随机噪声影响下高光谱遥感图像分类方法研究文献综述
一、选题背景及意义
高光谱遥感影像能够提供丰富的空间和光谱信息，为精确地物信息分析创造了有利条件，因此被广泛应用于环境监测、地质勘探、精确农业、军事监测等多个领域。近年来不断发展的高光谱成像技术为遥感对地观测技术带来了新机遇，但同时也对现有的影像处理技术提出了新的挑战：受成像设备与外部环境等因素的影响，传感器在获取高光谱分辨率影像数据的同时不可避免的引入了空间维和光谱维的噪声，噪声的存在不但降低了影像的质量，而且限制了后续的影像分析与应用；高光谱遥感影像中的“同物异谱”和“异物同谱”现象[3]，使得类内差异变大、类间差异减小[9]，单独利用光谱信息难以实现高精度场景分类识别[13]；光谱分辨率的提高带来了数据维度的增长，但传统的分类识别算法在处理高维数据时通常面临“休斯效应”，为实现高维数据、小样本情况下的快速精确解译对传统分类识别算法提出了更高的要求。
二、高光谱分类方法
对于高光谱图像分类方法现有一下几种典型的分类策略：
（1）基于结构滤波的方法。基于结构滤波的高光谱图像分类方法是高光谱图像处理领域最早被深入研究的方法之一。通常情况下，这种方法采取结构滤波来得到空间纹理特征，即给定一幅高光谱图像，可以通过空间结构滤波的形式来直接获取它的空间特征。一类最简单同时也是使用最广泛的提取空间信息的方法是利用方形邻域内的样本均值或者方差来代表目标像素处的空间特征[15]。这种策略最早是在组合核或多核学习领域被提出并得到广泛使用的。这里的空间特征是被预提取的，然后再被用来构建空间光谱核。然而方形邻域的均值滤波显然并非是一个最佳的滤波模板，后提出了基于双边滤波的方法来去除噪声同时保持细节。现在的一个趋势是使用自适应的结构滤波来提取空间特征，如自适应多维度维纳滤波，基于自适应邻域的策略，基于超像素的区域分割策略等。
（2）基于形态学轮廓分析方法。基于形态学滤波的形态学轮廓分析方法可以看作是一种特殊的结构滤波方法，它的滤波算子是一系列的形态学开闭操作，通常首先采取主成分分析等方法进行降维，然后再在前几个主成分上采用一系列不同的滤波模板进行形态学开和闭操作，最后比较大小模板下的滤波结果来得到基于形态学分析的空间特征。与均值滤波特征相比，形态学特征能更好地反映图像的纹理结构特征[3]。
（3）基于稀疏表示的分类方法。稀疏表示模型的主要思想是假设现有的训练样本可以构成一个完备训练字典并且任意一个测试样本均可以被字典中的元素线性表出，然而将如此高维特征的样本完全表出是不合理的[5]，稀疏表示方法注意到一个训练样本往往只属于某一类地物，即它只需当被训练样本中的同一类样本线性表示，即可得到一个稀疏性的约束。即使用尽量少的训练样本来表示某一测试样本，同时使得表示误差尽可能小。在求解目标函数后，稀疏表示方法取表示误差的最小的训练样本类别来作为此测试样本的类别。
（4）基于分割的高光谱图像分类方法。一些高光谱图像分类方法利用图像分割作为一个后处理的步骤，即在空间光谱分类之后[6]，如通过提取和分类同质目标来进行高光谱图像分类，在SVM分类结果的基础上采用形态学的分水算法来得到一个更加平滑的分类结果。不同的区域分割算法可以得到不同的高光谱图像分类方法。与基于光谱特征的分类策略相比，这些策略可以极大地提高分类方法的分类精度。
（5）基于深度学习的高光谱图像分类方法[4]。众所周知，神经网络和深度学习的算法通过模拟人脑的结构在图像分类、自然语言处理等领域取得了非凡的成果。与传统的浅层分类模型相比，深度学习模型可以看作是一个包含多层结构的分类模型。基于深度学习的高光谱图像分类方法可以被大致分为三个主要阶段：1)数据输入阶段；2)深度神经网络构建阶段；3)分类阶段。在传统的分类方法中，特征提取往往需要依赖由某种先验知识而设定的参数，而基于卷积神经网络的深度学习方法的模型参数可以通过自动化的训练过程来得到，这就意味着其具备自动提取数据特征的能力。采取一个非监督的方法来构造基于堆叠自编码网络的深度学习框架来提取高光谱图像数据的高阶特征。采用随机主成分分析来一体化地提取空间和光谱特征。采用一系列层叠的受限布尔兹曼机来构建深度置信网络，进而进行高光谱图像分类。基于差异化区域的卷积神经网络方法，它在进行样本增强的同时融入了空间信息，从而达到了有效的保边效果。这些网络均是由一系列的卷积和池化层组成，在经过每一个卷积层后，都有一个更深度的空间特征被提取，最后被用于高光谱图像分类。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
