跨场景高光谱图像空谱特征提取及分类算法研究.pdf

哈尔滨理工大学工学硕士学位论文

跨场景高光谱图像空谱特征提取及分类算法研究

摘要

高光谱图像（HyperspectralImage，HSI）同时融合了光谱维度以及空间维度

的特征信息，显著提高了图像分类和识别的效率。得益于深度学习在HSI领域

的逐年迭代，高光谱图像分类研究迅速成为研究和应用的焦点，尤其是神经网

络的广泛应用，明显提升了分类性能。这一进展为高光谱图像处理带来了新的

可能性，同时也加深了对图像特征的理解。但仍然存在两种不足：首先，跨场景

高光谱数据集分辨率和波段相同时，对特征提取不够充分，域适应水平仍然无

法很好支持场景之间的预测；其次，数据集分辨率和波段不同时，域对齐难度

进一步加大，现有方法并未提出对该类问题的有效解决办法。因此，本文针对

上述两种问题，分别设计如下的解决方案：

(1)针对跨场景高光谱遥感图像数据集分辨率和波段相同时，源域和目标域

存在的频谱偏移问题，设计一种结合空谱域适应与极度梯度提升树（eXtreme

GradientBoosting，XGBoost）的跨场景高光谱图像分类模型。首先将深度超参

数卷积模型（DepthwiseOver-parameterizedConvolutionModel，DOCM）和大核

注意力（LargeKernelAttention，LKA）结合，构成空谱注意力模型，提取源域

空谱特征。然后利用相同的空谱注意力模型对目标域进行特征提取，并与鉴别

器完成对抗域适应，减少源域与目标域之间的频谱偏移；其次，通过目标域中

少量有标签数据对目标域特征提取器进行有监督域适应，使目标域特征提取器

进一步学习领域内样本实例的真实分布，并对源和目标两个领域的分布进行映

射，使其形成相似的空间分布，完成聚类域适应。最后，使用集成分类器XGBoost

进行高光谱图像分类，进一步提高模型的置信度。在Pavia和Indiana数据集上

的实证结果证明，该方法能够较充分提取跨场景图像特征，进一步提升了HSI

的分类准确率。

(2)为解决跨场景高光谱图像源域与目标域数据集在分辨率和波段上的异

质性，以及由此导致的共性特征减少问题设计了一种基于域对齐的HSI分类方

法。首先，通过初步特征提取后，分别进行图对齐和分布对齐两种域对齐操作。

图对齐旨在对不同波段或不同时间点的高光谱图像进行对齐，确保它们在相同

的空间参考框架下。分布对齐通过对不同类别样本的特征在特征空间内的分布

-I-

哈尔滨理工大学工学硕士学位论文

进行调整，以减小两个域之间同种地物的分布差异。其次，对两种对齐方式的

一致性进行调整，以确保通过不同对齐方式得到的特征在特征空间中表现一致，

从而提高特征的可比性和可靠性。此外，本方法从不同角度考虑了模型中的多

种损失，通过统一的优化过程进行综合调整，以更全面地捕捉和利用数据之间

的关联信息。实验证明，该方法能够提高分辨率和波段不同时数据集之间的高

光谱预测性能。

关键词跨场景高光谱图像分类；域适应；分布对齐；图对齐；集成学习

-II-

哈尔滨理工大学工学硕士学位论文

ResearchonSpatial-SpectralFeatureExtraction

andClassificationAlgorithmforCross-Scene

HyperspectralImages

Abstract

HyperspectralImageintegratesfeatureinformationinbothspectralandspatial

dimensions,whichsignificantlyenhancestheefficiencyofimageclassificationand

recognition.Thecontinuousadvancementofdeep