基于多核稀疏感知的高光谱图像分类模型选择与特征解译

Recently, most researches on hyperspectral image classification have paid attentions to how to use and mine spatial-spectral information hidden in hyperspectral data and design more effective classifier so as to improve classification performance. There are few researches focusing on scientific cognizing inner connection among hyperspectral imaging (i.e., spatial and spectral information distribution), learning model, landcover classification. The cognizing is concerning about model selection and heterogeneous feature interpretation. This project aims at hyperspectral image classification and is based on multiscale multiple-kernel learning and sparsity regularization. The main contents of this project are involved in: (1)Multiscale kernel similarity measure of spatial-spectral features in remote sensing hyperspectral images; (2)multiple-kernel learning integrating multiscale learning, sparsity regularization and semisupervised learning; (3)Model selection of classification and interpretation with multiple kernel sparse sensing and spectral information; (4)Model selection of classification and interpretation with multiple kernel sparse sensing and spatial-spectral information. Utilizing the multiple-kernel sparse sensing model, this project will implement multiple-kernel fusion of spatial-spectral information and provide theoretical guidance and scientific rule of multiple-kernel learning model selection for more effective improving classification of hyperspectral imagery. Furthermore, regarding model selection and interpretation of spectral and spatial features this project will solve the problems embedded in hyperspecal image classification. This project will be significant in aspects of theory and scientific research and will promote deeply scientific cognition on hyperspectral remote sensing image classification and development of hyperspectral remote sensing application.

当前高光谱遥感图像分类研究更多的关注于如何挖掘图-谱信息，设计更为有效的分类器，提高分类性能。而针对高光谱成像探测(光谱、空间信息分布)- - 学习模型- - 地物分类内在联系的科学认知，即模型选择和特征解译问题，研究不足。本课题以高光谱遥感图像分类为对象，基于多尺度多核学习理论和稀疏正则化方法，重点研究：(1)高光谱图像空-谱多特征的多尺度核相似性度量；(2)整合多尺度、稀疏感知和半监督学习的多核学习模型；(3)基于光谱信息和多核稀疏感知的分类模型选择与特征解译；(4)基于空-谱信息和多核稀疏感知的分类模型选择与特征解译。本研究拟借助多核稀疏感知模型，实现空间-光谱信息多核融合，为更有效地提高分类性能提供多核学习模型选择的理论指导和科学依据，进而解决地物分类的光谱、空间特征模型选择与解译的难题。本课题研究对于推动高光谱遥感图像分类问题深层次科学认知和重要应用，具有重要的理论意义和科学价值。

高光谱遥感成像是国家空间信息网络重大基础设施、国家高分对地观测重大专项的重要组成部分。高光谱遥感成像核心特点在于同时具备空间和光谱信息，如何有效地利用高光谱图像进行精细目标解译是当前遥感领域研究的热点。.本项目主要研究：(1)高光谱图像空-谱多特征的多尺度核相似性度量；(2)整合多尺度、稀疏感知和半监督学习的多核学习模型；(3)基于光谱信息和多核稀疏感知的分类模型选择与特征解译；(4)基于空-谱信息和多核稀疏感知的分类模型选择与特征解译。.课题组形成了系列多核学习理论与方法，设计了基于高斯基核的多尺度多核学习框架；构建了多结构元素形态学滤波的非线性多核学习框架，充分挖掘和利用了不同结构元素特征用于高光谱图像分类的潜力，提高了高光谱图像分类的性能；将线性判别分析引入到多核学习中，提出了一种判别式多核学习算法，将其应用到特征选择、核尺度选择和空间特征窗口大小选择方面，充分挖掘了多核学习在高光谱图像分类中的应用潜力；在有限训练样本的情况下，将集成学习中的boosting策略引入到多核学习中，构建了基于筛选有效训练样本的多核集成学习框架，充分利用有限的训练样本构造多核分类器，提高了高光谱图像的分类精度；构建了多属性形态学滤波的类指定稀疏多核学习框架，充分挖掘和利用了不同属性的形态学轮廓特征用于高光谱图像分类的潜力，提高了高光谱图像分类的性能；高光谱图像与激光雷达的联合处理：构建了异构特征融合的多核学习框架，充分挖掘和利用高光谱图像和激光雷达数据中对地物描述的互补信息，建立了空间三维加光谱维的四维一体地物表示模型，提高了地物分类性能。.研究借助多核稀疏感知模型，实现空间-光谱信息多核融合，为更有效地提高分类性能提供多核学习模型选择的理论指导和科学依据，进而解决地物分类的光谱、空间特征模型选择与解译的难题。本课题研究对于推动高光谱遥感在空间信息网络、高分对地观测和海洋环境安全保障等领域应用具有重要理论意义和实际价值。