《基于数据融合的高光谱遥感图像分类研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。
哈尔滨工程大学硕士学位论文摘要高光谱遥感技术的快速发展，使得获取更高光谱分辨率的地面信息成为可能，为定量遥感的实现创造了有利条件。然而，高光谱数据具有波段数目众多、各波段相关性强、运算量大的特点，这对相应的处理技术提出了很高的要求。高光谱遥感影像分类是高光谱遥感技术的一个重要应用，针对多光谱遥感图像的分类人们已经研究了多种处理方法，技术比较成熟；但是高光谱图像的数据量大，数据维高，使得通常的多光谱图像处理方法对于高光谱图像的应用有较大的限制。为了解决这一问题，本文在深入分析高光谱图像数据特点的基础上，重点研究了基于数据融合的高光谱遥感影像分类技术，研究的主要内容如下：首先，将二进脊波变换应用于高光谱遥感图像的数据融合，并结合二进脊波变换数据分解的特点，提出了相应的融合策略，实现了数据级融合。该算法先对同一波段组内的各个子图像进行有限Randon变换，将线性奇异转化为点奇异：然后通过二进小波变换对点奇异信号进行处理。在融合策略的选取中，充分考虑Nd,波变换进行数据分解的特点：对于代表图像概貌信息的低频部分采用归一化方差加权融合；对于包含图像细节和纹理特征的高频部分选择像素绝对值最大的部分作为融合后的像素值。在尽可能多地保持原始图像信息的前提下，实现了对AVIRIS图像的像素级融合，并在此基础上进行了地物分类。仿真实验表明，该方案能有效地改善融合效果，并迸一步提升分类精度。其次，针对有限脊波变换存在的“环绕效应”所引入的噪声，研究了减小其影响的方案。研究表明：图像分割子块尺寸越大，“环绕效应’’的影响就越大：子块尺寸越小，脊波的优势就越明显。但是，分割尺寸越小，重构图像的块状效应越明显，而且分割越小图像所表示的方向也越少，效果也近似于小波变换。因此，在实际选择中应该折衷考虑。再次，为了彻底消除“环绕效应”，研究了基于真实脊函数和快速SlantStack算法的数字脊波变换在高光谱图像融合中的应用。由于没有采用有限Randon变换实现脊波的数字化，它能彻底消除“环绕效应"，融合的效果也 哈尔滨+Ij程人学硕+学位论文能得到进一步改善，但是引入了数据冗余。为进一步提高分类精度与运算速度，本文将其与一种新的神经网络——样条权函数神经网络相结合，实现了特征级融合分类。由于该神经网络所具有的对初值不敏感、收敛速度快和不存在局部极小等优点，该方案能得到较高的分类精度。最后，研究了数字脊波和样条权函数神经网络在高光谱图像决策级融合中的应用，对二次融合进行了尝试。该方案先采用数字脊波实现像素级融合，并利用样条权神经网络实现局部分类；然后结合主体投票规则将各局部分类器输出的结果进行决策融合。仿真实验结果表明，该方案能在较少的训练样本条件下获得较高的分类精度，该决策融合方案要优于基于BP、RBF神经网络实现的决策融合方案。关键词：高光谱遥感图像：数据融合；分类；脊波变换；样条权神经网络 ABSTRACTTherapiddevelopmentofthehyperspectralremotesensingtechnology，whichmadeitpossibletoacquireobjectinformationonthesurfaceoftheEarth,isveryhelpfulforachievementofthequantitativeanalysisonremotesensing．Hyperspectralremotesensingimagerygenerallyconsistsofdozensorhundredsofnarrow，alsocontiguous，spectralbands，whichaccountsforthecomputationalburdenandthephenomenonwheretheresponseofbandstendstobehighlycorrelated．Consequently,advancedtechniquesareneededtoexploittheextensiveinformationcontainedinhyperspectraldata．Classificationofhyperspectralremotesensingimageryplaysanimportantroleinitsapplication．Theseyears，alargeamountofalgorithmonclassifyingmultispectraldataisaccomplishedbyresearchers，butthecharacteristicsthathyperspectraldatapossessedrestrictsitsapplicationonhyperspetralimageryowingtoahugecomputationalburden．Tosolvethisproblem，thisdissertationfocusesonhyperspectralremotesensingimageryclassificationmethodologybasedoninformationfusionalgorithmafterathoroughstudyonthecharacteristicsofhyperspectraldata．Themajorresearchareasfollows：Firstly,dyadicridgelettransformisbroughtintoachieveinformationfusiononhyperspectralremotesensingimagery，andabrandnewfusionalgorithmisputforwardwhichbased011thefeatureofthedatagainedafterridgelettransform．ThismethodappliesfiniteRandontransformtoallthesubimageswhichwereclassifiedintothesamebandsetatfirst，whichcallchangelinesingularityintheimageintopointsingularity,thendyadicwavelettransformisimplementedtodealwiththepointsingulardata。Whilechoosingfusionalgorithm，thedatacharactergainedbywavelettransformistakenintoconsideration：normalvailanteisweighedonthosedatawhichrepresentstheoutlineinformationoftheimage；astothosedatathatcontainsdetailsandtextureinformation，thepixelswithbiggestabsolutevalueischosentorepresentthepixelvalueoffusedimage． 哈尔滨工程大学硕士学位论文■——嗣—_■■———_MI——————u--|皇■宣目E葺i墨宣置iiEii暑_目——冒_i宣i_舳erpixellevelfusiontoAVHLISimagewasaccomplished，textureclassificationisdonebasedonthefusedimage．ExperimentalresultsshowthatthismethodCalleffectivelyimprovefusionresult，andachievehighoverallaccuracyofclassification．Secondly,furtherstudyisprocessedtoallaytheinfluenceof‘‘wraparoundeffect”broughtinbyfiniteridgelettransform．Thestudyshowsthatwhilethelargersizeofthesubimagegainedbysegmentationofimage，the‘'wraparoundeffect’’takesmoreimportantrole；whilethesmaller,themoreadvantagethatridgeletCanembodiment．Nevertheless，thesmilersizeofsubimagealsoresultstoclearerblockeffect，andthefusionresultsachievedbyridgeletwillalsoapproximatetowavelettransform．Thus，compromiseshouldbemadeduetodifferentconsiderationwhilechoosingthesizeofsegmentationblock．Thirdly,akindofdigitalridgelettransformbasedontrueridgefunctionsandfastslantstackalgorithmisresearchedonitsapplicationinhyperspectraldatafusioninordertoeliminate‘'wraparoundeffect'’．Sincethisalgorithmavoidusingfiniterandontransformtodiscretizeridgelet，thisdigitalridgelettransformcanthoroughlyeliminate‘'wraparoundeffect'’，thusachievingbetterfusionresults，butitalsobringsindataredundancy．Inordertoimproveclassificationaccuracyandcomputationalspeed，anewneuralnetworkcalledsampleweightneuralnetwork(SWNN)wascombinedwiththisdigitalridgelet．BecauseoftheadvantageswhichSWNNpossessed(suchas，notSOsensitivetoinitialvalue，nopartialminimumvalue，witharapidconvergencespeed，eta1)，thecombinationstrategycallachievehigheraccuracyandlesscomputationalburdenthanotherneuralnetworksuchasB—Pneuralnetwork，RBFneuralnetwork．Finally,fusionofhyperspectraldataondecisionlevelisstudiedbasedondigitalridgelet，sampleweightneuralnetworkandmajorityvotingrolealgorithm．Inthisalgorithm，pixellevelfusionisachievedbyusingdigitalridegelettransform，thenlocalclassificationisprocessedbyusingSWNN；thendecisionfusionisattainedbysynthesizetheresultsofallthelocalclassifierswithmajorityvotingrules．Experimentalresultsshowthatthisalgorithmcanachievehilgll 哈尔滨T程人学硕十学位论文1II_I——I●——_●-_—●●-_●——●_●—-—Iclassificationaccuracyevenwithverylimitedtrainingsamples，andthedecisionlevelfusionalgorithmbasedONSWNNnetworkisbetterthantraditionalneuralnetworkssuch嬲BP,RPF．Keywords：hyperspectralremotesensingimagery；datafusion；classification；ridgelettransform；sampleweightneuralnetwork 哈尔滨工程大学学位论文原创性声明本人郑重声明：本论文的所有工作，是在导师的指导下，由作者本人独立完成的。有关观点、方法、数据和文献等的引用已在文中指出，并与参考文献相对应。除文中己经注明引用的内容外，本论文不包含任何其他个人或集体已经公开发表的作品成果。对本文的研究做出重要贡献的个人和集体，均己在文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担。作者(签字)：．起茎些日期：汹孑年岁月7}日 哈尔滨’I‘．tl乇-1人学硕十学位论文第l章绪论高光谱遥感(HyperspectralRemoteSensing)是在电磁波谱理论、地学规律、电子技术、计算机技术及空间技术的基础上发展起来的一门独立的综合性新兴科学技术。由于它具有的高空间相关性和高光谱分辨率等特性，其潜在的可用性正被人们所认可和接受。本章主要介绍课题研究背景，并对当前国内外高光谱遥感图像分类和数据融合发展现状进行综述，最后说明了课题的目的、意义与论文的研究内容。1．1课题研究背景和意义遥感(RemoteSensing)是20世纪60年代发展起来的对地观测综合性技术，是指通过某种装置，不直接接触被研究目标、区域或现象来获取其有关数据，并对所获取的数据进行分析从而得到所需要信息的一种科学和技术⋯。成像光谱技术(ImagingSpectroscopy)是20世纪80年代初在遥感界发展起来的新兴研究领域，是当前遥感的前沿技术。获取成像光谱数据的传感器称为成像光谱仪(ImagingSpectrometer)。关于根据传感器的光谱分辨率对成像光谱技术进行划分的问题，一般认为当光谱分辨达到10-3A时，即进入了超高光谱(Ultraspectral)阶段。高光谱分辨率遥感(HyperspectralRemoteSensing)是指利用很多很窄的电磁波波段从感兴趣的物体中获取有关数据。它的最大特点就是在获得目标图像二维空间影像信息的同时，还可以获得高分辨率的一维表征其物理属性的光谱信息，即具有“图谱合一’’的特性，是代表遥感最新成就的新型技术之一。高光谱遥感与常规遥感数据的主要区别在于高光谱遥感是窄波段成像，可以获得连续的光谱信息，探测到常规遥感中不可探测的物质13l。因此，当一个宽波段的系统只能大致区分不同物质种类时，高光谱传感器却可以为物质的详细鉴定和更准确估计它的丰富程度提供了潜在的可能。高光谱遥感技术作为20世纪80年代兴起的对地观测技术，始于成像光谱仪的研究计划。该计划最早由美国加州理工学院喷气推进实验室(JetPropu—lsionLab，JPL)的一些学者提出，并在美国宇航局(NationalAeronauticsl 哈尔滨工程大学硕士学位论文andSpaceAdministration，NASA)的支持下，相继推出了系列成像光谱仪产品。1983年美国喷气推进实验室研制出了第一代成像光谱仪为机载航空成像光谱仪(触S．1)，它可以提供32个连续波段的影像。在此基础上，1987年研制成功的航空可见光／红外成像光谱仪(AVIRIS)成为成像光谱仪的第二代产品。它是首次测量全部太阳辐射光谱范围(400．--2500nm)的成像光谱仪，并在此波段范围内获取224个连续的光谱波段数据，它已经为科学研究和实际应用提供了大量的图像数据。1999年底，美国又研制出了以机载为雏形的星载中分辨率成像光谱仪(MODIS)和高分辨率成像光谱仪(HIRIS)，高光谱遥感开始应用于航空与航天相结合阶段。第三代高光谱成像光谱仪为克里斯特里尔傅立叶变换高光谱成像仪(FTHSI)，它采用256个通道，光谱范围为40啦!050nm，有2～10nm的光谱分辨率，视场角为150。。与此同时，加拿大、澳大利亚、日本等国家竟相投入力量，相继研制出了不同应用目的的成像光谱仪。近年来高光谱遥感在国内发展也十分迅速，取得了引入瞩目的成绩，相继成功研制出机载成像光谱仪(M赳S)、航空成像光谱仪(OMIS)系列以及星载高光谱成像光谱仪(C．mUS)等。目前，我国研制的244波段的推扫高光谱成像仪(PHI)与128波段的实用型模块化机载成像光谱仪(OMIS)已经进行了多次成功的航空遥感实验。另外，中国科学院上海技术物理研究所研制的中分辨率成像光谱仪子2002年随“神舟”三号飞船发射升空，这是继美国1999年发射的EOS平台之后第二次将中分辨率成像光谱仪送上天空，从而使中国成为世界上第二个拥有航天载成像光谱仪的国家【IJ。高光谱遥感硬件以及软件技术的发展，推动了遥感技术的快速发展，丰富了遥感的内涵，拓宽了遥感的应用领域。但就目前的遥感技术发展状况来看，硬件技术的迅猛发展远远超前于遥感数据的处理技术，面对如此海量的光谱遥感信息，现阶段的信息处理技术还远不能满足现实的需要。美国议会曾指责NASA：“迄今积累的遥感数据，有95％都从来没有人看过。"这说明如何充分有效的利用遥感数据是亟待解决的问题【4l。高光谱数据处理的一个主要内容就是地物目标分类。分类是一种描述地物目标或种类的分析技术，其主要任务是对数据体的每个像素点赋予一个类别标记以产生专题地图(thematicmap)的一种过程，它是人们从遥感影像上提2 哈尔滨Ii程大学硕十学位论文取有用信息的重要途径之一。分类后产生的专题地图可以清晰地反映出地物的空间分布，便于人们从中认识和发现其规律，使高光谱遥感图像具有真正的使用价值并有效的投入到实际应用中。传统的图像分类方法是目视解译，目视技术利用了人类优秀的思维能力来定性评价图像中的空间模式。这种方法存在一定的缺点，它需要图像目视判读者具有丰富的地学知识和目视判读经验，并且劳动强度大，需要花费大量的时间。另外光谱特性不是都可以用目视解译的方法全面评定的。为了提高分类的质量和效率，从上世纪70年代起，人们开始重视由计算机自动获取遥感图像中专题信息的方法研究。当时主要是利用传统的统计模式识别方法进行遥感计算机解译，分类精度不能够令人满意，随着遥感影像不断的发展变化，对分类算法也在不断的提出新的要求，因此改进现有分类算法、寻找新的方法一直是遥感应用研究中的热点之一。本文即是围绕高光谱图像的分类方法展开研究的。1．2高光谱分类的研究现状高光谱遥感之所以受到世界各国遥感科学家的普遍关注，其中一个重要原因就是：这一技术将确定物质或地物性质的光谱与揭示其空问和几何关系的图像结合在一起，而许多物质的特征往往表现在一些狭窄的光谱范围内，高光谱遥感实现了获取地物的光谱特征同时又不失其整体形态及其与周围地物的关系。高光谱技术产生的一组图像所提供的丰富信息可以显著地提高数据分析的质量、细节性、可靠性以及可信度。高光谱遥感数据具有较高的光谱分辨能力的优越性是以其较大的数据量以及较高的数据维为代价的，因此传统的多光谱数据处理技术在这里将不再适用，需要研究适合于高光谱图像的分类方法。目前的分类方法，根据在分类过程中是否需要人为指定学习样本的类别，可分为非监督分类和监督分类。非监督分类是指事先对遥感图像地物的属性不具先验知识，纯粹依靠不同光谱数据组合在统计上的差别来进行“盲目分类”，事后再对已分出各类的地物属性进行确认。在非监督分类方法下，只能假定初始的参量，并通过预分类处理来形成集群(即聚类)，再由集群的统计参数来调整预置的参量，接着再聚类、再调整，如此不断迭代直至有关参量的变动在容忍的范围内为止。3 哈尔滨]：程大学硕十学何论文该类算法最具有代表性的有：动态聚类法、分裂法、K一均值算法、ISODATA(iterativeself-organizingdataanalysistechniquesalgorithm)算法等。近年来，各国研究者也提出了新的算法。Lee等提出了多阶段等级聚类算法m，该算法将波段选择之后的数据进行多阶段等级聚类，包含两个阶段——局部和全局阶段。文献[9]将ECHO监督分类算法演变为非监督分类算法，算法的主要特点是简化了图像空间结构的重建过程。出于独立成份分析(IndependentComponentAnalysis)对于高光谱图像的高数据维并不适用，文献[10】将图像预处理应用于高光谱图像，使得ICA算法具有普遍的适用性。Shah等将ICA单一算法改进为ICA混合模型，并将类别分布假设为非高斯分布⋯J，该算法对于地物覆盖的分类效果要好于K-均值分类算法。由于非监督分类没有使用任何关于数据的先验信息，所以分类效果通常较差，而且无法给出数据类别的含义。而在遥感数据分析中，研究者总是或多或少的掌握一些关于数据的先验信息，利用监督分类方法可以大幅度的提高分类的精度。监督分类是基于对遥感图像上样本区内地物的类属已有先验的知识，于是可以利用这些样本类别的特征作为依据来识别非样本数据的类别。那些先验的样本区便称为“训练区”，其用途是“训练”判决函数以及进行分类精度评定。在多光谱遥感图像分类中比较常用的监督分类方法是统计分类法，包括最大似然分类、最小距离法和费歇尔(Fisher)线性判别分类等。在上述基本监督分类算法的基础上，Dundar等提出了基于核函数的Bayes规则112l，文献【13]汞J用监督分类算法对图像进行初始化，以获得类别标号：Landergrebe等利用混合模型来表示类别密度，所提出的分类器在选择最好的模型的同时，对子类和类别统计进行估计I·．】。Chang等提出了基于贪婪模型特征空间(greedymodulareigenspace)的正布尔函数分类方法并进行了仿真实验，实验结果说明对于分类预处理来说，GME特征提取方法适合于非线性的PBF多分类器，最终分类结果好于传统PCA方法【15J。20世纪80年代末，神经网络开始应用于遥感图像分类。神经网络具备了一些智能推理功能和并行运算的能力，它能自己组织和自己学习训练，可以有效的解决很多非线性问题。神经网络在处理高光谱数据是也存在一定的4 哈尔滨rj雩人学硕十学何论文缺点：由于它完全依赖于经验地使用训练样本，其所需的迭代训练时间就会很长；另外它还会产生过学习问题，即对于有限的训练样本来说如果网络的学习能力过强，则无法保证它对新的样本也能够得到好的预测，即训练误差过小反而会导致推广能力下降的现象出现。在很多情况下．即使已知问题中的样本来自比较复杂的模型，但由于训练样本有限，用复杂的预测函数对样本进行学习的效果通常不如用相对简单的预测函数，当有噪声存在时更是如此【5】。1992-1995年，Vapnik等人在统计学习理论的基础上发展出了一种新的模式识剐方法——支持向量机(SupportVectorMachine，SVM)，在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势。现已广泛用于解决高位数据的监督分类问题，尤其善于处理高维特征空间和大数据量的问题，如高光谱数据。此外，还有其他一些分类方法，如：基于物理学光谱分类的光谱角度填图【16J，光谱二值编码技术117】等编码匹配方法，专家分类法【181等。但是他们都存在着各自的缺点：光谱角度填图的虽然强调了光谱的形状特征，大大减少了特征信息，但分类效率依然不高；光谱二值编码技术虽然提高了高光谱数据的分析效率，但是有时不能提供合理的光谱划分，并且编码过程中会丢失许多光谱信息；专家分类法是一种较新的分类法。由假设，规则，决策树和变量组成知识库，然后由知识分类器使用知识库完成和输出分类，其主要缺点是需要大量原始地物的先验知识，数据库处理复杂等。Camps．Vails等人对基于核方法的高光谱分类进行了系统详细的比较和总结㈣，提出了Reg．RBFNN和Reg．AB两种方法，并对噪声背景下的分类情况进行了研究。对于高光谱图像进行属性融合，基本上是一个数据维数减小的过程。到目前为止，高光谱遥感图像的融合分类主要采用的是特征级和决策级两个较高层次的融合。许多文献都是对特定高光谱数据进行定量分析，以分类精度的形式给出结果，Jimenez等人利用投影法作为减少数据维的预处理算法1201，有效的将原始数据空间投影到一系列的一维空间上，然后再利用判别式分析或决策边界等方法进行特征提取。在此基础上他们利用大多数投票和神经网络对高光谱遥感图像进行了基于特征和决策融合的分类研究，实验证明融合分类较大提高了图像的分类精度。Benediktsson等人意见一致性理论对多源5 哈尔滨‘r-⋯‘r,人学硕十学何论文数据和模拟的HIRIS高光谱图像进行分类研究，并对专家权值的选择进行了讨论和实验：¨。后来他又将神经网络与统计分类方法组合应用，也获得较好的分类结果。针对支持向量机难以设计一个特别适合于高光谱遥感图像分类的核函数的缺点，Gunn等人提出了一种光谱加权核[221的方案，其具体做法是，考虑到不同波段所含的光谱特征信息的多少的不同给个波段赋予不同的权值。各波段光谱权值的确定是该方法的一个核心问题，作者是通过计算各波段间的互信息后结合先验地物信息进行训练得到的。该方法在一定程度上提高了分类精度，但是仍然存在一些问题：该光谱加权核函数虽然针对支持向量机进行了改进，但是对于多项式或RBF核并不一定有效：其次在计算互信息时仅考虑各波段两两相关情况，对于可能存在的多波段联合之间的相关情况没有加以考虑。文献[23】提出了一种将低维子空间特征级融合性能与决策级融合相结合的方法来改进高光谱数据分类的能力，并提出～种改进的大多数投票法来减少个别低维子空间带来的冲突决策。与以往的方法不同的是：该方法不但利用了低维特征空间还充分利用了子空间在划分某类别时的可靠性。其不足是对于如何确定某个子空间是否对最终的决策有贡献的问题仍然在很大程度上依赖于分析者的先验知识以及专家预测。另外，许多研究集中于将图像按某种方式分解成不同级的子图像，如离散的小波变换[24J，金字塔变换，基于提升格式的二代小波与自适应波段选择相结合的方法【25J，Wilson等人提出的基于对比敏感度的特征选择准则的高光谱遥感图像融合算法[261，优越于Toet采用最大对比度信息作为特征选择准则的方法，也好于Burt等人采用匹配与重要性度量作为选择特征规则的方法。他利用多分辨率的金字塔算法，基于人类的感觉，将来自AVIRIS的多幅图像合并为较小的图像子集，同时保留必须的视觉信息，从而克服了数据量大给读图员带来的困难，又使细节信息得以保留。其缺点是没有给出定量的结果，只是从分类效果图上进行了比较。Smits对遥感图像分析的几种特征子集选择方法进行了比较【27】，并得出具有用户特定的总体误差上限的极大似然准则是传统方法的一种有效替代。此外还有其他的一些方法：Bennediktsson等提出了一种基于数学形态学和非参数取特征提取的极大似然分类的方法【2l】，研究者尝试了计算均值，乘积，最大值，伪逆等4种数学形态学运算在高光谱图像分类上的性能，进一6 哈尔滨丁程人学硕十学何论文步的研究仍有待进行。文献【29】提出了一种基于打包和随机子空间处理相结合的方法(BGRSM)，实验结果表明，在此方案下，对于原始图像的特征提取已经没有必要，且该方案具有良好的健壮性；但是对于B参量对于分类结果的影响，参数，．和B的如何选择以达到更优的性能没有进行进一步研究。文献[30】在前人的基础上总结出了基于光谱融合和非光谱信息的VHR光学图像解析的方法论。为了去除由于某些目标的光谱相似性所带来的不确定性，VHR图像的几何信息也被引入图像分析的过程并加以完善。作为后续的工作，研究者将进～步将更多不同类型的数据(如：VHR光谱，偏振SAR，高光谱信息和GIS数据)进行融合，并研究多级分割以期进一步改进。Milenova等在讨论基于高维数据挖掘的信息融合时提出了一种基于数据库的Oracle正交分割聚类(O．Cluster)和支持向量机的分类方法1311，这是一种非监督分类方法，其总体分类精度达到了85．7％。我国对高光谱遥感图像的融合分类已有一些研究，这些研究中有些主要以跟踪国外为主，还有的提出了自己的一些方法和改进策略：如哈尔滨工业大学张钧萍等提出了一种基于自适应子空间分解的融合分类算法瞰】，使得高光谱图像维数的减少量不再受制于有限的训练数据集，同时也降低了一些计算量，分类效果也有所改进。该研究者还对基于多特征多分辨率融合的高光谱图像分类进行了研究，，】，该方法有效降低了原始图像的数据维并获得了特征图像。王强等对基于非线性相关测度的图像融合策略进行了研究p4l，结果表明非线性相关信息熵可以用来估计和评价不同融合策略的性能，并能给出更加精确的结果。西安交通大学的孙亮等将广义模糊集的方法应用到多分类器融合上以实现其知识发现策略13s】，实验结果表明，该方法要好于基于大多数投票法的植被分类。他们还提出了另一种关于集值特征的模式分类方法㈣，该方法首先采用自适应子空间分解(ASD)，然后再各自空间上按定义的可分性指数选出对模式分类贡献最大的特征维组成条件属性集，在信息表中根据集值特征属性的二元关系对其进一步简约并提取分类规则。实验结果表明对于具有集值特征属性的高维数据，该方法是基于知识发现的数据融合有效手段。但是，该方案仅考虑了距离测度，未涉及其他测度，且其应用受限于能将不同特征属性映射到同一有限格上的具有集值特征的图像上。 哈尔滨r稃人学硕十学侍论文1．3本文的研究内容和组织结构由于高光谱遥感影像具有很高的光谱分辨率，能够提供更为丰富的地球表面信息，因此受到国内外学者的很大关注和广泛应用。其领域已涵盖地球科学的各个方面，成为地质制图、植被调查、海洋遥感、农业遥感、大气研究、环境监测等领域的有效手段，发挥着越来越重要的作用。高光谱遥感图像分类(HyperspectralRemoteSensingImageClassification)是目前遥感图像的～个十分重要的研究环节，也是进行各种应用的核心环节，它是获取高光谱图像信息的一种重要手段，其总目标是将图像中所有像元自动进行土地覆盖类型或土地覆盖专题的分类。高光谱成像技术的独特性能，特别是在地表物质的识别和分类，有用信息的有效提取等方面的优势，使其在环境监测，植被的精细分类，农作物的长势监测和农田水肥状况的分析，地质岩矿的识别，海洋水色定量监测，水果病虫害检测等方面将得到更广泛的应用旧。因此，充分利用多光谱图像所不具备的谱段连续，携带信息量多等特点，有针对的进行高光谱数据分类以及混合像元的分离和分类研究，对高光谱图像的进一步应用有重要的理论意义和应用价值。本论文的研究成果对丰富高光谱遥感图像处理与应用研究有重要的理论意义和学术价值，它为高光谱遥感图像分类甚至是图像分类与融合提供了一套崭新的方法，并将更加有利于商光谱遥感图像的进一步应用。本论文瞄准高光谱遥感科学的发展前沿，研究高光谱遥感成像机理和典型地物光谱特性，为高光谱数据融合和分类处理提供理论依据。面向高光谱遥感的应用，发展以特征提取、地物的精确分类、地物识别为目标的高光谱遥感信息处理模型，提高高光谱遥感图像分类精度和计算机处理速度，实现遥感数据融合的光谱信息增强，提高高光谱遥感数据处理的自动化和智能化水平。本课题来源于高等学校博士学科点专项基金(20060217021)和黑龙江省自然科学基金重点项目(ZJG0606．01)，主要内容是高光谱遥感图像分类和小目标检测。在前入研究成果的基础上，本文在脊波和新的神经网络领域做了一些有意义的探索和研究，提出了基于二进脊波，真实脊波和样条权函数神经网络的高光谱图像融合分类，并进行了大量的实验仿真，进一步提高了分类精度和融合图像的质量，验证了该算法的有效性和实用性。8 哈尔滨丁程犬学硕十学付论文论文的具体组织结构如下：第l章为绪论，介绍了本课题研究的背景和意义，以及该领域研究发展的历史与现状，最后给出了本文的主要研究内容及各章节内容：第2章分析了高光谱数据的主要特性、分类的流程以及传统的分类算法：第3章介绍遥感影像数据融合的评价标准、分类以及主要算法：第4章系统地研究了二进脊波变换以及基于此变换的新的融合策略在高光谱图像融合及分类中的应用，高光谱图像融合效果及分类结果验证了其有效性和可行性：第5章针对二进脊波变换存在的“环绕效应’’带来的误差提出了用基于真实脊函数的脊波代替二进脊波的方案，并进一步结合一种全新的神经网络——样条权函数神经网络对高光谱图像进行多层次融合并完成了分类的任务，有效地解决了传统有限脊波存在的问题，并进一步在很少的训练样本下得到了较高的分类精度和更好的融合效果；最后总结了论文的工作，给出了进一步研究的方向。9 哈尔滨T程人学硕+学位论文第2章高光谱遥感图像的分类理论高光谱遥感图像分类是建立在遥感图像分类的基础之上，结合高光谱图像特点，对高光谱图像数据进行目标区分的过程，是对遥感图像分类基本算法的扩展与延伸。本章从高光谱图像数据特点出发，主要介绍高光谱遥感图像分类的基本理论，并重点介绍了本文中采用的贝叶斯判别分类和神经网络分类的基本原理。2．1高光谱遥感图像数据高光谱传感器是一类可以在许多很窄的电磁光谱波段获取图像的仪器，它覆盖了从可见光到红外(0．4～2．5／．n'n)区域，包括了整个可见光、近红外、中红外以及热红外的部分光谱。这类系统可以采集200或更多波段的数据，采集的波段数越多，每个波段宽度就越小，这样就可以保证为场景中的每个像素提供连续的反射比光谱。因此当一个宽波段的系统只能根据其离散的光谱大致区分不同物质种类时，高光谱传感器获取的数据却可以为物质的详细鉴定和更准确的估计它的丰富程度提供了潜在的可能(如图2．1所示)。零语架赵图2．1高光谱与多光谱的波谱信息区别高光谱数据的突出特点是在获取地面图像的二维空间影像信息的基础上，增加了第三维的表征其物理属性的连续光谱信息，更好的实现了图像与光谱合一。高光谱数据的彩色合成受到一次只能显示3个波段的限制(三个波段中一个波段显示红色，一个波段显示绿色，另一个波段显示蓝色)。为了传lO 哈尔滨i’科人学硕十学何论文递光谱特性和高光谱图像数掘的复杂性，高光谱数据通常以立方体形状存储，如图2．2所示，三维空阳J分别是光谱维、空间维和时刨维，立方体的前部截面为空间维和时间维构成的二维空问影像，纵向轴为光谱维，因此数据可以看成是维度行乘以列乘以波段的形式。(a)图像空间(b)光谱空间(c)二维特征空间图2．3高光谱数据的三种描述方式(1)图像空问图像空间是描述高光谱数据的一种最直观的方式，它将数据样本按照其 哈尔滨’]-"g⋯11人学硕+学位论文空间关系显示为像素之间的几何邻域关系，从而为观测人员提供了有关地面场景的图像，这种几何关系就是图像反映出来的信息。在高光谱数据信息的提取过程中，这种数据描述方式的一个最重要的用途就是把图像中每一个像素与地面位置对应起来，为分析员提供高光谱像素点与地面场景特定位置之间的联系。然而对高光谱数据，这种数据描述方式并不能显示它所包含的大部分信息，因为人们一次只能看到一个波段的灰度图像或由三个波段合成的假彩色图像，而波段之间的相互关系很难从图像中反映出来。因此图像表示方式只能反映出高光谱数据中的很少的一部分信息。(2)光谱空间光谱空间可以理解为一个二维的坐标空间，其中横坐标代表不同的波段，纵坐标为辐射强度，这样高光谱数据中的每个像素在光谱空间中将表现为一条波谱响应曲线。不同的地物具有不同的波谱反射率和吸收特性；相同的地物在不同的波段也具有不同的反射波谱率，在遥感数据中表现为不同的辐射强度。因此不同的地物的波谱曲线形态不同：同一地物的波谱曲线也并不是平坦的而是起伏变化的，常常有多个峰点与谷点。但是地物光谱响应会受到很多因素的影响，如太阳照度、大气透明度和风速等，而这些因素通常都是很难准确测量的，所以实际测量得到的地物光谱响应曲线与实际的曲线可能有很大的差异。这种情况下，光谱空间描述方式不能很好的适应高光谱数据的分析。(3)特征空间如果把不同地物在两个波段的辐射强度值绘制在二维平面上，就可以得到一个二维的特征空间(如图2．3(C))。每个像素对应的两个波段的辐射值在特征空间中表示为一个点，即二维向量。假如光谱遥感数据中包含Ⅳ个波段，就可以将每个像素描述为一个Ⅳ维向量，即Ⅳ维特征空间中的一个点，这个Ⅳ维向量包含了此像素点的所有的光谱信息，这也从数学上证明了MSS的功能，即把连续的光谱响应采样为Ⅳ个离散值。这种表示方式显然不够直观，人们难以想象高维空间中数据的分布方式，更无法可视化地显示该点，但是采用计算机处理数据时，特征空闯比图像和光谱方法更利于进行处理。这种表示方法的优点在于它把单一像素点的数值12 哈尔滨1：群人学硕十。学何论文进行了量化表示，定量地描述了地物光谱响应的变化规律，以及地物关于其中心或均值变化的规律，从而有利于地物类型的辨识。大多数模式识别方法都是首先通过某种方式确定不同类别样本在特征空间的分布区域，然后根据未知样本在特征空间中落在哪个区域中来判定其类别。以如图2．3(c)为例，根据特征空间的分类面，未知样本将被分为水体类。2．1．2高光谱数据的特点随着光谱遥感数据维数的增加，描述这种数据的特征空间的维数也会增加，这样高光谱图像所包含的数据量和数据维数比多光谱图像要大的多，因此为了能够更加有效的提取高光谱数据中蕴含的丰富地物信息，必须要了解高维特征空间的数据特性，并将其充分的应用到数据分析中去。高光谱数据可利用的特性主要有以下两个。(1)较高的谱分辨率高光谱数据具有较高的谱分辨率，这就使得它能够解决许多多光谱数据不能解决的问题。地物光谱特征通常是以地物在遥感图像上的亮度(反射率)体现出来的，即不同的地物在同一波段图像上表现出来的亮度是互不相同的；同时，不同地物在各个波段图像上亮度的呈现规律也不相同，这就构成了在图像上赖以区分不同地物的物理依据。数据的谱分辨率越高，图像中所体现出来地物反射规律越易于分辨。由于人们感兴趣目标的特征光谱往往集中在一个较窄的波长范围内，在遥感图像中体现为一定的亮度规律，因此，研究者可以利用高光谱数据较高的谱分辨率来辨识出不同的目标。(2)波段相关性高光谱图像相邻波段之间存在着较强的相关性，而且这种波段之间的相关性比空间相关性要强得多，相反多光谱数据的空间相关性要强于波段相关性。这种相关的产生原因是：a)由物质光谱反射属性产生的自然的谱间相关；b)地形坡度和景观的影响，它们产生的地形阴影在太阳的全部反射波段图像中都是相同的：c)传感器相邻波段间的光谱灵敏度的重叠。为了分析高光谱图像的谱间相关性，引入互相关系数的概念，互相关函13 哈尔滨T稃人学硕十学位论文II●————●———__———●●_—_—_●__—————●_—●_——_———_●——-●-———_————●●—●_———-———_●-——●-——●——■数定义为：矗(，，尼)=肜(z+，，y+七)-U1】k(x，J，)一材譬k砂(2-1)其中，舡∽为图像的狄度值函数，贴∽为标准图像或称图像模板，材，为舡∽的灰度均值，Ⅳg为贴∽的灰度均值，称h(t，幼为如力和如∥)的互相关函数。对公式(2-1)归一化和离散化处理，得：h(1，七)=(2-2)其中：叶2赤；善m川(2-3)驴志善善贴川(2-4)船∥)、g(x，y)分别代表相邻两个光谱图像中的空间坐标为O力像素的灰度值，几k分别代表像素的行、列位置变化值。当／=k=-O时，h(O，0)称作两个图像的互相关系数，记作口，即：西=办(O，0)(2-5)设波段i的图像为Z(x，Y)，波段i+l的图像为Z+，(x，Y)，定义波段i的谱间相关系数为：啊=(2-6)其中：铲志荟M荟N胁川(2．7)1由以上公式可知，第f波段的谱间相关系数定义为第f波段图像与第i+l1-lJg“一、JyX，L，悟1I-lJ，甜一、J七+y厶+X／～hVⅣ∑一M∑蹦，-_J+“一、JyX，●＼f，IⅣ一、，yX／L厂“r．。LⅣ∑川M∑川 哈尔滨T程人学硕十学位论文波段图像的互相关系数。对于100个波段的AVIRIS高光谱图像的相关矩阵可视化研究发现，高光谱图像相邻谱带间存在较强的相关性，而且这种高相关性是成块或者成组出现的。因此对于高光谱图像来说，其谱间相关性要好于空间相关性。鉴于这种波段之间的强相关性现象的普遍存在，并不是所有的波段对于分类都有着同等的重要性，因此直接应用原始波段进行分析是极其低效的。分析之前需要对高光谱数据进行预处理，通过选择最优波段组成新的高光谱图像空间，这样就可以大量的减小数据维和计算量，而波段之间的强相关性给波段选择的同时又不丢失重要信息提供了可靠的依据。2．2高光谱遥感图像分类概述和传统的遥感图像分类一样，高光谱遥感图像分类是以区别图像中所含的多个目标为目的，对每个像元或比较匀质的像元组给出对应其特征的名称。把这些名称称为分类类别，在分类中所注重的是各像元的灰度及纹理等特征。用这样的多个特征量所定义的空间叫特征空间。分类也可以说是按照若干分类基准对特征空间进行分割，对其中的像元或匀质区域给出相同的名称。遥感图像分类的基本依据是：遥感图像中的同类地物在相同条件下(纹理、地形、光照以及植被覆盖等)，应具有相同或相似的光谱信息特征和空间信息特征，从而表现出同类地物的某种内在的相似性，即同类地物像元的特征向量将集群在同一特征区域。而不同地物的光谱信息特征或空间信息特征有所不同，它们将集群在不同的特征空闻区域。高光谱遥感图像分类的效果取决于以下四个因素：1．类别的可分性：非人为影响下的原始地物波段具有可分性是高光谱图像分类的前提条件；2．图像像元波段空间的维数：一般来讲，在图像波段信噪比达到一定要求的情况下，光谱波段越多，越有利于分类：3．训练样本的数量：训练样本的数量越大，地物的训练特征越全面，也具有代表性，因此有利于分类；4．分类器类型和分类方案。 哈尔滨丁程人学硕+学何论文2．2．1高光谱图像分类的原则为了提高遥感图像的分类精度，分类时一般采用多个波段数据及波段间运算产生的一些新的变量，因此高光谱遥感图像分类的特点是多变量的图像分类。基于此，高光谱遥感图像的分类一般包括三个原则。1．对多变量图像，不能孤立的根据个别变量的数值进行分类，而要从整个向量的数据特征出发，即根据像元点在高维特征空间中的位置及聚类情况，或者根据空间集群的分步进行分类。2．一个集群(类)在特征空间的位置用它的均值向量表示，即该集群的中心。其离散程度用标准差向量或协方差矩阵来衡量。3．分类的实质是把高维特征空间划分为若干区域(子空间)，每个区域相当于一类，即位于同一区域内的像元点归属于同一类。分类或划分区域范围的标准可以概括为两种方法。第一种方法是由每类的统计特性出发，研究他所应该占据的区域，它对应的特征提取方法为判别分析特征提取(DiscriminantAnalysisFeatureExtraction，DAFE)。例如，以每一类的均值向量为中心，把在几个标准差范围内的点归为一类。这个圈定范围的标准比较生硬，而且往往会造成类与类之间的互相重叠。第二种方法是由划分类与类之间的边界出发，建立边界函数或判别函数，通常称为判别分析，对应特征提取方法称为决策边界特征提取(DecisionBoundaryFeatureExtraction,DBFE)。他们的不同点在于，前者只有一个分类函数，而后者每一类都有一个判别函数。无论采用哪种分类方法，关键在于如何确定每一类在高维特征空间中的位置(类的均值向量)、范围(协方差矩阵)以及类与类之间的边界(判别函数)的确切值。确定的方法一般是利用已知地物类型的训练场地(样本区)取得训练样本值，以这些数据作为整个图像的分类统计特征估算值。2．2．2高光谱图像分类的流程高光谱遥感图像数据的一般分类流程如图2．4所示。下面将对分类处理的各个不同阶段作以简要说明。(1)图像预处理高光谱图像预处理与一般的图像数据一样，也需要对原始的数据进行基16 哈尔滨f：稗人学硕十学何论文本的大气辐射校正、几何畸变校正、波段选择以及消除噪声等处理。另外由于高光谱图像的数据量大、数据维数高，因此在判别分类处理之前应该对数据进行光谱和空间去冗余以得到高质量的特征，降维也成为高光谱数据的一个关键预处理工具。对此，Jimenez等从理论上对数据维减小的可能性进行了论证，指出高光谱空间大多数是空的，数据通常集中在较低维的结构中娜l。因此，减小数据维而又不损失有意义的信息及可分性是可能的。图2．4高光谱图像分类的一般流程(2)定义感兴趣地物类别并标记训练样本在数据分析开始之前，一般先根据三个波段合成的假彩色图像对数据进行整体的直观分析，以产生较详细的类别组，从中定义出用户需要的类别。定义的最优类别需要满足以下三个要求：a)完整性：图像中每一个像素都有可以赋予的一个逻辑类别。b)可分性：对可得到的光谱特征，各个类别必须具有足够的可分性。c)有用性：类别的定义必须满足用户的需要，要有信息价值。类别定义后，就需要为每一个类别选出一定数量的训练样本。训练样本的标记必须依赖于地面真实数据。获取训练样本的过程对不同的数据集以及17 哈尔滨1"1⋯111人学硕十学位论文分析员对场景先验信息了解的多少程度不同有很大的不同。以下给出几种常用方法。a)从图像中获取各类别可标记的样本。b)在数据获取的同时在地面得到部分观测。c)分析表征像素点的光谱空间得到单一像素的类别信息。这些训练样本必须是相应类别的一个均质样本，不能包含其他类别，也不能是和其他类别之间的边界或混合像元，但同时必须包括该类别的变化范围，因此常需对每一个类别标定多于一个的训练区。每类地物的训练样本数目需要相似，如果差别太大容易出现少数归类于多数的现象，另外还需要考虑训练过程的推广性，即训练样本是否已表征整个数据集，训练过程能否推广到类别中为参加训练的其他样本。(3)特征提取与特征选择特征提取和特征选择是遥感图像分类处理过程中一个必不可少的重要环节，一方面能减少参加分类的特征图像的数目，另一方面从原始信息中抽取能更好进行分类的特征图像。特征提取是从原始特征中求出最能反映其类别特征的一组新特征。特征提取能使同类物质样本的分布具有密集性，而不同类别物质的样本在特征空间能够隔离分布，为进一步分类打下了良好的基础。特征选择是依据原始波段图像的量测值，经过一定的变换重新形成一组能够有效地描述地物类别特征的模式的过程。特征选择的实质是从厅个特征中挑选出聊(阴<以)个最有效的特征。但要尽量做到两点：第一是数据压缩意义，即在不损失原始数据有用信息的条件下，来选择部分有效特征，而抛弃多余特征：第二是类别可分性意义，即所选择的特征相对于其它特征能够更有效地进行分类。(4)分类判决训练区选好之后，相应的地物类别的光谱特征便可以用训练区中的样本数据进行统计。根据图像特点和分类目的设计或选择恰当的分类器及其判决准则，对未知区域的样本进行类别归属的判断，分类判决是分类处理的核心阶段，关于这部分将在以后的章节做详细的介绍。(5)分类结果和精度评价18 哈尔滨'『：稃大学硕十学何论文分类结束后，图像的类别信息都已确定，可以将整幅图像标记为相应的类别输出，然后评价其分类精度。精度评价对于遥感分类很重要，因为一幅分类图像的精度直接影响从遥感图像的制图以及得来的报告对于实际土地、环境管理以及其他数据分析的有用性和用这些数据进行科学研究的合理性。精度评价必须客观地通过某种方法，定量地将一幅图像和另一幅同一区域的参考图像或其他参考数据进行对比，常用的评价方法有以下三种1391。a)混淆矩阵混淆矩阵是用来表示精度评价的一种标准格式。混淆矩阵是拧行刀列的矩阵，其中刀代表类别的数量，一般定义为以下形式：h⋯‰]M=J；‘．；I(2-8)ILm月I⋯m朋j式中％表示实验区内应属于第f类的样本被分到第／类中去的样本总数。如果混淆矩阵中对角线上的元素值愈大，混淆矩阵中非对角线上的元素值愈大，b)基本的精度指标则表示分类结果的可靠性愈高，如果则表示错误分类的现象愈严重。基本的精度指标包括各类别的分类精度和总体分类精度，它们均是在混淆矩阵上求得的。根据混淆矩阵可计算总体分类精度OA(OverallAccuracy)和各类别分类精度(CA)。击己嬲“OA=上!一(2-9)N式中Ⅳ为参与分类的总样本数，m，，为第i类J下确分类的样本数。它是具有概率意义的一个统计量，表述的是对每一个随机样本，所分类的结果与地面所对应的区域的实际类型相一致的概率：CAi：堕(2—10)Ni式中M为第f类的样本总数。它表示的是一个类别的样本被正确分类的概率。C)Kappa系数Kappa系数是一种客观的精度评价指标，它采用的是一种离散的多元技术，测定了两幅图像之间的吻合度或精度，其公式为：19 哈尔滨i'⋯‘rv人学硕十学何论文Ⅳ∑‰一∑噩∑x∑kK帮=—正赏专耵(211)7“一。七式中Ⅳ为参与分类的各类地物总像元数：X“为混淆矩阵对角线元素的值：x。为第k类地物的像元数：∑x为被分入第七类的像元数；∑Ji}为总类别数。总体分类精度只用到了位于对角线上的像元数量，而Kappa系数即考虑到了对角线上被正确分类的像元，同时也考虑到了不在对角线上的漏分和错分误差。因此这两种指标往往并不一致，分析者应同时计算以上各种指标以便尽可能得到更多的精度信息。2．2．3高光谱图像分类的特点高光谱遥感将成像技术与细分光谱技术结合在一起，在对目标的空间特征成像的同时，对每个空间像元经过色散形成几十至几百个窄波段以进行连续的光谱覆盖，所获得的图像包含了丰富的空间、辐射和光谱三重信息，为解决遥感的关键问题——图像分类带来了机遇。1．高光谱遥感图像在分类识别方面的优势①光谱分辨率高、波段众多，能够获取地物精细的光谱特征曲线，并且可以根据需要选择或提取特定波段来突出目标特征。研究表明，许多地表物质的吸收特征在吸收峰深度一半处的宽度为20,--40nm。由于成像光谱系统光谱分辨率高达5-10rim，因此很多本来在宽波段遥感中不可探测的物质，在高光谱遥感中能被探测。②在同一空间分辨率条件下，遥感器覆盖波长范围更宽，从可见光可以延伸到短波红外，甚至到中红外和热红外。光谱覆盖范围越宽，就能够探测地物越多的对电磁波的响应特征。③波段多，为波段间的相互校正提供了方便。④定量化的连续光谱曲线数据为地物光谱机理模型引入图像分类提供了条件。高光谱遥感图像包含丰富的辐射、空问和光谱信息，是多种信息的综合载体，为新理论新方法的引进创造了可能。2．高光谱遥感图像在分类识别方面的困难20 哈尔滨‘1j稃人学硕士学位论文①数据量大，高光谱遥感图像少则几十个波段，多则几百个波段，数据量是单位遥感图像的几十倍甚至几百倍，对数据冗余处理不当，反而会应修昂分类精度。②对高光谱遥感图像的分类一方面要求有更高精度的光谱定标和反射率转换，另一方面却因为成像机理和数据量巨大而导致对图像数据的预处理困难，包括大气校正、几何校正、光谱定标、反射率转换等。③波段多，波段问的相关性高，因此分类需要的训练样本数目大大增多，如果训练样本不足，将导致从训练样本得到的参数不可靠。④针对常规遥感的处理模型和方法不能满足高光谱图像分类的需要，主要问题之一就是统计学分类模型的参数估计问题，而且使用统计学分类模型对光谱特征选择的要求很高。3．高光谱遥感图像分类中的Hughes现象高光谱遥感图像能够提供几乎连续的地物波谱曲线，大大减少了分类过程中由于波谱信息不足而造成的不确定性。但是，当使用监督分类算法对高光谱图像进行分类时，随着图像的波段数目增加，要求训练样本数目急剧增加。经验表明，当训练样本是样本维数的扣10倍的时候能够得到很好的效果，而训练样本数目是波段数目的100倍时才能得到较理想的效果。这种要求对于有上百个波段的高光谱遥感图像来说是难以做到的。当训练样本数目有限时，分类精度先随着图像波段数目的增加而增加，但达到一定极值后，分类精度随着波段数目的增加而下降。Hughes在1968年发表的一篇论文l韬l中给出了一个广义上的数据测量复杂度、训练样本数量和分类精度三者之间的关系(如图2．5)。测量复杂度是指测量系统获取的数据的复杂度和细节程度。在多光谱数据分析中，测量复杂度与波段数和量化精度有关。如果MSS有Ⅳ个波段，量化精度为尸，这个传感器获取的多光谱数据的复杂度是(2尸)Ⅳ。所以光谱波段越多、量化精度越高，数据的复杂度就越大。典型的分类问题的目标是从一系列的类别标记中选出一个类别赋给输入样本，其最小的期望误差是Bayesi吴差，设计这样的分类器需要知道类条件概率密度。当数据维数增加时可提高分类精度，而Bayes误差是数据维数的减函数，也会随之减小。然而，类条件概率密度需要从～个训练样本集中估计，2l 哈尔滨T稃人学硕十学位论文用来代替真实的概率密度函数，这样最后的判决结果就会不理想，错误率也会增加。当增加一个新的数据特征时，Bayes误差会随之减小，但是用同样数目的样本需要估计更多的参数，分类误差也会随之增加。如果分类误差的增加大于Bayes误差的减少量，就会使判决规则的分类效果变差。这个现象被称作Hughes现象，即在样本点数目一定的前提下，分类精度随着特征维数的增加而先增后降的现象。当数据维数和判决准则的复杂度增加时，Hughes效应也会更严重。O．70蜊襞o．65粼求‘0．600．55O．50数据测量复杂度图2．6测量复杂度、分类精度和训练样本数量之间的关系(Hughes现象)根据Hughes曲线规律，传统的统计分类方法需要大量的训练样本，但是这是不现实的。缓解Hughes现象的方法主要有以下几种：①由于高维数据针对具体问题的有效信息主要集中在特征空间的某个低维子空间中，可以通过直接降低特征维数的方法来缓解Hughes现象，本文也是通过对原始数据进行降维的方法来缓解这一问题。②对有限数目的训练样本，待估计参数越多估计精度就会越差，因此选用更简单的分类器，可能会得到更高的分类精度。③采用监督／非监督混合训练策略也可以缓解该效应。由以上三点分析可以看出，高光谱遥感技术带来的机遇和挑战同在。为了充分利用高光谱遥感技术的优势，必须在图像分类基本算法的基础之上，结合高光谱图像分类的特点，研究新的适用于处理高光谱遥感图像的理论、模型和算法。 哈尔滨『．j障人学硕十学位论文2．3高光谱遥感图像分类算法经过几十年的发展，高光谱遥感图像数据的处理和分析技术得到了长足的进步，在传统分类算法的基础上，形成了一系列面向高光谱图像特点的分类算法。这些算法可以总结为两种思路【2l。一种是基于地物物性的分类方法，主要是利用反映地物物理光学性质的光谱曲线来识别；另一种思路是基于图像数据的分类算法，主要是利用数据的统计特性来建立分类模型。基于物性，即基于地物种光谱反射或发射曲线的分类识别方法的特点是利用光谱库中已知的光谱数据，采用匹配算法来识别图像中地面覆盖类型，也可以利用感兴趣波段的光谱，进行部分波长范围内的光谱或光谱组合参量进行匹配，即基于光谱特征的光谱匹配，如特征优化的专家决策分类。该类方法种极具代表性的方法有光谱角度匹配(spectralanglemapping，SAM)、二值编码匹配等等。本文常用的方法是先用数据融合算法在尽量保证有用信息不损失的情况下队员图像进行降维处理，然后再用传统的遥感图像分类算法进行图像分类，这种分类是基于图像数据统计特性的分类算法。下面介绍本文采用的分类算法的基本理论。2．3．1贝叶斯判别分类在多类识别中，常采用统计方法建立起一个判别函数集，然后根据这个判别函数集计算各待分类样本的归属概率，样本属于哪一类的概率最大就判别属于哪一类，这就是最大似然法(maximumlikelihoodclassification，MLC)，也称为Bayes准则。·MLC算法是经典的分类算法，已在宽波段高光谱图像分类中普遍采用。它主要根据相似的光谱性质和属于某类的概率最大的假设来指定每一项远的类别。MLC算法的最大优点是能够快速指定被分类像元到若干类之中的一类中去。但对于高光谱数据，如再加上类别数目较多时，MLC算法的运算速度明显减慢，且所需的训练样本也很大。为了减少计算工作量，Jia和Richards发现通过将高光谱数据分成几个波长组能够减少处理时问，他们将改进的MLC算法称为简化最大似然判别函数(simplifiedmaximumlikelihooddiscriminantfunction，SMLDF)。依据所有波段间的相关性分成若干连续的波 哈尔滨工程大学硕士学位论文段组，由这些不同的波段组构成每个类别的协方差矩阵，再从每个波段组计算出判别函数值，最后要求所有波段组产生的函数值的和，对每个像元分类。该方法与传统的MLC比较，能显著的减少计算时间，特别是对高光谱数据的处理更为明显，同时能够保证几乎与传统的MLC结果精度相同。另外，这种方法所要求的每类训练样本数明显的比传统的MLC所要求的少，因此可以降低准备训练样本的成本。传统的MLC算法的判别式函数由式(2-12)表示：g。(x)=一叫∑，l--(X--膈，)，∑：-1(X--m，)，i--1⋯2一C(2—12)式中：r叫元光谱向量；肼；——第i类均值向量；∑；——第f类NxN的协方差矩阵；舻一总光谱波段数；C-_一类别数。式(2—12)的判别准则一般为：对于歹萨1，2，．．．，c，／翔，假如毋(对>g，(x)，则x∈@，式中q为第i类光谱类别。随着光谱维Ⅳ的增大，以上方法有两个难题需要解决，一是由于N的增大相应分类时间呈平方增长；二是对于一些小的类别，为了保证可靠的估计结果，所需要的训练样本可能不够。Jia和Richards对光谱数据先分成几个波段组在进行分类的技术(SMLDF)就是针对上述两大难题设计的。高光谱数据相邻波段间的相关性一般都比较高，而相隔较远的波段相关性较低，因此可以对波段组进行划分。波段组的合理划分可根据相邻波段的相似系数采用一些聚类方法分割，使分割后的波段组组内离差较小而组间离差较大。由这些波段组构成的不同大小的方块对角矩阵可导出SMLDF。考虑全部波段数(劢的相关阵，相应于沿对角线分布的掰个方块矩阵，可形成膨个波段组，并假设第七(庐1，2，．．．问个波段组内的每类仍满足正态分布的要求，根据式(2-12)，使Y，=(x—mf)(2—13)将J，，分成一组独立的亚向量：Y，=(y竹，．．．，y抽，)r，Y陡r对应于每个波长组。伴随协方差矩阵因而成为方块对角阵并使它的行列式等于它的各个对角阵行24 哈尔滨T程大学硕十学付论文列式之积。对其取自然对数，有吖In刚=∑lnlY．膻I(2一14)k=l方块对角阵的逆可以从单个构成矩阵的逆计算，所以MJ，。T厶f-‘=∑J，诸T厶-馥Iy睡(2—15)●Il所以式(2-12)可以改写为M．，＆(x)=一∑【ln剐+似一小。)rz2Cx-m，)j(2—16)k=l由于x，埘，和Z，的维数Ⅳ被缩减到第k个波段组的‰(仇<Ⅳ)，所以这种SMLDF方法能以缩减波段数的平方级数来减少分类计算时间。另外，波段组内对每类的训练样本数亦比全部波段的MLC上的每类所需要的少很多(要求的训练样本数与向量维数有关)。因此该方法改进传统的MLC算法，以适应高光谱数据，不失为一种有效的方法。2．3．2神经网络分类一个人工神经元将接受的信息Xo，jr”．．，x。通过wo，wl，．．．，％表示的互联强度以点积的形式和成自己的输入(如图2．6所示)，并将输入以某种方式设图2．6神经元结构模型定的阈值秒作比较，再经过某种形式的作用函数厂的转换，便得到该处理单元的输出Y，这种函数厂称为传递函数。处理单元的输入与输出间的关系式由式(2-17)给出：y=玎黔-0)y=卅∑咐l＼l卸／(2-17) 哈尔滨r群人学硕十学付论文式中：t——第f个输入元素；w，——从第f个输入与处理单元间的互联权重；秒——处理单元的内部阂值：r处理单元的输出。传递函数厂可以是线性函数，但通常是像阶跃函数或S状曲线那样的非线性函数。S型函数通常在(O，1)或(．1，1)内连续取值的单调可微分的函数，一般用指数函数或正切函数等一类S形状曲线来表示，即：厂(石)=tanx(2—18)或f(x)2鬲面1丽，胪o(2-19)出于不同的使用目的，现在已经研制出为数众多的神经元网络模型及表征该模型动态过程的算法，如反向传递算法(BP算法)、Hopfield算法等以及他们的改良型。人工神经元中通常采用非线性的作用函数，当大量神经元连接成一个网络并动态运行时，则构成一个非线性动力学系统，它呈现出高维性、自组织性、模糊性、冗余性等优良的品质和可贵的自学习能力。由于传统的统计分类的局限性，人们尝试用神经元网络的模型来模拟人类对物体的识别机理，于是关于神经元网络的分类器的研究不断进行。人们研究发展了各种形式的网络模型和算法，如Hopfield网、Hamming网、CG网、单层感知器网、多层感知器网、kohonen网等。神经元网络应用于搞光谱图像分类主要具备三个优点：1．不需对原始类别作概率分布假设，不存在确定概率分布参数的问题，是一类无参数分类器；2。输入与输出节点之间通过隐含层，节点之间通过权重来连接，因而利用这种方法可以方便而有效的将多源数据，如纹理信息、地形信息等融合到分类中来，加强分类能力。3．输出结果的驱动函数是非线性的，因此系统也是非线性系统，这样可以在特征空间构造出分类界面比较复杂的子空间，这对非线性可分的特征子空间尤为有效。 哈尔滨广稃人学硕十学何论文2．4本章小结本章详细分析了高光谱图像数据的产生背景以及其不同于多光谱数据的特性，研究这些特性对高光谱数据的分析处理具有重要的指导作用：给出了高光谱图像的分类流程以及各处理阶段的内容；最后介绍了高光谱数据分类的具体算法，并结合本论文的需要，给出了贝叶斯判别分类和神经网络分类的详细内容。 哈尔滨T稗人学硕+学位论文第3章高光谱遥感的数据融合理论高光谱遥感图像的数据融合是的高光谱数据分析技术的核心。数据融合是一个多层次、多方面的处理过程，整个过程是对多源数据进行检测、相关、估计和组合以达到精确的状态估计和身份估计，以及完整、及时的态势评估和威胁评估【2】。本章从遥感融合的特点出发，介绍其结构、过程、评价参数、分类以及常用算法。3．1遥感影像数据融合概述随着遥感信息获取技术的快速发展，各种新型传感器的不断涌现及其在对地观测中的应用，我们获取的同一地区多时相、多光谱、多传感器、多平台和多分辨率的遥感数据越来越多，使构造观测地球空间的影像金字塔成为了可能。与此同时，如何有效地处理、分析和综合利用这些各具特色的海量数据也对遥感数据的处理和应用从技术、方法、设备等诸多方面提出了新的要求。遥感研究者从20世纪70年代初就想从这些数据中提取比从单源数据中更丰富、更可靠、更有用的信息，“数据融合”这一概念随之产生。进入90年代以来，这一技术迅猛发展起来，同时也逐渐摆脱了最初以军事为单纯应用目的，开始逐渐应用于工业、农业等更广泛的领域。在高光谱遥感中，数据融合属于一种属性融合，它是将同一地区的多源遥感数据加以智能化合成，产生比单一信源更精确、更完全、更可靠的估计和判断。它的优点是运行的鲁棒性，提高影像的空间分解力和清晰度，提高平面测图精度、分类的精度与可靠性，增强解译和动态监测能力，减少模糊度，有效提高遥感影像数据的利用率等。3．1。l遥感影像数据融合的过程遥感图像数据融合的实质是对从单一或多个传感器数据源获得的数据和信息进行关联、相关和合成从而得到更精确的位置和特征估计，因此，在进行融合前必须对来自数据源的数掘和信息根据工作要求进行准备并进行空间 哈尔滨工程大学硕士学位论文配准、去噪、几何辐射校正、压缩和滤波等预处理。因此，从整体上看，遥感影像数据融合可以分成预处理和数据融合两大步骤。11数据准备与预处理：在数据准备阶段，首先必须根据工作需求选择进行融合的原始遥感影像、遥感数据和相应的数字地图，然后才能进行影像和数据的预处理等操作。数据预处理是多源遥感数据融合前进行的一项重要工作。对于遥感影像，首先要进行影像的空间配准，消除图像的几何畸变，它是遥感影像数据融合的前提，对两幅影像的空间配准，一般把其中一幅称为参考影像，以它为基准，对畸变图像进行校正，其过程一般可分为特征选择、特征匹配、空间变化、插值等几步；其次要去除原始影像中有问题的扫描线和异常斑块(噪声)，以便增加影像专题信息、提高融合效果；几何校正、辐射校正和大气订正的目的主要在于去处透视收缩、叠掩、阴影等地形因素以及卫星扰动、天气变化、大气散射等随机因素对成像结果一致性的影响；根据影像融合的区域范围裁剪影像，以便减少融合运算像元个数、提高运算速度；对影像进行各种变换和数据压缩、格式转换等，以突出有用信息，减少维数。对各类遥感数据，要除去明显错误的数据和冗余的数据，进一步精减所选数据中的有用部分，用维数减少或变化方法以减少变量的有效数目，或者寻找变量的等价表示，并将数据转换成为有效形式。一2)数据融合：数据融合要根据融合目的和融合层次智能地选择合适的融合算法，按照各种算法的原理和步骤进行。在融合过程中每步变换都有一系列参数的确定或选择，这些都影响最终的融合的结果，需要根据试验区影像的特点、经过一系列试验比较后方可确定。对于各种算法所获得的融合遥感信息，还要做进一步的处理，如“匹配处理"等，以便得到目标的更准确表示或估计。3．1．2遥感影像融合效果评价的统计参数一般地，对于遥感影像融合效果的评价，应综合考虑空间细节信息的增强与光谱信息的保持。因此，本文综合三类统计参数来进行分析与评价wrl：第一类反映亮度信息，如均值；第二类反映空间细节信息，如方差、信息熵、交叉熵和清晰度：第三类反映光谱信息，如扭曲程度、偏差指数与相关系数。29 哈尔滨‘l：稃人学硕十学伉论文当然，在实际应用中，也可以根据具体的需求，对相应的统计参数作重点考虑，赋予较大的权重。例如，如果侧重于空间细节信息的增强，可重点分析反映空间细节信息的参数；如果侧重于光谱信息的保持，可重点分析反映光谱信息的参数。本节主要介绍这些参数的定义与物理含义。(1)均值与标准方差。在统计理论中，统计均值力、标准差彦定义为：丘2专擎(3-21)∥=i．‘lJJ’-一l彦2=志∑G，一p)2(3—2)Ⅳ一1鲁～‘。式中Ⅳ为样本总数，x．为第f个样本值。对于某一幅图像，Ⅳ为像素总数，工．为第f个像素的灰度值，则均值为像素的灰度平均值，对入眼反映为平均亮度。如果均值适中，则视觉效果良好。方差反映了灰度相对于灰度均值的离散情况，方差越大，则灰度分布越分散。此时，图像中所有灰度级出现的概率趋于相等，从而包含的信息量趋于最大。(2)信息熵。设图像的灰度分布为P=扫。，A，．．．，P¨)，P，为灰度值等于f的像素数与图像总像素数之比，￡为灰度级总数。对于灰度范围{o，l，．．．，￡一1}的图像直方图，其信息熵定义为：H=一∑p，lnp。(3—3)易知，0sH≤hal。当某个Pj=l时，辨0；当Po=Pl=⋯=P¨时，H=|nL。图像信息熵是衡量图像信息丰富程度的一个重要指标，通过对图像信息熵的比较可以对比出图象的细节表现能力。熵的大小，反应了图象携带的信息量的多少。融合图象的熵值越大，说明融合图象携带的信息量越大。如果图象中所有灰度级出现概率越趋于相等，则包含的信息量越趋于最大。(3)交叉熵。交叉熵晟初用来表示两个概率分布P=扫。，p．，．．．，P¨)和Q=瓴，g．，．．．，q川}的信息差异，定于为：D(尸，Q)=∑p，ln(p，／q，)(3—4)在图像融合效果评价中，一般引入交叉熵来表示两幅图像对应像素的差30 哈尔滨I"1：11，人学硕十学何论文异[4sI，即采用两幅图像中像素分布的差异来表示两幅图像中对应像素的差异。在两幅图像的融合中，令D，代表融合图像与原始图像1的交叉熵，D，代表融合图像与原始图像2的交叉熵，文献[48】定义总体交叉熵或和瓦：玩=(D。+D2)／2，D—p=√D?+D；≥0(3—5)来表示融合结果与两幅原始图像的综合差异。事实上，在图像融合效果评价中，式(3-4)和式(3-5)均没有考虑到图像的空间关系，从而难以反映两幅图像对应像素的差异。为了有效的表示两幅图像对应像素的差异，文献[471提出了利用联合熵来定义交叉熵的方法：对于两幅图像爿={口(f，／)}，B=◇(f，／)}，定义二元组c={c(f，歹)}，其中c(f，，)=【口(f，／)，b(i，／))(3-6)称C为A与曰联合的“广义图像”。在广义图像中，灰度对(X，Y)出现的概率为p(x，Y)，其中，0sx，Y≤L—l，三为狄度的级数。图协与图像召的联合熵定义为：L-I￡一lV(A，n)--一∑∑p(‘y)lnp(x，y)(3—7)xffi0y=0如果两幅图像对应像素的差异越小，则p(x，Y)分布越集中在对角线x=Y附近，从而联合熵越小，反之亦然。设月0)与曩∞)本别是图锄与图像曰的信息熵，可以证明：U(A，易)≥日(彳)，U(A，B)≥日(B)【H(A)+H(B)I／2≤U(A，B)≤H(A)+H(B)定义新的交叉熵计算公式为：(3-8)(3-9)Z(A，B)=U(A，B)吖日(爿)+H(B)]／2(3—10)容易验证，勤=曰时，I(A，B)=0；当图1豹与图像曰独立时，“4皿)达到最大，即i(a，艿)=【日(月)+H(B)]／2(3—11)由交叉熵的定义式(3-10)与联合熵的性质可知，新的交叉熵计算公式考虑了图像的空间关系，具有非负性与对称性，能够真正反映两幅图像对应像素的差异，从而可以作为评价两幅图像差别的指标。在多光谱遥感影像与全色影像融合中，一般只考虑融合影像与多光谱影像之间的交叉熵。交叉熵越3l 哈尔滨丁稃人学硕十学传论文大，融合影像的空l’日J细节信息表现能力越强，反之亦然。(4)清晰度。图像清晰度采用梯度法来衡量，图像的梯度计算如下：季=专∑顺耳研(3-12)其中，Vj，与VI，分别为x与y方向上的差分，Ⅳ为图像的大小。如果季越大，则图像的清晰度越高，融合会有效的改善图像的清晰度。下面用Ⅳ表示图像的大小，K表示高光谱图像中光谱分量的个数，壤示第阶光谱分量，杉哆’、搿’分别为第七个光谱分量在原始图像与融合图像上(f，，)点的灰度值。(5)扭曲程度。图像光谱扭曲程度直接反映了高光谱图像的光谱失真度。第阶光谱分量的光谱扭曲定义为：．D似’。专∑∑防一K纠(3-13)平均扭曲程度定义为：D：一iyD(‘’(3—14)K符(6)偏差指数。偏差指数用来比较融合影像和低分辨多光谱影像偏离程度。第价光谱分量的偏差指数定义为：咝=专车莩牮∽㈣平均偏差指数定义为：Din如=土k"V缶"n'in‘。d’ex(3—16)(7)相关系数。图像的相关系数反映了两幅图像的相关程度，通过比较融合增强前后的图像相关系数可以看出高光谱图像的光谱信息改变程度。第价光谱分量融合前后的相关系数定义为：32 哈尔滨[-’⋯11人学硕十学何论文C(‘)=∑防箩，一扩，)×E哆，一口㈣)Jl，J(3-17)其中，e仕)、虿仲’分别为第k个光谱分量融合前后的平均狄度值。平均相关系数定义为：1膏C：二yc(‘’(3—18)K符以上各指标中，扭曲程度和偏差指数最具特点，为评价多光谱和高光谱遥感影像融合效果中最为常用的统计参数。3．2高光谱遥感数据融合的分类IEEE国际遥感数据融合技术委员会将遥感数据融合分为数据级融合、特征级融合和决策级融合等三个层次，同时提出增进图像精度、增进集合分辨率从而使图像明显锐化、修补图像中丢失或者损坏的数据、提高几何校正精度、提高图像识别地物的能力等五方面的标志性评价内容。在1998年Pole模型的基础上，国内外学者将用于目标属性融合的遥感信息融合的模型和处理结构进行了进一步修正，主要分为三种——数据级融合、特征级融合和决策级融合。3．2．1数据级融合数据级融合，也就是像素级融合是将覆盖同一地区的系列影像经空间配准后，采用一定算法生成一幅信息更丰富、更可靠的影像，其过程如图3．1所示。理论上要求高空问分辨率和高光谱分辨率影像数据的融合不应使原告光谱影像的光谱特性发生变化，以保持地物在原始影像数据的光谱可分离性经融合后仍保持不变，以便于影像的判读和分类等后续处理。数据级融合是最低层次的图像融合，也就是在各种遥感器的原始信息未经估计、识别之前就进行信息的综合与分析。在遥感图像融合领域主要指对可见光、红外、SAR影像的原始数据所进行的融合。其优点在于保持了尽可能多的原始信息，提供其他融合层次所不能提供的细微信息，这一点对于提 哈尔滨JIj哔人学硕十学传论文高遥感图像的分辨率非常重要。但是，数据级融合也存在一些局限，主要表现在四个方面。(1)处理信息量大、所以处理的时间长，实时性差，所需的代价高：(2)由于是低层次的融合，传感器原始信息的不确定性、不完全性和不稳定性要求在融合是有较高的纠错处理能力；(3)通信的信息量大，导致抗干扰能力差：(4)各传感器信息须来自同质传感器、在图像融合领域要求各传感器信息之间具有精确到一个像素的校准精度。图3．1数据级图像融合数据级融合具体的算法有诸如数值计算法、IHS变换、小波变换(包括提升小波和复数小波等)、主成分变换(PCA)、K—T变换、高通滤波法、Fourier变换法以及混合方法等。数据级融合在整个图像范围内对每个像素点进行运算，不涉及特征提取和分类；对算法要求是保留尽可能多和准确的空问和光谱信息，也就是利用高空问分辨率图像对高光谱图像进行融合，然后对融合后的高光谱图像进行进一步的应用层处理，如分类。数据级融合是最低层次的数掘融合，运算较为简单，但是由于并没有利用图像相邻像素间的相关信息，抗干扰能力差，影响分类准确度。34 哈尔滨l-ttl人学硕十学位论文3．2．2特征级融合特征级融合的流程如图3．2所示，它是指融合前先对遥感图像数据进行特征提取，产生特征矢量，如边缘、形状、轮廓、方向、区域或距离等，融合后做出融合特征矢量的属性说明。它保留了足够数量的重要信息，实现了可观的数据压缩，有利于实时处理，同时也保证了一定的融合精度。该层次的数据融合是数据级融合与决策级融合的折衷形式，即目标状态数据融合和目标特性融合。特征级目标状念数据融合主要用于多遥感器目标跟踪领域。融合系统首先对数据进行预处理以完成数据校准，然后主要实现参数相关的状态向量估计。特征级目标特性融合就是特征层联合识别，具体的融合方法仍是模式识别的相应技术，只是在融合前必须先对特征进行相关处理，把特征向量分类成有意义的组合。图3．2特征级图像融合特征级融合技术的核心在于特征关联、特征减维和融合特征的描述技术。其中特征关联技术对各个影像中对应相同的景物线索特征进行关联匹配，识特征级融合的技术基础。同时，特征级融合与决策级融合仅是输入、输出不同。而两者的融合关联技术是非常相近的。目前比较成熟的特征级融合算法主要有，Baycs估计、自适应神经网络法、聚类分析、Dcmpatcr-shafer推理法、熵法、加权平均法、表决法等等。 哈尔滨。I：稃人学硕十学何论文特征级融合首先对经过预处理的高光谱图像进行特征提取——分类和亚像元分解，估计亚像元的组成和每一个组分在超级像元中所占的比例，然后结合高空间图像的灰度、纹理等信息，进一步确认亚像元的组成以及在空1．白J的位置，得到高空间分辨率的分类图。特征级融合将高光谱图像分类技术和图像锐化相结合，充分利用了高光谱图像的精细光谱信息，提高了地物分类的有效性与准确性，在以地物分类为目的的图像融合中更有意义。3．2．3决策级融合在数据融合的三个层次中，决策级融合的层次最高，它直接对完全不同类型的遥感器或者来自不同环境区域的感知信息形成局部决策并进行最后分析，以得出最终的决策。决策级融合流程如图33所示。决策级融合的方法图3．3决策级图像融合主要有马尔科夫随机场(Markovrandomfield，MRF)模型方法加入多元决策分类、投票表决、贝叶斯估计、Dempster-Shafer方法、广义证据推理理论，以及根据不同的情况而专门设计的各种方法等。Jeon采用联合似然法(jointlylikelihood)和主体加权法(weightmajority)决策融合让多时相遥感数据进行决策分类，使分类效果得到明显改善。Benediktsson采用一种两级方法对多源和高光谱数据进行了决策分类，该方36 哈尔滨。l：程人学硕十学佗论文法在第一级采用投票法进行分类取舍决策，在第二级使用一个神经网络队在第一级被否定的数据进行再次分类。与传统的方法进行比较，这两种方法在分类精度上取得了较好的效果。Jimenez不仅对遥感数据进行了特征分类，而且使用主体投票和神经网络法对遥感图像数据进行了决策融合处理，从而使决策分类的精确度有了一定的提高。决策级融合的主要优点有：灵活性高，通信量小，抗干扰能力强；因为利用各类特征信息，系统对信息传输的带宽要求很低；能有效地反映环境或目标不同方面的、不同类的信息；对遥感器的依赖性较小，具有容错性，当一个或几个遥感器出现错误时，通过适当的融合，还能获得正确的结果。决策级融合的主要优点是预处理代价高，因为要对遥感器信息进行预处理以获得各自的判别结果。决策级融合以像元分解一融合为基础，进一步结合地物高程信息、DBM数据和专家知识等，提高像元分解和图像融合的准确率，或者基于神经网络提高高光谱数据分解和融合的智能化程度，获得更有效的分解和融合结果等。这方面的研究工作目前已经在部分应用领域展开，是高光谱遥感信息处理领域通向实用的一条可行之路。实际的应用中，多源数据融合可以在一个层次上进行，也可以在几个不同的层次上实现，但通常都是从低层次到高层次进行，是一个逐步抽象的数据处理过程。3．3高光谱遥感数据融合常用算法上节提到，多源遥感影像融合可以分为三个层次，即数据级(像素级)融合、特征级融合和决策级融合，每个层次上的融合均有许多不同的实现算法。这些算法依其不同的原理，可以分为如下三种14J：一种是对图像直接进行代数运算的方法；第二种是基于各种空间变换的方法；第三种是基于金字塔式分解和重建的融合算法。3．3．1代数运算融合方法1．加权融合法加权融合法的基本原理就是将高空间分辨率的影像信息赋予一定的权37 哈尔滨T：稗人学硕十学何论文值，然后直接叠加到地空间分辨率的高光谱影像上去，得到空恻分辨率增强的高光谱影像。该方法的计算公式如下：I_r=A·峨，Ⅳ+毋，，￡)+曰(3～19)式中，J，为融合影像，月、丑为常数，JⅣ、J：分别是高空间分辨率的影像和地空间分辨率的高光谱影像，n、只为对应的权值。2．比值融合法对于多光谱图像而言，比值处理可将反映地物细节信息的反射分量扩大，不仅利于地物的识别，还能在一定程度上消除太阳照度、地形起伏阴影和云影等的影响。Munechicka提出的一种比值融合法的公式为艘：PAN·坚(3—20)’XS髂‘=y缈，淞，(3—21)●■■一，Jj=l其中，凇‘是一个由式(3-21)估计的全色影像，90。使权系数，根据最小二乘原理确定。用该方法可以得到的高分辨率多光谱图像可以提高分类精度。3．高通滤波法高通滤波法是将高空间分辨率图像中的高频信息(细节、边缘)提取出来，叠加到低分辨率的高光谱图像中。由于高频信息与低分辨率高光谱图像叠加过程仍然属于代数运算，因此该方法属于代数运算融合方法。首先，采用高通滤波器提取高空间分辨率图像中的空间信息的高频分量，去掉大部分的低频信息，然后将高通滤波结果加入到低分辨率光谱图像中，形成高频特征信息突出的融合影像。其融合的表达式如下E(f，／)=M^(f，／)+HPH(i，／)(3—22)式中，E(f，／)表示第磁段像素(f，_『)的融合值，M。(f，．j『)表示低分辨率高光谱影像的第嫩段像素(f，．，)的值，HPH(i，，)表示采用高通滤波器对高空间分辨率图像滤波得到的高频图像像素(f，_『)的值。此方法虽然有效的保留了原高光谱信息，却在对高分辨率波段影像滤波时滤掉了大量的纹理信息。除以上三种方法外，代数运算融合的方法还有Brovery变换融合法、单变量图像差值法等。3R 哈尔滨’I：稗人学硕十学位论文3．3．2基于空间变换的融合方法1．IHS变换(intensityhuesaturationtransfo肌)融合法在色度学上，用强度(Intensity)、色度(Hue)和饱和度(Saturation)作为颜色表示系统，称为IHS系统。IHS系统中的，分量与图像的色彩无关，日分量和S分量则与人类感受颜色的方式有紧密联系。因此IHS系统更接近于人类的视觉系统，便于人类对图像的颜色特性进行处理。目前常用的IHS变换模型主要有球体变换、圆柱体变换、三角形变换和单六棱锥变换四种。对图像融合而言，它们的差异不明显。用IHS变换进行影像融合，就是用另一影像替代IHS中三个分量中的某一个分量，其中强度分量被替代最为常用。当高分辨率全色影像与多光谱影像融合时，先把多光谱影像利用IHS变换从RGB系统变换至IHS空间。同时将单波段的高分辨率图像经过灰度拉伸，使其灰度的均值与方差和IHS空间中亮度分量图像一致：然后将拉伸过的高分辨率图像作为新的变量代入到IHS，经过反变换还原道原始空间。其流程如图3．4所示。图3．4mS变换融合流程图IHS变换融合是影像融合最常用的一种方法，融合影像保留了绝大部分的高空间分辨率影像的信息，使得其空间分辨率接近到高空间分辨率影像，同时也保留了多光谱影像的光谱特征，提高了影像的判读、识别、分类能力，特别有利于视觉理解。然而，由于不同频段的数据有不同的光谱特性曲线，IHS变换扭曲了原始的光谱特性，产生了光谱退化现象。2。PCA变换融合PCA变换(principalcomponentanalysistransform)，也称主成分分析，是39 哈尔滨J：稃人’学硕}学位论文着眼于变量之间的相互关系，用几个综合性指标汇集多个变量的测量值而进行的描述方法，是一种最小均方误差意义下的最优正交变换。对高光谱图像，由于各波段的数据间存在相关性较大，通过主成分分析就可以把现有图像中所含的大部分信息用假想的少数波段来表示，也可以说降低了光谱维数。主成分分析是基于K—L变换(Kathunen．Loeve)实现的，K-L变换原理可以参阅相关文献，这里不再赘述。PCA变换融合是将N个波段的低分辨率图像进行K-L变换，将单波段的高分辨率图像经过灰度拉伸，使其灰度的均值与方差和K-L变换的第一个分量图像一致；然后以拉伸过的高分辨率图像代替第一分量的图像，经过K-L逆变换还原到原始空间。PCA变通融合的流程图如图3．5所示。图3．5PCA变换融合流程图经过融合的图像包括了原始图像的高空间分辨率与高光谱分辨率特征，保留了原始图像的信息。融合图像上目标的细部特征更加清晰，光谱信息更加丰富。PCA变换融合较IHS融合能够更多的保留原高光谱图像的光谱特征，同时也克服了IHS变换融合只能同时对三个波段的影像进行融合的局限性。该方法的局限性包括：①图象在作主成分分析时，第一分量信息表达的是原各波段中信息的共同变换部分，其与高分辨率图像中细节变换的含义略有不同，高分辨率图像经过拉伸后虽然与第一分量具有高的相似性，但融合后的图像在空间分辨率和光谱分辨率上会有所变化：②光谱信息的变化依然存在，是融合图像不便用于地物识别和反演工作，但是它可以改进目视判读的效果，提高分类制图的精度。除了以上两种最常用的方法外，基于空间变换的多源遥感融合方法还有YIQ变换融合法、Lab变换融合法等。40 哈尔滨I‘栏人学坝十学忙论文3．33基于金字塔式分解和重建的融合方法基于会字塔式分解和重建的融合方法足种枉多尺度、多空问分辨率j一进行的图像融合方法。该方法可以在不同尺度、不同宅间分辨率上有针对的突出各图像的重要特征和细节信息，从而达到更符合人或机器视觉特性的融合效果，融合后的图像也更有利于对图像的进一步分析、理解或目标识别等。该类方法首先根据一定分解算法构造输入图像的会字塔变换，再按一定的特征选择来形成融合金字塔，然后通过对融合会字塔实施逆，变换柬进行图像重建，形成融合图像。基于金字塔式分解和重建的融合方法人体可以分为晒大类，类是以拉普拉斯金字塔法(1aplacimlpyramid)、形态学金字塔法(morphologicalpyramid)、以及梯度金字塔法(gradientpyramid)为代表的一般塔式融合方法，另一类就足基于小波变换(waveldtransform)的心像融合方法。这罩着重介绍基于小波变换的图像融合算法。小波变换融合的过程是，首先以低分辨孝图像各波段为参考图像米对高分辨率图像进行直方图匹配，咀形成几个罔像。然后对这几个图像进行小波变换以形成各自的低频图像和高频细节信息，并利用原始里分辨率图像各波段变换后的低频部分来替代这儿个图像经小波变换后的低频图像。对替换后的图像进{J-d,波逆变换，从而获得融合罔像。整个融合过程如图3．6所不。DWT配准幽像小波解析融合规则融合削像图3．6小波变换融合过程 哈尔滨丁程人学硕十学位论文尽管小波变换融合较以前的各种方法有很大的进步，但仍然存在三个问题：一是常用的二进制小波变换可以有效的处理分辨率相差20倍的情况，对其他情况则效果欠佳；二是多级小波变换仅对低频分量进行不同层次的分解，这就使得尺度参数越大，频谱的局部性能就越差，频谱的分辨率就越低：三是用小波交换方法得到的融合图像随着小波分解尺度的增大，会出现明显的、有规律的方块效应，同时随着尺度的增大，融合图像的光谱信息出现损失。．针对这些问题，许多学者提出了对传统小波变换进行改进；或采用其他类型的小波变换，如采用小波包变换、复数小波、提升小波等等。上述方法对融合结果都比基于传统的小波变换的融合结果有一定程度的改进，但是依靠改进小波变换来提高融合效果是有限的，而小波变换与其他方法的结合以及改进融合准则才是提高融合效果的有效途径。本文提出的高光谱遥感图像融合正是基于这种思路：第4章将二进脊波变换引入到高光谱数据融合中来，并针对这种方法的特点，提出了一种新的融合策略；第5章进一步解决了脊波变换存在的“环绕效应(wraparoundeffect)’’提出了将基于真实脊函数的脊波变换和样条权神经网络相结合的方法，在多个层次上进行了数据融合。并完成地物分类。实验结果表明，这两种方法均有效的改善了融合效果，提升了分类精度。3．4本章小结本章详细分析了高光谱遥感图像的数据融合理论，从遥感影像数据融合的结构出发，论述了遥感影像融合效果评价的统计参数，按照数据融合的不同层次进行了分类：最后，介绍了遥感影像数据融合的一些经典方法，进一步引出本文的思路——利用脊波变换和样条权函数神经网络来完成对高光谱遥感影像数据融合和分类的改进。42 哈尔滨jli程大学硕+学伶论文第4章基于二进脊波变换的高光谱图像融合分类数字脊波变换(DigitalRidgeletTransform)以其在图像增强、图像融合、边缘检测、图像去噪等方面表现出较之小波变换更加优良的性能面受到人们的广泛关注。二进脊波变换继承了数字脊波变换的优点，同时又具有二进小波的冗余性、平移不变性和部分系数扰动不会影响到信号重构的特点。本章将二进脊波变换引入到高光谱遥感图像融合分类中来，并针对二进脊波变换的特点提出了新的融合策略，最后给出实验仿真结果及改进方案。4．1脊波分析理论概述脊波是由E．J．Candes和D．L．Donoho于1999年首次提出，并最终完成其理论框架的。E．J．Candes哗,]在构造脊波的容许神经激活函数沙中，引入一个脊波方向因子甜，脊波变换就是在Randon切片上应用一维小波变换。Randon变换的作用是将直线型奇异性奇异转化为点奇异，而一维小波变换能有效地处理点状的奇异性，因此，脊波在处理直线型和超平面型奇异性时有很好的效果。4．1．1连续脊波变换置2上的连续脊波变换可以如下定义【49l，选择一个光滑的单变量函数沙：置专置满足条件邑=触<∞(4-1)称沙为神经激活容许函数(AdmissibleNeuralActivationFunction)。若具有足够的衰减和消失矩：眵9)魂=0。对于任意的口>o，6∈R和口∈【o，2万)，定义双变量函数y。J∥：足2一R2如下‰XI,X2)=忑1杪(型等)(4-2，上式中的函数沿“脊一五cosO+J，sing=常数，脊的横截面为小波，故称之 哈尔滨】榉』=学硕士学位论文为“脊波”。图41(a)所示是一个脊函数，它的角度为臼，并且沿直线x，cos臼+x，sin口为常值，脊的横截面为小波；图41(b)、41(c)和41(d)分别表示将图41(a)中的脊函数进行伸缩、平移和旋转后得到的图形。(a)原始脊波(b)伸缩后的脊波(c)平移后的脊波(d)旋转后的脊波图4l脊波图形实例给定一个可积的双变量函数双x)，它的脊波系数定义为R，(d，6，p)=f：死"b)，o)dx(4-3)我们的假定保证了∥满足』妒(五)|2^。2枞<∞，若进一步假设妒是规范的，44 哈尔滨1．程人学硕十学位论文R|J肛(兄)12万2dt=l(4—4)Candes证明了完全重构公式对可积和平方可积函数几乎处处成立。这说明“任何”函数都可以写成一系列“脊’’函数的叠加。上述表示是稳定的，满足Parseval等式：毋厂(刮2凼=f。JIorIR，(％6，o)12多面筹(4-5)连续脊波变换与Randon变换有密切的联系。Randon变换定义如下：Rs(臼，f)=工，厂(z)8(xlcos秒+X2sin9一f皿(4-6)则脊波变换就是在Randon变换的切片上(其中汐是常数，，是变量)应用一维小波变换：R／(口，b，p)2上‰(，)尽厂(秒，t)dt．(4—7)由于I沁don变换本身是沿直线L(⋯的积分，这里‘¨)=仁∈Rd：掰·X=t，甜∈Rdl甜=1}(4—8)当赤2时，列=(cosa，sin0)，上(。J)=L《以)。对于直线型的奇异性，Randon变换在某一个方向甜必定会和这种直线型的奇异性重合，沿这个方向的直线积分后，直线型的奇异性将转化成点奇异，高维的超平面的奇异性也将转化为点状的奇异性，而一维小波变换擎，。j(f)能够有效地处理点状的奇异性。因此，脊波在处理直线奇异性时有很好的效果。由式(4-3)、式(4—5)、式(4-6)、式(4-7)以及Randon变换切片定理可知，利用FFT算法、Randon变换算法以及小波变换算法就可以实坝,Ridgelet变换算法。Ridgelet变换重构公式为：弛)=c妒pq(风6，乡炒御(工’丁dadbdO(4—9)其中C∥=(2万)_2巧‘。45 哈尔滨-[-r⋯j1人学硕十学位论文4．1．2数字脊波变换在实际应用中，脊波变换的离散化及其算法实现是一个具有挑战性的问题。由于脊波的径向性质，对连续公式直接离散实现时要在极坐标中进行插值，这样的变换结果或者是冗余的，或者不能完全重构。脊波变换数字实现的优劣很大程度上取决于其中Randon变换数字实现的重构精度。由脊波变换与Randon变换的关系可知，为实现脊波变换，第一步首先要计算Randon变换Rf(t，0)，然后对切片矽(·，秒)进行一维小波变换。若在式“一7)中不是进行小波变换，而是采取沿t的一维Fourier变换，则结果是二维Fourier变换。令广表示函数厂的二维Fourier变换，则)≯(2cos0，2sin0)=fRf(t，口弘一Wdt(4—10)这就是著名的投影切片定理。它说明Randon变换可以通过限定在通过原点的射线上的二维Fourier变换进行一维Fourier变换得到。这意味着数字图像的近似Randon变换可以由离散的快速Fourier变换实现。脊波的数字化实质上就是其参数的离散化，其过程如下：针对二维离散数据驴(后。，k2))∈，2(七l，k2=o，1，．．．，n-1)，分别对三个参数口，b，0离散化：矽∥=2n'2—7f，a，=2～，bj，★=2nk2～，则三"阮，k2)=毛2～cosoj√+k2sinoj』(4—11)kl,k2∈【o，．．．，2川JJ≥歹，f-o，．．．，2川-1，从而，5l／j,k,t@I，k2)=2j∥(27乜川(一，k2)一bj．★))(4—12)令离散脊波变换系数为：％¨=(∥似，，f)(4—13)则有离散重构公式I(k⋯k)=∑口儿，呒』，阮，k：)(4—14)，，kj并且满足r模意义下的等式： W=∑b勰；}2(4-15)』，l，i对于数字图像厂和，腕)，1≤n,m≤p来说，脊波变换包括以下几个步骤㈣：(1)对整个图像作二维DFT。计算八，l，m)的二维Fo谢盯变换，记．为歹(屯D，～p／2
此文档下载收益归作者所有
