結合近鄰選擇的高光譜圖像分類算法研究.pdf

1、ResearchontheHyperspectralImageClassificationAlgorithmsCombiningwiththeSelectionofSpatialNeighborhoodAThesisSubmittedtoNanjingNormalUniversityFortheAcademicDegreeofMasterofEngineeringBy，ZhenkaiZhaoSupervisedbyProfMingYan

2、gSchoolofComputerScienceandTechnologyNanjingNormalUniversityMarch2016摘要摘要高光譜圖像豐富的光譜信息，使其在目標檢測、地物分類、污染防治以及軍事偵查等領域都具有重要應用。高光譜圖像分類是高光譜圖像處理和分析的重要研究內容，倍受研究者的關注。受“同物異譜”、“同譜異物”以及高維小樣本等因素的影響，僅利用光譜信息的早期高光譜圖像分類算法的分類精度較低。而空間信息有效刻畫了

3、光譜像素點及其近鄰之間關系，因此如何同時利用高光譜圖像的光譜信息和空間信息來改進分類性能成為研究者的關注焦點。為此，研究者在如何有效結合空間信息輔助原光譜特征進行分類方面開展了大量的研究工作，取得可喜的進展。但如何有效、合理利用空間信息仍是該領域的重點與難點。為此，本文圍繞高光譜圖像空間信息的有效挖掘與利用展開研究，側重針對空間近鄰關系挖掘出有效的特征信息和設計結合光譜信息和空間信息的協(xié)同分類算法，以此提高高光譜圖像分類的精度。論文的主

4、要研究工作如下。1提出兩種空間預處理方式下結合空間近鄰選擇的合成核SVM高光譜圖像分類算法。兩種算法的主要思路：提取出待分類中心像素點的空間特征，并結合光譜信息改善分類結果。1)提出了結合分水嶺分割的合成核SVld高光譜分類算法(WSCSVM)。該算法采用分水嶺算法先挖掘出高光譜邊界輪廓信息，依據(jù)過分割圖自適應選擇更緊致的分割區(qū)域作為中心像素點空間近鄰并提取有效的空間特征，進而通過合成核SVM策略有效融合光譜特征和挖掘出的空間特征設計出

5、新的高光譜分類算法；、2)提出了結合最小生成樹空間近鄰選擇的合成核SVM高光譜分類算法(MSTCSVM)。該算法同時考慮空間邊界輪廓信息和中心像素點與空間近鄰點光譜的相似性，以空間近鄰的緊性和判別性為準則提取有效的空間特征，進而利用合成核SVM算法設計出有效融合光譜特征和挖掘出的空間特征的高光譜分類算法。兩種算法有各自的優(yōu)勢：WSCSVM算法一次分割便可快速給出所有像素點空間近鄰，效率高；MSTCSVM算法同時考慮梯度信息和待分類中心像