基于稀疏表示的高光谱遥感影像半监督降维算法研究-摄影测量与遥感专业论文.docx

万方数据 万方数据 致谢 首先感谢我的导师谭琨副教授，本了论文是在谭老师的精心指导下完成 的。从论文的选题、研究方案的制定到论文的修改定稿无不凝聚着导师的心血 和智慧。谭老师渊博的知识、大胆创新的科研精神、忘我的工作精神、严谨的 治学态度、豁达大度的处事作风，这些优秀的品质都是值得我们学习的，研究 生三年的学习是我一生中最宝贵的财富。值此论文即将付梓之际，谨向我的导 师致以深深的敬意。 在论文选题与撰写过程中，王行风老师、孙久运老师、赵银娣老师、张华 老师、秦凯老师等参加选题的老师为我的论文提出了很多宝贵意见，在此向他 们表示感谢！还要感谢试验室李二珠师兄、廖志宏师兄、叶元元师姐三年来在 科研学习上给予众多的帮助和指导。特别感谢胡俊、张俊鹏、靳晓、张倩倩在 我论文中提出的大量宝贵意见，同时还要感谢王雪、朱济帅、马东磊、潘岑岑 和舍友张言哲在生活和学习上提供的帮助。感谢遥感硕 12 级全体同学伴我度过 这三年美好又难忘的时光！ 在此要特别感谢论文撰写过程中所参考和引用到的参考文献的作者们。感 谢家人和女友，他们的无私的支持、鼓励和关怀是我学习生活中不竭的动力！ 最后，感谢百忙之中评阅本论文并提出宝贵意见和建议的各位专家、学 者！ 感谢参加答辩的各位评委老师和工作人员。 摘 要 高光谱遥感影像相比其他遥感数据提供了更加丰富的地球表面信息，在近 20 年得到了迅速的发展和大量应用。高光谱遥感影像波段多，数据量大，这给数 据的处理带来了一定的困难，因此高光谱遥感影像常常要经过特征选择或特征提 取等方法进行降维作为高光谱数据的预处理工作。本文从高光谱遥感影像处理技 术中的特征提取出发，在深入研究稀疏表示降维方法的基础上提出一种基于稀疏 表示的半监督降维算法并将其应用到高光谱遥感数据降维中。论文主要取得以下 成果： （1）论文在分析高光谱遥感数据特征的基础上，围绕特征提取的降维算法 详细阐述了稀疏表示理论，并引入小波去噪方法对稀疏表示分类器进行改进。通 过试验表明结合小波去噪的方法能够有效的提高稀疏表示分类器的性能。 （2）分析了基于非监督稀疏表示的降维方法 SPGE 和监督稀疏表示算法 BSGDA，针对 BSGDA 运算效率低的特点，提出一种“构小图”的方法来构建稀 疏相似矩阵进行监督稀疏表示降维算法。通过试验表明采用“构小图”的方法能 够大大提高运算效率，为 BSGDA 的应用奠定了一定的基础。 （3）结合半监督学习，利用小波去噪的稀疏分类器和最邻近正规化方法进 行样本的增选，在 BSGDA 的基础上提出一种基于稀疏表示的半监督降维算法。 试验表明在训练样本小的情况下，该方法较监督降维算法 BSGDA 和非监督算法 LE 能够取得更好的降维效果。 该论文有图 20 幅，表 8 个，参考文献 90 篇。 关键词：高光谱遥感；稀疏表示；半监督降维；改进稀疏表示分类器 I Abstract Hyperspectral remote sensing imagery can provide richer information of earth surface than other remote sensing data. With the rapid development in the recent 20 years, it has been used in many applications. High dimensionality and large data of hyperspectral remote sensing imagery face to many difficulties in data process, therefore it should to do the dimensional reduction through feature extraction and feature selection in the preprocessing procedure. Based on the sparse representation- based dimensional reduction, we presents a semi-supervised dimensional reduction method for hyperspectral imagery. The results of this paper are shown as follows: Analyzing the features of hyperspectral data and elaborating the theory of sparse representation on dimensional reduction of feature