基于吸引子传播的多/高光谱遥感影像分类技术研究

由于多/高光谱遥感图像固有的特点，传统的分类方法已不能满足多/高光谱遥感图像处理对精度、计算速度与扩展性的要求。吸引子传播是近年提出的一种快速、高效的聚类算法。本项目针对遥感图像分类问题和多/高光谱遥感数据的特点，研究以吸引子传播为基础，融合模糊统计学、半监督学习、增量学习的遥感影像分类模型及方法。主要内容包括：(1)针对遥感数据普遍存在不确定性和模糊性及高光谱遥感数据自身的特点，建立适应于高光谱遥感图像分类的模糊统计学光谱相似性度量；(2)研究吸引子传播与半监督学习、模糊统计学的最佳结合理论及模型，构建基于模糊统计学的距离测度学习算法；(3)在此基础上，合理融合增量学习，研究增量式半监督学习策略。形成一套吸引子传播框架下新型高效的多/高光谱遥感图像分类新方法。以此提高多/高光谱遥感图像在农林、城市规划、资源环境调查等方面的应用效果和实用价值。

本项目设计和实现了吸引子传播框架下的多/高光谱遥感影像分析模型和算法。主要工作如下：将半监督学习与增量学习、减量学习相结合，建立了增/减量式学习策略，提出了增/减量式半监督吸引子传播模型和算法；该方法充分利用少量先验知识，建立标记函数，通过增/减量方式选择与标记样本最接近的未标记数据进行标记，有效地解决了半监督学习中学习偏差问题和稳定性/可塑性两难问题，提高了多光谱遥感图像分类的精度；为如何更加有效地利用仅有的少量标记样本对大量未标记样本进行分析提供了新的手段和方法；深化了吸引子传播和半监督学习在多光谱遥感图像分类方面的应用研究。针对高光谱遥感影像自身特点及分类问题，利用相关成分分析结合正约束得到白化矩阵，定义了特征测度的概念，该测度能够同时衡量单个波段的可分性和波段之间的相关性，构建了基于特征测度的吸引子传播模型与算法；该算法能够有效地选择出代表波段，减少波段冗余，从而提高了高光谱遥感影像的分类精度；上述工作深化了吸引子传播在高光谱遥感影像特征提取和分类方面的研究，为解决高光谱数据由于训练样本相对不足带来的维数灾难现象提供了新的研究思路。利用正约束和负约束，通过构建的判别特征子空间来学习一个判别度量，有效地降低了波谱之间的相关性，同时扩大了特征波谱的类间分类性和类内紧凑性，基于此提出了去相关可分离的吸引子传播聚类模型及算法，这对于提高高光谱遥感影像分类精度具有一定的理论意义，为高光谱遥感图像信息提取与识别提供更加有效的手段和工具。