現(xiàn)面向分類的特點。利用ROSIS和RetigaEx數(shù)據(jù)集進行實驗，結(jié)果表明本文方法具有明顯的分類優(yōu)勢。
　?。?）總體精度與冗余度聯(lián)合最優(yōu)的波段選擇方法研究
　　為了選擇可分性強且冗余度低的波段集合，本文通過引入一個刻畫各波段重要程度的指標——波段重要性權重（SW），構建總體精度與冗余度聯(lián)合最優(yōu)的目標函

5、數(shù)，于是，波段選擇被轉(zhuǎn)化為帶約束的優(yōu)化問題。在該目標函數(shù)中，為了協(xié)調(diào)總體精度與冗余度，設計了與所選波段數(shù)目l成正相關的自適應權衡參數(shù)。相比前面所提OCPE方法，這種方法是通過犧牲算法復雜度換取性能。利用ROSIS和RetigaEx數(shù)據(jù)集的實驗結(jié)果表明，本文方法性能穩(wěn)定，在去冗余與保持較高分類精度方面均可達到更好的性能。
　?。?）基于波段貢獻率加權的譜域-空域高光譜圖像分類方法研究
　　各波段對辨別不同地物的能力存在差異，貢

6、獻也完全不同。為了發(fā)揮各波段的優(yōu)勢，提高光譜信息的利用率，本文將波段貢獻率引入光譜空間，并構建了加權的光譜后驗概率模型（Weighted Spectral Posterior Probability，WSP）。為了發(fā)揮空間信息的作用，通過自適應的權衡參數(shù)，進一步將WSP與空間光滑性約束結(jié)合。其中，本文采用 F-measure刻畫波段貢獻率，并提出了一種半監(jiān)督的 F-measure預測方法（Semi-Supervised F-measur