论文部分内容阅读
随着成像光谱技术的进一步发展,高光谱数据的光谱分辨率不断被提高,得到的地物光谱特征更加精细化,可以实现地物的更细分类。但是,高维的光谱特征会对后续的数据处理带来一系列的问题,例如计算复杂度的增加,冗余信息对模型稳定性的影响以及对训练样本数量要求的提高等。处理这些问题最直接的方法就是维数约减。稀疏图是通过稀疏表示得到的一种具有稀疏特性的图,它具有优于一般图如6)近邻图和近邻图的特性,如噪声鲁棒性,稀疏性,自适应性。由于高光谱数据的非线性特性,保留局部结构信息的低维特征更利于后续的分类问题。本论文中的工作主要从两点出发:(1)稀疏图的学习,如何学习得到包含更多判别信息的稀疏图;(2)结合高光谱数据的数据特性,设计更适合高光谱数据的维数约减方法。结合以上两点,论文中共提出了下面的五个方法:(1)提出了基于双稀疏图的半监督维数约减方法,用于解决高光谱数据训练样本难获取的问题。首先,使用联合6)近邻选择策略选择伪标记样本来补充标记样本集。接下来,通过稀疏表示得到双稀疏图,包含标记样本集中的正结构信息和负结构信息。在不同的准则下,提出了两种基于双稀疏图的半监督判别分析算法。为了降低伪标记样本的不准确性对结果的影响,两种算法分别在传统模型上使用了不同的加权策略。在UCI和高光谱数据上的试验结果验证了所提出方法的有效性,以及对比经典的维数约减方法的优势。(2)提出了一种基于稀疏图学习的无监督维数约减方法。在该方法中,稀疏图的构造和投影矩阵的学习被整合到一个框架下,并且通过迭代学习相互影响。在稀疏图学习的过程中,投影特征被用来增强稀疏图的判别信息。同样,在投影学习中,增强后的稀疏图可以使得到的投影特征的判别能力更强。除此之外,原空间中的空谱特征与投影空间中的结构信息相结合,学习得到一种不精确的判别信息。在不精确判别信息的引导下,通过交替迭代学习得到的投影空间中包含有丰富的判别信息,更加有利于后面的分类问题。两组高光谱图像数据上的实验验证了该算法的优势。(3)基于稀疏保持投影的思想,提出了一种改进的稀疏保持投影降维方法,称为基于自适应稀疏图学习的维数约减方法。在稀疏图学习的过程中,对样本的稀疏度参数加入了自适应的调整策略,每个样本的稀疏度参数不再是固定不变的。除此之外,在投影学习的过程中引入了一个新的度量,用来控制每个样本在投影学习中所起到的作用。由于自适应稀疏图的学习是一个迭代的过程,因此,投影空间的信息被应用到下一次迭代中,可以对稀疏图的学习起到指导作用。通过在三种不同类型的数据上的实验,证明了所提出方法的性能优势以及它的普适性。(4)提出了一种基于多视角图集成的图嵌入方法。针对高光谱数据,不同的谱带集合可以看做是对地物的不同视角的观测,从每个视角所发现的结构信息可能是不同的。通过这种方法可以提升传统的图嵌入方法在高光谱数据上的效果。通过整合多视角图,图嵌入可以利用更多更准确的结构信息得到比传统方法更好的结果。除此之外,基于多视角集成的图嵌入方法可以被看做是一个算法框架,可以被推广到不同的图嵌入方法中。实验结果证实了提出的方法可以显著提高传统图嵌入方法的性能。(5)考虑到高光谱图像的空间特性,提出了空谱正则稀疏图,它与一般的稀疏图相比,判别能力更强。基于稀疏保持的思想,将空谱正则稀疏图应用到了高光谱谱带选择中,提出了基于空谱正则稀疏图的谱带选择方法。2,1范数约束被用来约束投影矩阵,使得新特征的构造只需要少量的原始特征。使用每个谱带在新特征中的贡献程度来定义每个谱带的重要性分值,根据这个度量选择出少量的重要波带。实验验证了该算法相较于对比算法的性能优势。