基于稀疏感知学习的高光谱遥感影像分类

Hyperspectral remote sensing image is characterized as complex materials, limited labeled pixels, large number of bands, and huge size of data, which result in low accuracy and bad uniformity in homegeneous regions in the hyperspectral image classification application. Exploiting the sparsity of spatial and spectral information in hyperspectral images, a joint spatial-spectral sparse sensing for classification is proposed. Also, by combining the sparse sensing and semisupervised learning, a compressive semi-supervised learning framework is presented. Specially, we will study the sparse coding classifier with unbalanced adaptive sparsity, task-driven semi-supervised dictionary learning based classifier, empirical kernel sparse coding classifier, and measurement matrix optimization based dimension reduction to get more robust and accurate hyperspectral image classification. By this study it is expected to get some innovations in the sparse sensing and learning based classification, and obtain substantial progress in hyperspectral remote sensing image classification.

由于高光谱遥感影像具有地物信息复杂、大量有标记样本难以获取、波段多、数据量大等特性，从而导致其地物分类存在精度低，区域一致性差等应用瓶颈问题，对此，本项目充分挖掘高光谱遥感影像的图像空间、光谱空间的稀疏性，设计空-谱联合稀疏感知的高光谱图像分类；将稀疏感知和半监督学习相结合，提出压缩感知半监督学习框架，设计不平衡自适应稀疏度压缩学习分类器,半监督自适应字典的压缩学习分类器,经验映射稀疏表示分类器,和观测矩阵优化的维数约减算法，建立高光谱影像鲁棒、准确的分类方法。期望在稀疏感知学习分类器设计方法上有所突破，在高光谱遥感影像分类应用上取得实质性进展。

本项目针对高光谱遥感影像地物信息复杂、大量有标记样本难以获取从而导致的地物分类精度低，区域一致性差等应用瓶颈问题，充分挖掘高光谱遥感影像的图像空间、光谱空间的稀疏性，提出了空-谱联合稀疏感知的高光谱图像分类；将稀疏感知和半监督学习相结合，提出了压缩感知半监督学习框架，设计了不平衡自适应稀疏度压缩学习分类器，半监督自适应字典的压缩学习分类器，经验映射稀疏表示分类器，和观测矩阵优化的维数约减算法，从而建立了高光谱影像鲁棒、准确的分类方法。项目圆满完成了计划书规定的研究内容，实现了预期研究目标。研究成果发表论文42篇，其中SCI检索的国际期刊论文35篇，SCI II区的国际刊物18篇，申报国家发明专利16项（其中授权8项），待出版专著1部，培养博士和硕士7人。受MIT资助与邀请，项目负责人于2015.1-2016.3在MIT计算机与人工智能实验室跟随美国工程院院士，前MIT人工智能实验室主任Victor Zue开展合作研究。并于2013年入选教育部“新世纪优秀人才”支持计划，2014年入选西电首批“华山学者菁英人才计划”。