高光譜圖像稀疏流形學(xué)習(xí)方法研究

羅甫林

1.武漢大學(xué)測(cè)繪遙感信息工程國家重點(diǎn)實(shí)驗(yàn)室，湖北 武漢430079; 2.重慶大學(xué)光電技術(shù)與系統(tǒng)教育部重點(diǎn)實(shí)驗(yàn)室，重慶 400044

?

高光譜圖像稀疏流形學(xué)習(xí)方法研究

羅甫林1,2

1.武漢大學(xué)測(cè)繪遙感信息工程國家重點(diǎn)實(shí)驗(yàn)室，湖北 武漢430079; 2.重慶大學(xué)光電技術(shù)與系統(tǒng)教育部重點(diǎn)實(shí)驗(yàn)室，重慶 400044

高光譜圖像是由成像光譜儀記錄地物對(duì)電磁波的反射值而獲取，包含從可見光到近紅外范圍內(nèi)的數(shù)十上百個(gè)連續(xù)且狹窄的波段。高光譜圖像光譜分辨率高，可辨識(shí)細(xì)微差異的地物，目前已廣泛應(yīng)用于環(huán)境監(jiān)測(cè)、精準(zhǔn)農(nóng)業(yè)、目標(biāo)識(shí)別和地物分類等領(lǐng)域。在高光譜圖像分類中，傳統(tǒng)分類方法因數(shù)據(jù)量大、波段數(shù)多、波段間的相關(guān)性強(qiáng)而導(dǎo)致“維數(shù)災(zāi)難”。因此，如何減少波段數(shù)且不丟失有用信息是目前高光譜圖像分類領(lǐng)域的研究前沿與熱點(diǎn)。

特征提取是減少高光譜圖像波段數(shù)的有效方法，能獲得有用的內(nèi)在信息，可有效改善分類結(jié)果。在流形學(xué)習(xí)、圖嵌入和稀疏表示等理論的基礎(chǔ)上，重點(diǎn)開展了基于稀疏流形學(xué)習(xí)的高光譜圖像特征提取方法研究。主要研究工作如下：

(1) 根據(jù)高光譜圖像的特點(diǎn)及其面臨的挑戰(zhàn)，引出了特征提取在高光譜圖像分類中的優(yōu)勢(shì)。然后系統(tǒng)地介紹了高光譜圖像的特征提取和分類方法，并回顧了特征提取和分類方法的發(fā)展歷程。重點(diǎn)介紹了流形學(xué)習(xí)、圖嵌入和稀疏表示的基本原理和相關(guān)方法，為稀疏流形學(xué)習(xí)研究奠定了堅(jiān)實(shí)的理論基礎(chǔ)。

(2) 深入研究了基于流形學(xué)習(xí)的高光譜圖像特征提取方法。通過對(duì)流形學(xué)習(xí)方法的分析，引出圖嵌入框架，并詳細(xì)分析了該框架下的邊界Fisher分析(MFA)算法。針對(duì)MFA不能有效表達(dá)具有大量同質(zhì)區(qū)域的高光譜圖像內(nèi)在結(jié)構(gòu)的問題，提出了局部幾何結(jié)構(gòu)Fisher分析算法，利用數(shù)據(jù)的鄰域和各鄰域的類內(nèi)重構(gòu)點(diǎn)來揭示高光譜圖像的內(nèi)在流形結(jié)構(gòu)，提升了高光譜圖像特征表達(dá)的性能。

(3) 研究了基于稀疏表示的高光譜圖像特征提取方法。針對(duì)圖嵌入在構(gòu)圖時(shí)面臨近鄰選取困難的問題，提出了稀疏保持分析(SPA)算法，利用稀疏表示的自然鑒別力，自適應(yīng)地揭示出數(shù)據(jù)間的相似關(guān)系，并通過稀疏系數(shù)構(gòu)建稀疏圖，提取出了更有效的鑒別特征，改善分類結(jié)果。在SPA的基礎(chǔ)上，根據(jù)高光譜數(shù)據(jù)的類別信息，提出了稀疏鑒別學(xué)習(xí)算法，利用稀疏表示揭示出數(shù)據(jù)間的相似性，構(gòu)建了類內(nèi)稀疏圖和類間稀疏圖，并增強(qiáng)同類數(shù)據(jù)的相似權(quán)值，進(jìn)而改善非同類數(shù)據(jù)間的可分性，更好地表征數(shù)據(jù)的內(nèi)在屬性，提升高光譜圖像的分類精度。

(4) 在流形學(xué)習(xí)和稀疏表示的基礎(chǔ)上，開展了稀疏流形學(xué)習(xí)方面的研究。根據(jù)稀疏流形編碼能自適應(yīng)地選取來自同一流形的數(shù)據(jù)，提出了稀疏流形嵌入算法，通過構(gòu)建稀疏流形圖來揭示出數(shù)據(jù)的稀疏流形結(jié)構(gòu)，進(jìn)而有效地表達(dá)數(shù)據(jù)的內(nèi)在特性。進(jìn)一步結(jié)合高光譜圖像的類別信息，提出了稀疏鑒別流形嵌入算法，增強(qiáng)了同類數(shù)據(jù)的聚集性，提取出更有效的鑒別特征。為同時(shí)利用高光譜數(shù)據(jù)的標(biāo)記樣本和無標(biāo)記樣本，結(jié)合稀疏流形編碼，提出了半監(jiān)督稀疏流形鑒別分析算法，利用標(biāo)記樣本和無標(biāo)記樣本的稀疏系數(shù)分別構(gòu)建了類內(nèi)圖、類間圖和非監(jiān)督圖，在低維空間中，聚集類內(nèi)圖的特性，分離類間圖的特征，同時(shí)聚集非監(jiān)督圖的相似性，進(jìn)而得到更好的低維特征，改善高光譜圖像的分類效果。

Author：LUO Fulin(1988—), male, received his doctorate in instrument science and technology from Chongqing University on December 2016, majors in hyperspectral imagery processing.

E-mail：luoflyn@163.com

Sparse Manifold Learning for Hyperspectral Imagery

LUO Fulin1,2

1.State Key Laboratory of Information Engineering in Surveying, Mapping, and Remote Sensing, Wuhan 430079，China; 2.Key Laboratory of Optoelectronic Technique and System of Ministry of Education, Chongqing University, Chongqing 400044, China

羅甫林.高光譜圖像稀疏流形學(xué)習(xí)方法研究[J].測(cè)繪學(xué)報(bào)，2017,46(3)：400.

10.11947/j.AGCS.2017.20160621.

LUO Fulin.Sparse Manifold Learning for Hyperspectral Imagery[J].Acta Geodaetica et Cartographica Sinica,2017,46(3):400.DOI:10.11947/j.AGCS.2017.20160621.

P237

D

1001-1595(2017)03-0400-01

國家自然科學(xué)基金(41371338)

2016-12-19

羅甫林(1988—)，男，2016年12月獲得重慶大學(xué)儀器科學(xué)與技術(shù)專業(yè)博士學(xué)位(指導(dǎo)教師：黃鴻副教授)，研究方向?yàn)楦吖庾V圖像處理。