《基於稀疏多流形學習的高光譜遙感圖像分類》是依託重慶大學，由黃鴻擔任項目負責人的面上項目。
基本介紹
- 中文名：基於稀疏多流形學習的高光譜遙感圖像分類
- 項目類別：面上項目
- 項目負責人：黃鴻
- 依託單位：重慶大學
中文摘要,結題摘要,
中文摘要
高光譜圖像（HSI）可描述為在低維嵌入空間上的流形，但確切流形結構尚未明確。本課題組發現HSI中存在多個不連續的子集，其內蘊維數亦不同，具有多流形結構。關於面向HSI分類的多流形學習模型，迄今國內外尚無報導。本課題研究目標是在有限標記樣本條件下構建半監督多流形聚類模型，實現子流形數據劃分，並融合稀疏表示方法，構建稀疏多流形學習模型，發現隱藏在高維HSI中的低維多子流形，並實現多流形分類，為解決HSI分類中的維數災難問題奠定基礎，具有理論意義和套用前景。研究內容包括：（1）證實HSI中多流形的存在；（2）採用流形聚類、半監督學習方法開展半監督多流形聚類研究,確定HSI中子流形的數目，並將數據劃分為對應的子流形；（3）對各子流形數據進行稀疏表示，然後對各子流形上的稀疏表征數據進行流形建模，實現稀疏鑑別特徵提取，並利用新樣本在各子流形上重構誤差來實現分類，為解決HSI分類問題提供新思路和新方法。
結題摘要
高光譜遙感影像具有幾十上百個光譜波段，提供了非常豐富的地物光譜信息，給地物分類與識別帶來了新的機遇。但是如何降低波段間的相關性，減少高光譜數據中的冗餘信息，挖掘數據的本質特徵，得到有效的鑑別特徵，成為地物分類技術中的關鍵問題。傳統流形學習不能有效發現高光譜數據中的多流形結構和本質特徵，本項目以提出新的稀疏多流形學習模型和空-譜聯合學習方法為研究思路，重點在4個方向上進行了研究：（1） 新型多流形學習建模；（2） 引入稀疏表示理論構建稀疏多流形學習模型；（3） 基於稀疏係數與局部光譜角的分類器設計；（4）根據高光譜遙感影像中的空間一致性探究空-譜聯合學習模型方法。具體而言，在多流形學習建模方面，提出了基於線性局部與全局保持嵌入的半監督多流形學習模型，該模型不僅能夠實現對高維數據的子流形劃分，而且得到的低維流形能夠有效地刻畫出高光譜遙感數據的真實多子流形結構。在此基礎上，通過引入稀疏感知機制構建多種稀疏多流形學習模型，揭示高光譜數據中各子流形的內蘊變數，探尋高光譜數據多流形結構中各子流形的內在稀疏性，有效地拓展了流形學習的外延。在分類器設計方面，基於稀疏表示能自適應地揭示出數據的內在關係的能力，提出了稀疏鄰域分類算法；此外，還提出了一種新的局部光譜角最近鄰分類器，使準確判斷未知數據類別的機率增加，同時分類的穩定性更好，具有較大的套用價值。在空-譜聯合學習方面，根據遙感影像中的地物分布情況及空間信息驗證了高光譜數據中的空間一致性，建立了空-譜聯合降維與分類模型，較好地提升了低維嵌入特徵的判別性和分類器的準確性。通過課題組為時四年的研究工作，本項目按計畫完成了課題研究目標，並取得了一系列的研究成果，發表學術論文共23篇（其中SCI境外期刊9篇，國際會議論文3篇，EI論文11篇），申請發明專利14項，參加國際學術會議4次，並培養博/碩士研究生共20人。
