目录
摘要........................................................................................................................................... I Abstract .................................................................................................................................... III 目录....................................................................................................................................... V II 图目录...................................................................................................................................... XI 表目录..................................................................................................................................... X V 术语及算法缩略表............................................................................................................... XVI 1 绪论.. (1)
1.1 课题研究的背景 (1)
1.1.1 高光谱遥感概述 (1)
1.1.2 高光谱遥感的优势与面临的挑战 (2)
1.2 课题研究的历史与现状 (4)
1.2.1 高光谱图像特征选择与特征提取 (4)
1.2.2 高光谱图像分类 (6)
1.3 本文的主要工作 (8)
1.4 本文的内容安排 (10)
2 高光谱图像分类理论基础 (13)
2.1 引言 (13)
2.2 有监督分类 (13)
2.3 分类器 (15)
2.3.1 最大似然估计 (15)
2.3.2 高斯混合模型 (16)
2.3.3 支持向量机 (17)
2.4 高光谱基准图像 (18)
2.4.1 A VIRIS高光谱数据Indian Pines (18)
2.4.2 ROSIS高光谱数据Pavia University (20)
2.5 高光谱图像分类精度评价 (21)
2.5.1 误差矩阵 (21)
2.5.2 总体分类精度和Kappa系数 (22)
2.5.3 小样本情况下的分类精度 (23)
2.5.4 噪声环境中的分类精度 (24)
2.6 本章小结 (26)
3 基于三维小波变换的高光谱图像特征提取与分类 (27)
3.1 引言 (27)
3.2 基于三维小波变换的高光谱图像特征提取 (28)
3.2.1 小波变换 (28)
3.2.2 移动窗三维小波特征提取 (29)
3.3 基于三维小波特征的高光谱图像分类算法 (30)
3.3.1 特征分析 (31)
3.3.2 参数选择 (32)
3.4 实验结果及评估 (33)
3.4.1 Indian Pines数据结果 (33)
3.4.2 Pavia University数据结果 (36)
3.5 本章小结 (38)
4 基于三维小波特征与马尔可夫随机场的高光谱图像分类 (39)
4.1 引言 (39)
4.2 基于三维小波特征与马尔可夫随机场的高光谱图像分类算法 (40)
4.2.1 邻域系统 (41)
4.2.2 基团 (42)
4.2.3 马尔可夫随机场 (42)
4.2.4 MAP-MRF理论框架 (43)
4.3 实验结果及评估 (44)
4.3.1 Indian Pines数据结果 (44)
4.3.2 Pavia University数据结果 (47)
4.4 本章小结 (49)
5 基于三维小波特征的高光谱图像决策融合分类 (51)
5.1 引言 (51)
5.2 基于多个子空间三维小波特征的高光谱图像决策融合分类算法 (52)
5.2.1 对数意见池决策融合 (52)
5.2.2 算法研究 (53)
5.3 基于小波系数相关矩阵的高光谱图像决策融合分类算法 (54)
5.3.1 线性意见池决策融合 (54)
5.3.2 算法研究 (55)
5.4 实验结果及评估 (58)
5.4.1 Indian Pines数据结果 (58)
5.4.1.1 Fusion-LOGP算法 (58)
5.4.1.2 基于WCM的算法 (61)
5.4.2 Pavia University数据结果 (64)
5.4.2.1 Fusion-LOGP算法 (64)
5.4.2.2 基于WCM的算法 (66)
5.5 本章小结 (70)
6 基于主成分分析与二维小波变换的高光谱图像决策融合分类 (71)
6.1 引言 (71)
6.2 基于PCA与DWT的高光谱图像决策融合分类算法 (72)
6.2.1 波段分组 (72)
6.2.2 谱间PCA降维 (73)
6.2.3 空间DWT特征提取 (74)
6.2.4 线性意见池决策融合分类 (75)
6.2.5 特征分析 (75)
6.2.6 参数选择 (76)
6.3 实验结果及评估 (76)
6.3.1 Indian Pines数据结果 (76)
6.3.2 Pavia University数据结果 (79)
6.4 本章小结 (81)
7 基于局部保护降维的高光谱图像决策融合分类 (83)
7.1 引言 (83)
7.2 局部保护降维 (84)
7.2.1 线性判别分析 (84)
7.2.2 局部保护投影 (85)
7.2.3 局部保护非负矩阵分离 (86)
7.2.4 局部Fisher判别分析 (87)
7.3 基于微分特征与局部保护降维的高光谱图像决策融合分类算法 (88)
7.3.1 单分类器算法比较 (89)
7.3.2 光谱微分 (90)
7.4 基于微分-Gabor特征与局部保护降维的高光谱图像决策融合分类算法 (91)
7.4.1 Gabor变换 (92)
7.4.2 特征分析 (93)
7.5 实验结果及评估 (93)
7.5.1 Indian Pines数据结果 (93)
7.5.2 Pavia University数据结果 (97)
7.5 本章小结 (101)
8 总结和展望 (103)
8.1 全文总结 (103)
8.2 本文创新点 (103)
8.3 工作展望 (106)
参考文献 (107)
致谢 (119)
攻读博士学位期间发表的学术论文和参加科研情况 (121)
图目录
图1-1 光学遥感技术的发展历程 (1)
图1-2 高光谱图像示意图 (2)
图1-3 论文各章节结构和关系 (10)
图2-1 支持向量机的演化过程 (17)
图2-2 支持向量的最优分类平面 (17)
图2-3 Indian Pines伪彩色图与真实地物标记图 (19)
图2-4 Indian Pines光谱响应曲线 (20)
图2-5 Pavia University伪彩色图与真实地物标记图 (21)
图2-6 Pavia University光谱响应曲线 (21)
图2-7 Indian Pines在不同样本数时的分类测试 (23)
图2-8 Pavia University在不同样本数时的分类测试 (24)
图2-9 Indian Pines在噪声环境中的分类测试 (25)
图2-10 Pavia University在噪声环境中的分类测试 (25)
图3-1 空间移动窗大小示意图 (29)
图3-2 移动窗三维小波变换块 (29)
图3-3 三维离散小波变换 (30)
图3-4 基于3DDWT分类算法的框架图 (30)
图3-5 两个参数对所提算法分类精度的影响 (32)
图3-6 基于三维小波特征的算法对Indian Pines的分类结果图 (34)
图3-7 基于三维小波特征的算法在不同样本数时对Indian Pines的分类结果 (35)
图3-8 基于三维小波特征的算法在噪声环境中对Indian Pines的分类结果 (35)
图3-9 基于三维小波特征的算法对Pavia University的分类结果图 (37)
图3-10 基于三维小波特征的算法在不同样本数时对Pavia University的分类结果 (37)
图3-11 基于三维小波特征的算法在噪声环境中对Pavia University的分类结果 (38)
图4-1 3DDWT-SVM-MRF算法的框架图 (40)
图4-2 一阶邻域系统与其二元基团集合 (41)
图4-3 二阶邻域系统与其二元基团集合 (41)
图4-4 3DDWT-SVM-MRF算法对Indian Pines的分类结果图 (45)
图4-5 3DDWT-SVM-MRF算法在不同样本数时对Indian Pines的分类结果 (46)
图4-6 3DDWT-SVM-MRF算法在噪声环境中对Indian Pines的分类结果 (46)
图4-7 3DDWT-SVM-MRF算法对Pavia University的分类结果图 (48)
图4-8 3DDWT-SVM-MRF算法在不同样本数时对Pavia University的分类结果 (48)
图4-9 3DDWT-SVM-MRF算法在噪声环境中对Pavia University的分类结果 (49)
图5-1 Fusion-LOGP算法的框架图 (53)
图5-2 Fusion-LOGP算法与单一子空间算法的比较 (54)
图5-3 两个参数对Fusion-LOGP算法分类精度的影响 (54)
图5-4 小波系数相关矩阵（WCM） (56)
图5-5 基于WCM的高光谱决策融合分类算法的框架图 (57)
图5-6 基于WCM的算法在不同移动窗时对Indian Pines的分类结果 (57)
图5-7 基于WCM的算法在不同移动窗时对Pavia University的分类结果 (58)
图5-8 Fusion-LOGP算法对Indian Pines的分类结果图 (59)
图5-9 Fusion-LOGP算法在不同样本数时对Indian Pines的分类结果 (60)
图5-10 Fusion-LOGP算法在噪声环境中对Indian Pines的分类结果 (60)
图5-11 基于WCM的算法对Indian Pines的分类结果图 (62)
图5-12 基于WCM的算法在不同样本数时对Indian Pines的分类结果 (63)
图5-13 基于WCM的算法在噪声环境中对Indian Pines的分类结果 (64)
图5-14 Fusion-LOGP算法对Pavia University的分类结果图 (65)
图5-15 Fusion-LOGP算法在不同样本数时对Pavia University的分类结果 (66)
图5-16 Fusion-LOGP算法在噪声环境中对Pavia University的分类结果 (66)
图5-17 基于WCM的算法对Pavia University的分类结果图 (68)
图5-18 基于WCM的算法在不同样本数时对Pavia University的分类结果 (69)
图5-19 基于WCM的算法在噪声环境中对Pavia University的分类结果 (69)
图6-1 PCA-DWT-Fusion算法的框架图 (72)
图6-2 谱间相关系数矩阵 (73)
图6-3 Indian Pines伪彩色图与主成分分量对应图 (74)
图6-4 移动窗二维小波变换 (75)
图6-5 PCA-DWT-Fusion算法对Indian Pines的分类结果图 (77)
图6-6 PCA-DWT-Fusion算法在不同样本数时对Indian Pines的分类结果 (78)
图6-7 PCA-DWT-Fusion算法在噪声环境中对Indian Pines的分类结果 (78)
图6-8 PCA-DWT-Fusion算法对Pavia University的分类结果图 (80)
图6-9 PCA-DWT-Fusion算法在不同样本数时对Pavia University的分类结果 (80)
图6-10 PCA-DWT-Fusion算法在噪声环境中对Pavia University的分类结果 (81)
图7-1 LDA的降维投影图 (84)
图7-2 LPP的降维投影图 (85)
图7-3 D-LPNMF/LFDA-Fusion算法的框架图 (88)
图7-4 不同微分阶数时的分类测试 (91)
图7-5 D-Gabor-LPNMF/LFDA-Fusion算法的框架图 (92)
图7-6 在不同方向夹角情况下的二维Gabor核 (95)
图7-7 所提算法对Indian Pines的分类结果图 (95)
图7-8 所提算法在不同样本数时对Indian Pines的分类结果 (96)
图7-9 所提算法在噪声环境中对Indian Pines的分类结果 (97)
图7-10 所提算法对Pavia University的分类结果图 (99)
图7-11 所提算法在不同样本数时对Pavia University的分类结果 (100)
图7-12 所提算法在噪声环境中对Pavia University的分类结果 (100)
表目录
表2-1 Indian Pines数据样本数 (19)
表2-2 Pavia University数据样本数 (20)
表2-3 误差矩阵 (22)
表3-1 3DDWT-LFDA-GMM算法对Indian Pines的分类测试 (31)
表3-2 3DDWT-SVM算法对Indian Pines的分类测试 (31)
表3-3 GMM分类器对不同特征的分类精度（%） (32)
表3-4 SVM分类器对不同特征的分类精度（%） (32)
表3-5 基于三维小波特征的算法对Indian Pines的分类误差矩阵 (33)
表3-6 基于三维小波特征的算法对Indian Pines的分类结果 (34)
表3-7 基于三维小波特征的算法对Pavia University的分类误差矩阵 (36)
表3-8 基于三维小波特征的算法对Pavia University的分类结果 (37)
表4-1 两个参数对3DDWT-SVM-MRF算法分类精度的影响 (44)
表4-2 3DDWT-SVM-MRF算法对Indian Pines的分类误差矩阵 (45)
表4-3 3DDWT-SVM-MRF算法对Indian Pines的分类结果 (45)
表4-4 3DDWT-SVM-MRF算法对Pavia University的分类误差矩阵 (47)
表4-5 3DDWT-SVM-MRF算法对Pavia University的分类结果 (48)
表5-1 Fusion-LOGP算法对Indian Pines的分类误差矩阵 (59)
表5-2 Fusion-LOGP算法对Indian Pines的分类结果比较 (59)
表5-3 WCM-LDA-MLE算法对Indian Pines的分类误差矩阵 (61)
表5-4 WCM-LFDA-GMM算法对Indian Pines的分类误差矩阵 (61)
表5-5 WCM-SVM算法对Indian Pines的分类误差矩阵 (62)
表5-6 基于WCM的算法对Indian Pines的分类结果 (62)
表5-7 Fusion-LOGP算法对Pavia University的分类误差矩阵 (64)
表5-8 Fusion-LOGP算法对Pavia University的分类结果 (65)
表5-9 WCM-LDA-MLE算法对Pavia University的分类误差矩阵 (67)
表5-10 WCM-LFDA-GMM算法对Pavia University的分类误差矩阵 (67)
表5-11 WCM-SVM算法对Pavia University的分类误差矩阵 (67)
表5-12 基于WCM的算法对Pavia University的分类结果 (68)
表6-1 所提算法对不同特征的分类精度（%） (76)
表6-2 PCA-DWT-Fusion算法在两个参数下的测试结果 (76)
表6-3 PCA-DWT-Fusion算法对Indian Pines的分类误差矩阵 (77)
表6-4 PCA-DWT-Fusion算法对Indian Pines的分类结果 (77)
表6-5 PCA-DWT-Fusion算法对Pavia University的分类误差矩阵 (79)
表6-6 PCA-DWT-Fusion算法对Pavia University的分类结果 (80)
表7-1 几种单分类器算法对Indian Pines的分类结果 (89)
表7-2 几种单分类器算法对Pavia University的分类结果 (89)
表7-3 基于LPNMF的算法对不同特征组合的分类精度（%） (93)
表7-4 基于LFDA的算法对不同特征组合的分类精度（%） (93)
表7-5 基于LPNMF的算法对Indian Pines的分类误差矩阵 (94)
表7-6 基于LFDA的算法对Indian Pines的分类误差矩阵 (95)
表7-7 所提算法对Indian Pines的分类结果 (95)
表7-8 基于LPNMF的算法对Pavia University的分类误差矩阵 (97)
表7-9 基于LFDA的算法对Pavia University的分类误差矩阵 (98)
表7-10 所提算法对Pavia University的分类结果 (99)
zkq 20151222
术语及算法缩略表
术语
A VIRIS 机载可见/红外成像光谱仪（Airborne Visible/Infrared Imaging
Spectrometer）
ROSIS HSI 反射光学系统成像光谱仪（Reflective Optics System Imaging Spectrometer）
高光谱图像（Hyperspectral Image）
PCA 主成分分析（Principal Component Analysis）
LDA 线性判别分析（Linear Discriminant Analysis）
LFDA 局部Fisher判别分析（Locality Fisher Discriminant Analysis）
LPP 局部保护投影（Locality Preserving Projection）
NMF 非负矩阵分离（Non-negative Matrix Factorization）
LPNMF 局部保护非负矩阵分离（Locality Preserving non-negative Matrix
Factorization）
GT 伽博变换（Gabor Transform）
2DDWT（DWT）3DDWT
WCM 二维离散小波变换（Two-Dimension Discret Wavelet Transform）三维离散小波变换（Three-Dimension Disctret Wavelet Transform）小波系数相关矩阵（Wavelet Correlation Coefficient Matrix）
MLE 最大似然估计（Maximum Likelihood Estimation）GMM 高斯混合模型（Gaussian Mixture Model）
SVM MRF 支持向量机（Support Vector Machines）马尔可夫随机场（Markov Random Field）
MV 多数票决（Majority Voting）
LOP 线性意见池（Linear Opinion Pool）LOGP 对数意见池（Logarithmic Opinion Pool）算法
LFDA-GMM
3DDWT-LFDA-GMM 3DDWT-SVM
3DDWT-SVM-MRF 局部Fisher判别分析与高斯混合模型的分类（Locality Fisher Discriminant Analysis and Gaussian Mixture Model）
三维小波变换与高斯混合模型的分类（Classification based on 3DDWT and Gaussian Mixture Model）
三维小波变换与支持向量机的分类（Classification based on 3DDWT and Support Vector Machines）
三维小波特征与马尔可夫随机场的分类（Classification based 3DDWT Features and Markov Random Field）
zkq 20151222