基于字典学习的小样本高光谱遥感图像稀疏表示分类精度研究与应用

The hyperspectral data classification of depopulated zones like desert and gobi is a challenge with small labelling samples because of acquiring samples difficultly and expensively in most situations. So, this study will try to improve the accuracy of hyperspectral classification with small samples by sparse representation based on dictionary learning. Sparse representations are able to extract the nature features of signals with redundant dictionaries and have a great potential in statistic pattern recognition. Sparse representation with dictionary learning can build an initial dictionary with a few training samples to solve the problems of insufficient labelling samples by constantly updating dictionaries. The research contents include：(1) To study the algorithm of dictionary update to improve its efficiency and convergence. (2) To study the functional relationship between classification accuracy and the amount of training samples, as well as the convergence and affecting factors of this funtional curve. (3) To constructing the feature models with multi-spectral features, as spectrum, vegetation and textures. To study the quality of data acquisition for labelling samples and improve classification accuracy in the depopulated zones. With this fundamental application research, classification application of sparse representation can be made progress toward engineering area and provide the theory and technical supports for hyperspectral data classifacation in the depopulated zones in Ningxia province.

针对荒漠、戈壁等无人区标记样本获取困难且成本高的难题，采用基于学习字典的稀疏表示方法，对小样本情况下高光谱遥感影像分类精度问题进行研究。 稀疏表示利用字典的冗余特性捕捉信号本质特征，在统计模式识别领域具有潜在优势。基于学习字典的稀疏表示能够利用少数样本建立训练集，通过字典学习不断更新字典，能较好的适应少标记样本问题。 主要研究内容包括:(1)研究和改进字典自身学习更新的快速算法，提高字典学习的效率和收敛性。(2)研究样本个数与分类精度的关系曲线及其收敛性，研究影响该曲线关系的主要因素和性能指标。(3)构建荒漠植被的光谱、植被和纹理等特征的组合特征向量模型，研究宁夏戈壁荒漠地区植被覆盖标记样本的获取质量和分类精度。 通过该项基础应用研究，促进稀疏表示分类技术更好地走向实际工程应用，为宁夏荒漠、戈壁等无人区植被覆盖标记样本的获取数量和植被分类质量提供理论依据和技术支持。

该项目针对荒漠地区标记样本获取困难且成本高的难题，采用基于学习字典的稀疏表示方法，对小样本情况下高光谱遥感影像分类精度问题进行研究。重点关注四方面研究内容：模型构建和分类算法设计；仿真实验及结果分析；样本个数与分类精度关系；算法应用及软件开发。.重要结果：1) 针对小样本分类问题，将空谱结合的半监督稀疏表示分类作为研究内容，提出了基于稀疏图的半监督学习分类框架模型，首先在USPS数据集测试算法效能，后应用于高光谱遥感数据中；2) 将此算法进一步改进，提出了利用样本之间的先验类别信息构建非均匀类概率的L1范数图的DL1图模型架构，增强了稀疏图的区分能力，有效提升了分类精度，尤其在标记样本比例为5%时，分类精度提升非常显著，这对解决小样本数据的分类难题有积极影响（成果在《中国科学˙信息科学》发表）；3) 研究了高光谱遥感影像分类精度与样本个数之间的关系，导出了样本个数与分类精度呈正相关的数学公式，给出了相应的关系曲线描述。由该曲线，可以确定出对应指定分类精度下，所需要的最小样本个数的下限；4) 增加了高光谱影像稀疏解混算法的研究内容，更好的提高亚像元的分类精度；5) 研究了基于稀疏表示的生态脆弱区土地利用分类方法，建立了综合使用光谱、植被、地势、建筑、水体信息等多特征组合、基于字典学习的稀疏分类器，根据解译标志以及野外现场观测所选的18000个样本，进行土地利用分类精度评价。根据植被覆盖度与沙漠化等级之间的对应关系，对宁夏中部干旱带罗山地区2013～2015连续三年土地沙漠化进行评测，该研究成果入选第五届全国遥感与地理信息研究生论坛宣讲；6) 完成宁夏荒漠化监测系统软件一套，系统集遥感影像数据处理、数据加工和输出为一体，结合荒漠化分类等研究成果，实现了对研究区域生态环境的监测及分析功能，申请《基于RS与GIS的宁夏荒漠化监测系统》软件著作权一项。