高光谱遥感数据特征提取与特征选择方法研究

目录

目录

摘要 ................................................................................................................................. I ABSTRACT .................................................................................................................... I II 目录 ................................................................................................................................ V 图目录 .............................................................................................................................. IX 表目录 ................................................................................................................................ X 本文中常用记号和缩写词 ............................................................................................. XI 第一章绪论.. (1)

1.1 高光谱遥感概述 (1)

1.2 高光谱数据处理的发展趋势 (4)

1.3 高光谱数据的特点 (5)

1.4 高光谱数据在应用中存在的问题 (7)

1.5 高光谱数据的降维 (9)

1.5.1 特征提取 (9)

1.5.2 特征选择 (15)

1.6 本文的研究内容及安排 (17)

第二章基于空间一致性的局部嵌入特征提取算法 (21)

2.1 引言 (21)

2.2 PCA和FDA算法简介 (22)

2.2.1 PCA算法 (22)

2.2.1 FDA算法 (23)

2.3 基于空间一致性的局部邻域结构 (24)

2.3.1 空间一致性思想 (24)

2.3.2 建立基于空间一致性的局部邻域结构 (25)

2.4 寻找最优投影矩阵 (27)

2.4.1 线性特征提取问题 (27)

2.4.2 计算投影矩阵 (27)

2.5 LESC算法的步骤 (29)

2.6 实验结果与分析 (29)

2.6.1 实验数据说明 (29)

2.6.2 LESC算法的性能 (32)

2.7 本章小结 (35)

V

西北工业大学博士学位论文

第三章基于正则化非负矩阵分解的特征提取算法 (37)

3.1 引言 (37)

3.2 NMF算法简介 (38)

3.3 基于正则化非负矩阵分解的特征提取 (39)

3.3.1 NMF上的流形正则化 (39)

3.3.2 RNMF算法的更新规则 (41)

3.4 RNMF算法收敛性证明 (43)

3.4.1 U的收敛分析 (43)

3.4.2 V的收敛分析 (45)

3.4.3 定理1的证明 (46)

3.5 RNMF方法的步骤 (46)

3.6 RNMF方法计算复杂度分析 (47)

3.7 实验结果与分析 (48)

3.7.1 实验数据说明 (48)

3.7.2 实验参数选择 (48)

3.7.3 实验结果 (49)

3.8 本章小结 (52)

第四章基于概念分解的半监督特征提取算法 (53)

4.1 引言 (53)

4.2 概念分解简介 (54)

4.3 基于概念分解的半监督特征提取 (55)

4.3.1 高光谱数据标记信息的硬性约束 (55)

4.3.2 高光谱数据的流形规则化 (56)

4.3.3 矩阵优化重构实现数据降维 (57)

4.4 SFECF方法的收敛证明 (59)

4.5 SFECF方法的步骤 (62)

4.6 SFECF方法计算复杂度分析 (62)

4.7 实验结果与分析 (63)

4.7.1 实验数据说明 (63)

4.7.2 实验参数选择 (63)

4.7.3 各种矩阵分解方法的性能比较 (64)

4.8 本章小结 (66)

第五章分组的基于局部Fisher判别特征选择系统 (67)

5.1 引言 (67)

VI

目录

5.2 Fisher Score (69)

5.3 基于局部Fisher判别的监督特征选择 (70)

5.4 高光谱数据的分组FSLFD处理系统 (71)

5.4.1 波段分组 (71)

5.4.2 构建高光谱数据分组的FSLFD处理系统 (74)

5.5 实验结果与分析 (74)

5.5.1 FSLFD算法的性能 (75)

5.5.2 分组的FSLFD处理系统实验分析 (76)

5.6 本章小结 (78)

第六章基于流形的半监督特征选择算法 (79)

6.1 引言 (79)

6.2 Laplacian准则 (80)

6.3 基于流形的半监督特征选择算法 (82)

6.3.1 无标记样本的作用分析 (82)

6.3.2 聚类假设和流形假设 (82)

6.3.3 SFSM算法 (83)

6.4 SFSM算法的证明 (85)

6.5 实验结果与分析 (86)

6.5.1 实验参数选择 (87)

6.5.3 SFSM算法的性能 (88)

6.6 本章小结 (89)

第七章总结和展望 (91)

7.1 研究工作总结 (91)

7.2 研究展望 (92)

参考文献 (95)

致谢 (107)

附录一攻读博士学位期间发表的主要论文 (109)

附录二攻读博士学位期间参加的科研项目、学术兼职活动和荣誉 (111)

VII

西北工业大学博士学位论文

VIII

图表目录

IX 图目录

图1-1 高光谱遥感成像示意图 ............................................................................................ 2 图1-2 典型高光谱数据立方体示意图 ................................................................................ 5 图1-3 高光谱数据的几种表示模型 .................................................................................... 6 图1-4 Hughes 现象 ............................................................................................................... 8 图1-5 欧式距离和测地线距离对比 .................................................................................. 12 图1-6 流形的降维结果同测地线距离比较 ...................................................................... 12 图1-7 MFA 算法的几何原理 ............................................................................................. 14 图1-8 典型Wrapper 式特征选择 ...................................................................................... 17 图1-9 论文结构图 .............................................................................................................. 19 图2-1 二维空间中FDA 和PCA 算法的投影方向示意 ................................................... 24 图2-2 i x 的33 环块 ........................................................................................................ 25 图2-3 i x 的环块表示为9维的向量 .................................................................................. 25 图2-4 LESC 算法的几何意义 ........................................................................................... 28 图2-5 原始Indian Pine 数据（第100波段） .................................................................. 30 图2-6 Indian Pine 数据地物分类真值图 ........................................................................... 30 图2-7 Salinas Valley 高光谱图像 ....................................................................................... 31 图2-8 Salinas Valley 数据地物分类真值图 ....................................................................... 32 图2-9 各种特征提取算法分类精度的比较 ...................................................................... 33 图2-10 各种特征提取算法的分类结果成像比较（Indian Pine 数据） ........................... 34 图3-1 不同K 值下RNMF 算法的分类精度 .................................................................... 49 图3-2 两组数据波段的相关系数矩阵图(白为1；黑为0) .............................................. 50 图3-3 提取不同特征数目时各种算法的分类精度比较 .................................................. 51 图4-1 K 值对SFECF 算法的影响 ..................................................................................... 64 图4-2 SFECF 算法的性能 ................................................................................................. 65 图5-1 Indian Pine 数据波段的相关系数矩阵图(白为1；黑为0) ................................... 72 图5-2 Salinas Valley 数据波段的相关系数矩阵图(白为1；黑为0) .............................. 73 图5-3 高光谱数据分组的FSLFD 处理系统 .................................................................... 74 图5-4 不同波段Indian Pine 图像直观比较 ...................................................................... 75 图5-5 不同特征选择算法分类性能比较 .......................................................................... 76 图5-6 两组数据对角块波段平均相关系数 ...................................................................... 77 图6-1 无标记样本的作用分析 .......................................................................................... 82 图6-2 K 值对SFSM 算法的影响 ...................................................................................... 87 图6-3 SFSM 算法的性能 (88)

西北工业大学博士学位论文

表目录

表1-1 2000-2014年国家自然科学基金委信息学部在高光谱遥感领域立项情况 (4)

表2-1 LESC算法的主要步骤 (29)

表2-2 Indian Pine数据样本集 (30)

表2-3 Salinas Valley数据样本集 (31)

表2-4 各种特征提取算法的分类精度 (34)

表3-1 RNMF算法的主要步骤 (47)

表3-2 每次迭代过程中RNMF和NMF的计算复杂度 (47)

表4-1 SFECF算法的主要步骤 (62)

表4-2 每次迭代过程中NMF和SFECF的计算复杂度 (63)

表4-3 SFECF和RNMF算法的比较 (65)

表5-1 Indian Pine数据光谱波段分组 (73)

表5-2 Salinas Valley数据光谱波段分组 (74)

表5-3 FSLFD与分组的FSLFD比较（Indian Pine数据） (77)

表5-4 FSLFD与分组的FSLFD比较（Salinas Valley数据） (78)

表6-1 SFSM和FSLFD算法的比较 (89)

X

本文中常用记号和缩写词

XI 本文中常用记号和缩写词 记号

意义 l

矩阵的特征值 I

单位矩阵 F g

矩阵的Frobenius 范数 Tr()g

矩阵的迹 rank()g

矩阵的秩 ()T g

矩阵或向量的转置 D ?

空间维度为D max

最大化目标函数 min

最小化目标函数 ()arg max ()

P C

P P F =Y 目标函数()P Y 在约束条件()P C F =下最大化时的变量P 值 ()arg min ()

P C

P P F =Y 目标函数()P Y 在约束条件()P C F =下最小化时的变量P 值