基于向量子空间投影的高光谱图像无监督波段选择技术研究
发布时间：2021-08-15 17:10
高光谱遥感图像通常包含上百个波段,其光谱分辨率可以达到纳米级别,为区分不同类型的地物提供了丰富的光谱信息,在环境监测、农业估产、城市监测以及军事目标识别等领域得到了广泛应用。然而,高维度的数据也为图像处理带来了一些挑战,如高时空间复杂度、数据冗余以及“Hughes”现象等,因此有必要对高光谱图像数据进行降维处理。在高光谱图像处理领域,波段选择（Band selection,BS）是一种常用的降维技术,它直接从原始特征集合中选取一个特征子集,能够保留原始特征的物理意义,已成为本领域的研究热点之一。在实际应用中,由于经常难以取得关于地物的先验知识,因此有必要研究无监督波段选择技术。本研究先后以最大化所选波段椭圆体积和对所选波段信息量和冗余度分别建模再综合评价的思想为理论依据,以向量子空间投影（vector subspace projection,VSP）等技术为具体实现手段,对波段间关系进行了深入的研究分析,提出了一系列有效的无监督波段选择方法。主要研究内容和创新点概括如下:（1）研究基于最大椭圆体积法（Maximum Ellipsoid Volume,MEV）的波段选择方法。MEV方法认...
【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校
【文章页数】：153 页
【学位级别】：博士
【部分图文】：
高光谱遥感示意图
喙匦韵凳?≒earsonCorrelationCoefficient，PCC）[125]被用作计算两波段间相关性的指标。对于协方差，值越大，则相关性越高；而对于相关性系数，值越接近1，则波段间越呈现正相关；越接近-1，则波段间越呈现负相关；越接近0，则表明越不相关。从图中可以发现，高光谱图像中大量波段间存在着显著的相关性，而相邻波段之间的相关性尤为显著。因此，波段间的高相关性导致高光谱图像存在显著的信息冗余，这意味着没有必要使用全部波段（特征），可以对高光谱图像进行降维来提高效率。（a）协方差矩阵（b）相关性系数矩阵图2-1IndianPines数据集中220个波段的相关性矩阵可视化图（3）休斯现象（HughesPhenomenon）[23]高光谱图像能够提供地物的精细光谱，为进行精确的地物分类奠定了基矗然而，在使用有监督分类算法对高光谱图像的像元进行分类时，随着波段数量的增加，所需要的训练样本数量也急剧增加。在训练样本一定的情况下，起初，分类精度会随着所用特征（即，波段）的数量的增加而增加，但当使用的特征达到
浙江大学博士学位论文第二章高光谱图像降维技术相关理论分析15一定数量之后，分类精度开始下降。这就是有监督分类任务中经常出现的休斯现象（HughesPhenomenon）[23]。图2-2展示了休斯现象的示意图，其中纵坐标表示在测试集上的平均分类精度；横坐标表示测量复杂度，测量复杂度与特征数量和量化精度密切相关，特征越多，量化精度越高，则测量复杂度越高；参数m表示训练样本的数量。图2-2Hughes现象示意图[23]以图2-2中训练样本数=100的曲线为例，当测量复杂度较低的时候，分类精度随着测量复杂度的增加而提高；当测量复杂度到达10左右时，分类精度达到最大；随后，分类精度开始随着测量复杂度的增加而下降。休斯现象也可以从样本密度的角度来直观理解，样本密度是训练样本数量与特征空间的体积的比[126]。以最基本的二分类问题为例，分类器实际上是在特征空间中寻找一个决策面来区分正负样本。对于数量一定的训练样本，特征维数较低，则特征空间体积较小，样本密度较大，此时可以认为训练样本是真实数据在特征空间中分布的密采样，在这种情况下，分类器通常不能轻易找到一个最佳的决策面，需要充分训练模型参数才能找到一个最合适的决策面来尽可能区分正负类，这样寻找到的决策面就可能更加接近理论上的最优解，同时这样的模型也具有更好的泛化性能；但是，当特征维数过高时，样本密度较小，在特征空间中将存在大量决策面可以轻易地区分正负类，这意味着分类器将难以充分训练，所学习出的决策面很可能会比较偏离理论最优解，因此分类模型的泛化性能就可能比较差。可以发现，要保证分类器取得较好的分类性能，训练样本应当是数据真实分布的一个密采样，即样本密度需要达到合理的值，并且样本密度越高，充分训练后的分类器的泛化
【参考文献】：
期刊论文
[1]人工蜂群算法研究综述[J]. 何尧,刘建华,杨荣华. 计算机应用研究. 2018(05)
[2]基于端元提取的高光谱异常目标检测[J]. 何高攀,杨桄,张筱晗,黄俊华,孟强强. 红外技术. 2015(10)
[3]一种改进的高光谱RX异常检测方法[J]. 刘志刚,卢云龙,刘翔. 四川兵工学报. 2014(05)
[4]基于波段聚类的高光谱图像波段选择[J]. 葛亮,王斌,张立明. 计算机辅助设计与图形学学报. 2012(11)
[5]基于最大信息量的高光谱遥感图像无监督波段选择方法[J]. 刘雪松,葛亮,王斌,张立明. 红外与毫米波学报. 2012(02)
[6]基于正交投影散度的高光谱遥感波段选择算法[J]. 苏红军,盛业华. 光谱学与光谱分析. 2011(05)
[7]基于改进遗传算法的高光谱图像波段选择[J]. 赵冬,赵光恒. 中国科学院研究生院学报. 2009(06)
[8]采用局部正交子空间投影的高光谱图像异常检测[J]. 董超,赵慧洁,王维,李娜. 光学精密工程. 2009(08)
[9]数据降维方法分析与研究[J]. 吴晓婷,闫德勤. 计算机应用研究. 2009(08)
[10]高光谱遥感卫星技术及其地质应用[J]. 李志忠,杨日红,党福星,张显峰,谭炳香,赵慧洁. 地质通报. 2009(Z1)
本文编号：3344955
【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校
【文章页数】：153 页
【学位级别】：博士
【部分图文】：
高光谱遥感示意图
喙匦韵凳?≒earsonCorrelationCoefficient，PCC）[125]被用作计算两波段间相关性的指标。对于协方差，值越大，则相关性越高；而对于相关性系数，值越接近1，则波段间越呈现正相关；越接近-1，则波段间越呈现负相关；越接近0，则表明越不相关。从图中可以发现，高光谱图像中大量波段间存在着显著的相关性，而相邻波段之间的相关性尤为显著。因此，波段间的高相关性导致高光谱图像存在显著的信息冗余，这意味着没有必要使用全部波段（特征），可以对高光谱图像进行降维来提高效率。（a）协方差矩阵（b）相关性系数矩阵图2-1IndianPines数据集中220个波段的相关性矩阵可视化图（3）休斯现象（HughesPhenomenon）[23]高光谱图像能够提供地物的精细光谱，为进行精确的地物分类奠定了基矗然而，在使用有监督分类算法对高光谱图像的像元进行分类时，随着波段数量的增加，所需要的训练样本数量也急剧增加。在训练样本一定的情况下，起初，分类精度会随着所用特征（即，波段）的数量的增加而增加，但当使用的特征达到
浙江大学博士学位论文第二章高光谱图像降维技术相关理论分析15一定数量之后，分类精度开始下降。这就是有监督分类任务中经常出现的休斯现象（HughesPhenomenon）[23]。图2-2展示了休斯现象的示意图，其中纵坐标表示在测试集上的平均分类精度；横坐标表示测量复杂度，测量复杂度与特征数量和量化精度密切相关，特征越多，量化精度越高，则测量复杂度越高；参数m表示训练样本的数量。图2-2Hughes现象示意图[23]以图2-2中训练样本数=100的曲线为例，当测量复杂度较低的时候，分类精度随着测量复杂度的增加而提高；当测量复杂度到达10左右时，分类精度达到最大；随后，分类精度开始随着测量复杂度的增加而下降。休斯现象也可以从样本密度的角度来直观理解，样本密度是训练样本数量与特征空间的体积的比[126]。以最基本的二分类问题为例，分类器实际上是在特征空间中寻找一个决策面来区分正负样本。对于数量一定的训练样本，特征维数较低，则特征空间体积较小，样本密度较大，此时可以认为训练样本是真实数据在特征空间中分布的密采样，在这种情况下，分类器通常不能轻易找到一个最佳的决策面，需要充分训练模型参数才能找到一个最合适的决策面来尽可能区分正负类，这样寻找到的决策面就可能更加接近理论上的最优解，同时这样的模型也具有更好的泛化性能；但是，当特征维数过高时，样本密度较小，在特征空间中将存在大量决策面可以轻易地区分正负类，这意味着分类器将难以充分训练，所学习出的决策面很可能会比较偏离理论最优解，因此分类模型的泛化性能就可能比较差。可以发现，要保证分类器取得较好的分类性能，训练样本应当是数据真实分布的一个密采样，即样本密度需要达到合理的值，并且样本密度越高，充分训练后的分类器的泛化
【参考文献】：
期刊论文
[1]人工蜂群算法研究综述[J]. 何尧,刘建华,杨荣华. 计算机应用研究. 2018(05)
[2]基于端元提取的高光谱异常目标检测[J]. 何高攀,杨桄,张筱晗,黄俊华,孟强强. 红外技术. 2015(10)
[3]一种改进的高光谱RX异常检测方法[J]. 刘志刚,卢云龙,刘翔. 四川兵工学报. 2014(05)
[4]基于波段聚类的高光谱图像波段选择[J]. 葛亮,王斌,张立明. 计算机辅助设计与图形学学报. 2012(11)
[5]基于最大信息量的高光谱遥感图像无监督波段选择方法[J]. 刘雪松,葛亮,王斌,张立明. 红外与毫米波学报. 2012(02)
[6]基于正交投影散度的高光谱遥感波段选择算法[J]. 苏红军,盛业华. 光谱学与光谱分析. 2011(05)
[7]基于改进遗传算法的高光谱图像波段选择[J]. 赵冬,赵光恒. 中国科学院研究生院学报. 2009(06)
[8]采用局部正交子空间投影的高光谱图像异常检测[J]. 董超,赵慧洁,王维,李娜. 光学精密工程. 2009(08)
[9]数据降维方法分析与研究[J]. 吴晓婷,闫德勤. 计算机应用研究. 2009(08)
[10]高光谱遥感卫星技术及其地质应用[J]. 李志忠,杨日红,党福星,张显峰,谭炳香,赵慧洁. 地质通报. 2009(Z1)
本文编号：3344955
本文链接：https://www.wllwen.com/shoufeilunwen/gckjbs/3344955.html