论文摘要
随着数字信号处理技术、计算机技术以及通信技术的迅猛发展,遥感图像处理技术在军事、民用等领域发挥着越来越重要的作用。与多光谱遥感相比,超谱遥感具有更高的光谱分辨率。超谱图像分类的研究是超谱遥感应用的主要内容之一。硬分类是将复杂的现象简化为少量的类别,是提取超谱图像中有用信息的重要处理方法之一。另一方面,超谱图像的空间分辨率一般较低,从而导致混合像素广泛存在,而处理混合像素相对于处理纯像素更加困难且更具重要意义。作为混合像元处理主要技术的光谱分离,就是要去求解光谱分离后像元内各混合成分所占的比例,是一种更为精确的软分类技术。目前硬分类方法较多,但分类效果不够理想或是方法本身有待提升;传统软分类方法由于在光谱分离中无关类别的参与以及光谱分离模型本身的不足导致分离效果不够理想。为此,本文以支持向量机为主要理论,对超谱图像硬、软分类(光谱分离)及相关技术进行研究。第一,研究基于相似特征逐步删除的超谱图像波段选择和高斯低通滤波预处理方法。该波段选择方法建立在特征相似性计算之上,具有无监督性并且计算复杂度很小。所提出的高斯低通滤波方法旨在减弱或消除超谱遥感图像的高频分量但不影响低频分量,使得图像平滑且平滑后的图像类内距离变小而类间距离变大,以便有利于后续分类处理。第二,系统研究支持向量机相关理论,包括理论基础、分类原理、线性分类到非线性分类的推广、二类分类到多类分类的扩展、主要实现技术等,并且对其分类性能进行了实验测试。理论基础和主要原理的研究有利于理解支持向量机所具有的独特优势;发展类型和优化算法的研究旨在提高支持向量机的应用效率;多类实现方法的研究使得该技术能够更为方便地处理类别较多的分类问题。这部分内容的研究为后文开展奠定了必要的理论基础。第三,研究提高支持向量机分类精度的方法,包括分类前的模糊方法的应用,训练过程中加权方法的应用,以及初次训练完成后对于部分子分类器的二次训练思想等。模糊方法在模糊聚类的基础上选择训练样本,并采用支持向量机分类算法对图像进行最终的分类,用以克服样本选择的盲目性;加权方法采用距离尺度对最小二乘支持向量机惩罚项进行加权,以克服训练过程中噪声点的不良干扰;二次训练思想对两种类型的支持向量机和全部参数均进行有效的二次调整,通过对分类效果最差的几个子分类器进行二次参数调整,最后整合利用两次获得的最优参数赋予相应的子分类器构成新的总体分类器。第四,研究支持向量机应用于光谱分离即软分类的可行性和方法,以及光谱分离中有效的类别子集的选择方法。一方面,介绍了线性支持向量机应用于光谱分离的原理,应用的非线性扩展,并对其应用效果进行了论证;另一方面在光谱分离中分别根据空间相关性和感兴趣类别进行相关类别子集的选择,利用相关类别对混合像元进行更为精确的光谱分离。实验结果表明,支持向量机对于超谱图像的软、硬分类有着非常良好的效果;而恰当的预处理方法、支持向量机性能提升方法和类别子集选择有助于获得更好的分析效果。