高光譜遙感數據特征提取與特征選擇方法研究.pdf

1、高光譜遙感技術在可見光至紅外波段，可采集許多非常窄光譜的影像數據為觀測目標提供更豐富的信息，從而使得常規傳感器探測技術無法解決的復雜目標檢測、識別與理解成為可能，是傳統遙感技術的“進化”發展，近年來受到國內外高度重視。隨著高光譜傳感器技術的發展，光譜波段數目不斷增加。在數據所處的高維特征空間中，光譜波段間的強相關性、數據分布的非線性以及訓練樣本的不足等都給數據分類識別處理提出了嶄新的課題。特征提取和特征選擇技術在保留高光譜數據主要光譜信

2、息的同時降低特征空間的維度實現數據降維，成為高光譜遙感數據處理涉及的關鍵問題之一，并已被IEEE信號處理、地球科學與遙感等會刊列為特別專輯的內容。本文結合國家自然科學基金重點項目等，主要研究基于流形學習、矩陣分解的特征提取方法和基于數據結構的特征選擇方法。針對這幾種情況，本文的創新點主要有：
　?。?）針對傳統流形學習方法忽視了高光譜圖像中相鄰像素之間的強相關性，提出了一種基于空間一致性的局部嵌入特征提取算法：通過一個優化的局部線

3、性嵌入和相鄰像素相關特性的引入，在高維空間建立數據的局部線性結構，尋找一個優化的投影矩陣把局部線性結構投影到低維空間實現數據的特征提取。該方法既考慮高光譜數據的流形結構，又考慮其圖像域空間信息，實驗結果表明在高光譜數據分類方面具有明顯的優越性。此外，得到的投影矩陣可以應用于新的樣本，改進了局部線性嵌入等算法只適用于訓練樣本的不足。
　?。?）針對非負矩陣分解算法沒有考慮數據幾何結構的特點，提出了一種基于正則化非負矩陣分解的特征提取

4、算法：在標準非負矩陣分解算法的基礎之上考慮高光譜數據的局部和非局部結構，最大化非局部散度的同時，最小化局部散度，同時給出了一個迭代的乘性更新規則得到優化解，并對該更新規則的收斂性進行了理論分析和推導證明。此外，針對高光譜技術實際應用中無標記樣本和有標記樣本并存的情況，提出了一種基于概念分解的半監督特征提取算法：充分利用有限的標記樣本，將其作為硬性約束加入概念分解中；同時構建局部鄰域圖，挖掘數據的流形結構并保持局部的不變特性，使得低維表示

5、具有更強的判別性能。這些特性對于高光譜數據分類問題比同類矩陣分解方法具有更好的針對性效果。
　?。?）針對高光譜數據呈現多模態分布的特性，提出了一種分組的基于局部Fisher判別的特征選擇系統：在計算類間離散度和類內離散度時加入樣本的局部信息，通過最大化局部類間離散度與局部類內離散度之比，選擇一組優化的特征子集，使低維子空間的數據能夠在分離不同類別樣本的同時，保留同類樣本的局部鄰域結構。該方法較好的去除了光譜波段間的冗余性，使所選