基于谱间-空间联合特征与决策融合技术的高光谱图像分类

Hyperspectral image, including wealth spectral information and spatial information, can be widely used in geological prospecting, ecology environment, urban remote sensing, and so on. However, there are many difficulties in classification applications, because hyperspectral image has the properties of a large dataset, multiple bands and strong band correlation. The traditional classification strategies cannot analyze spectral-spatial features of hyperspectral image sufficiently, and it is difficult to provide accurate results by using single classifier. Therefore, hyperspectral image classification based on spectral-spatial joint-features and decision fusion techniques is deeply and systemically studied in this project. For dimensionality reduction, non-linear locality-preserving dimension reduction is studied, which is combined with global spatial feature extraction for decision fusion classification. Three-dimensional feature extraction method based on overlap and non-overlap partition is studied for simultaneous spectral-spatial feature extraction, and a noise-robust decision fusion classification algorithm is proposed. In order to discard redundant bands efficiently, an adaptive band selection/band grouping method is also studied for decision fusion classification. Improving existing decision fusion rules, a system of decision fusion rule is developed for various feature extraction methods and classification algorithms.

高光谱图像包含丰富的光谱信息和空间信息，可广泛应用于地质勘探、生态环境、城市遥感等领域。然而，由于高光谱图像具有数据量大、波段多、波段间相关性强等特性，给其在分类应用中带来了诸多困难。传统的分类方法对高光谱图像的谱间-空间特征分析不足，而且仅依赖于单分类器难以得到高精度的分类结果。为此，本项目对基于谱间-空间联合特征与决策融合技术的高光谱图像分类进行深入而系统的研究。在谱间降维方面，研究非线性局部保护降维，通过结合全局空间特征提取对高光谱图像进行决策融合分类。为了同时获取谱间和空间特征，研究基于有重叠分割和无重叠分割的三维特征提取方法，提出具有良好抗噪声性能的决策融合分类算法。为了高效去除冗余波段，研究自适应波段选择/波段分组的决策融合分类算法。通过对现有决策融合技术进行改进，建立针对不同特征提取方法和分类算法的决策融合规则体系。

高光谱图像包含丰富的光谱和空间信息，可广泛应用于遥感及生物医学等领域。然而，高光谱图像具有波段数多、数据量大、相关性强等特性，给其在分类应用中带来了诸多困难。针对该问题，本项目对基于谱间-空间特征与决策融合技术的高光谱图像分类进行了深入而系统的研究。具体如下：. 研究了具有抗噪声性能的三维特征提取与分类方法（Gabor-LPNMF-GMM和Gabor-LFDA-GMM），其分类精度均超过经典SVM 10%以上；提出了基于谱间降维与全局空间特征提取的决策融合分类算法（DG-LPNMF和DG-LFDA），其分类精度均超过SVM 15%以上，超过SVM-MRF5%以上，能有效解决高光谱图像分类中的小样本问题；进一步的，研究了基于波段分组的谱间降维与全局空间特征提取的决策融合分类算法，比之前研究的DG-LPNMF和DG-LFDA的分类精度分别提高了3%和6%左右，所提方法均能很好的解决高光谱图像分类中的小样本问题。. 研究了基于形态学特征的三维特征提取方法与基于局部二值模式（LBP）的局部三维特征提取方法；后对LBP进行改进，研究了幅度加强型局部二值模式（MELBP），并与马尔可夫随机场结合，进一步提高了算法的分类精度与抗噪声性能；随后，提出了基于波段分组LBP特征提取的决策融合分类算法（SLBP-SVM），其分类精度超过SVM、SVM-MRF分别为24%、15%以上，不但能有效解决小样本问题，而且具有良好的抗噪声性能。. 研究了一系列基于相关系数（或特征系数）矩阵的波段选择方法；同时，提出了自适应协同图判别分析（ACGDA）的高光谱图像降维方法，其分类精度超过近期流行的稀疏图判别分析（SGDA）和协同图判别分析（CGDA）分别为9%和4%左右，不但能有效解决小样本问题，而且具有低复杂度的特性。. 研究了Gabor特征与递归滤波（IF）相结合的决策融合分类算法，其分类精度超过SVM和SVM-MRF分别为18%和7%以上；在现有MV决策融合规则的基础上，通过调整权重系数比重提出了Adjust MV-LBP决策融合分类算法，该方法比利用统一权重系数的MV-LBP方法能提高1%以上的分类精度。