基于张量稀疏性的高光谱影像地物分类方法研究

This project aims to develop land-cover classification methods of hyperspectral imagery data, via the tensor analysis and sparse coding theory. In order to overcome the shortcomings that the hyperspectral data with high spatial resolution (double-high) is high dimensional and poorly separable, and the available classification methods cannot effectively remain the spatial-spectral structure, the project mainly researches the following contents.. Firstly, by considering of the sparsity and spatial consistency of hyperspectral imagery data, two mathematical definitions of the third-order tensor sparseness are given based on the sparse properties of the coding coefficients.. Secondly, according to the two different kinds of definitions for third-order tensor sparsity metric, this project studies the tensor sparse coding classification method of hyperspectral remote sensing data respectively.. Thirdly, based on the different definitions of tensor sparsity metric, the kernel tensor sparse coding classification models of hyperspectral remote sensing imagery are constructed, and the nonlinear tensor sparse coding classification methods are studied.. Finally, the proposed classification methods are evaluated on "double-high" remote sensing imagery such as ROSIS, Tiangong-1 and high-resolution 5 to verify their effectiveness.. The research results of this project have some theoretical value and practical significance. Furthermore, this project provide an effective strategy for the land-cover classification of the “double high” remote sensing images.

本项目拟借鉴张量分析与稀疏编码理论，发展高光谱影像数据地物分类方法。针对具有高空间分辨率的高光谱(双高)遥感影像的光谱特征维度高、可分性差，以及现有分类方法不能有效保持高分辨数据空-谱结构性等缺陷，本项目拟主要研究如下内容：. 首先，针对高光谱影像数据的稀疏性和空间一致性，基于编码系数的稀疏特性，给出度量三阶张量稀疏性的两种数学定义。. 其次，根据三阶张量稀疏性度量的两种不同定义，分别研究高光谱遥感数据的张量稀疏编码分类方法。. 再次，在张量稀疏性度量的不同定义下，构造高光谱遥感影像的张量核稀疏编码分类模型，研究高光谱遥感影像的非线性张量稀疏编码分类方法。. 最后，在ROSIS、天宫一号及高分五号等“双高”遥感影像上验证这些分类方法的有效性。. 本项目的研究成果具有一定的理论价值和现实意义，为“双高”遥感影像的地物分类提供了一种有效的策略。

针对具有高空间分辨率的高光谱(双高)遥感影像的光谱特征维度高、可分性差，以及现有分类方法不能有效保持高分辨数据空-谱结构性等缺陷，本项目借鉴张量分析与稀疏编码理论，发展了三种 “双高”遥感影像地物分类方法。主要完成了如下研究：首先，针对高光谱影像数据的稀疏性和空间一致性，分别基于L-0范数、L-1范数和加权核范数给出度量三阶张量稀疏性的数学定义；其次，从基于L-0范数的三阶张量稀疏性的数学定义出发，研究了高光谱遥感数据的张量稀疏编码分类方法，提出了伴随压缩降维的基于切片稀疏编码张量的分类器及相应的优化算法，在印第安纳松林、肯尼迪空间中心和休斯顿大学数据上仅使用1%、3%和3%的像素作为训练样本时，该模型可以分别获得86.72%、98.11%和92.15%的分类精度；最后，分别从基于L-0范数和L-1范数的三阶张量稀疏性的数学定义出发，对张量稀疏编码进行核化，研究高光谱遥感影像的非线性张量稀疏编码分类方法，提出两种核张量切片稀疏编码分类器模型及相应的优化算法，对于线性不可分性比较严重的无人机“双高”影像WHU-Hi数据具有很好的推广性能，WHU-Hi-HanChuan数据仅使用0.63%的像素作为训练样本时，这两种模型分别获得98.45%和98.07%的分类精度，WHU-Hi-HongHu数据仅使用0.57%的像素训练模型时，这两种模型分别获得98.68%和98.52%的分类精度。该项目的研究对于高光谱影像地物分类具有一定的理论意义，在精确作物分类等领域具有一定的应用价值。